背景：在腎臟疾病研究中，利用尿樣進行精確的腎小球疾病診斷對于治療和預后至關(guān)重要。傳統(tǒng)方法依賴于有創(chuàng)性活檢，這存在風險并由于病理學家的差異而不一致。因此，迫切需要創(chuàng)新的診斷工具，以提高傳統(tǒng)方法的效率，確保疾病檢測的準確性和一致性。本研究提出了一種創(chuàng)新的卷積神經(jīng)網(wǎng)絡(luò)-視覺變壓器（CVT）模型，通過融合光譜和空間數(shù)據(jù)，改進腎小球疾病的診斷。通過間隔采樣預處理和波長優(yōu)化，該研究還引入了Gramian Angular Field (GAF)方法來統(tǒng)一表示光譜和空間特征。

圖1：研究流程圖

實驗設(shè)計

本研究收集了2020年11月至2022年1月在山東大學齊魯醫(yī)院診斷為各種腎小球疾病的患者的尿液樣本。病例被分為四組不同的組，每組包含30例：微小改變病（MCD）、糖尿病腎病（DN）、膜性腎?。∕N）和IgA腎病（IgAN）。對于每個樣本，取5 mL尿液，以1500 rpm離心5分鐘。隨后，將0.5 mL的上清液小心地轉(zhuǎn)移到一個干凈的載玻片上。共計120份尿液樣本。所有參與患者均獲得知情同意，本研究獲得了山東大學齊魯醫(yī)院倫理委員會的倫理批準，確保符合倫理標準和患者保密。采用線掃描推掃高光譜成像裝置（GaiaMicro-V10E-DY）在反射模式下采集尿液上清樣本的高光譜圖像。該設(shè)備的詳細配置如圖2所示。

圖2：高光譜成像系統(tǒng)示意圖

結(jié)論：數(shù)據(jù)獲取和預處理

收集了2020年11月至2022年1月期間山東大學齊魯醫(yī)院診斷的各種腎小球疾病患者的尿樣本，并進行高光譜圖像采集和反射率校準。

圖3：不同腎小球疾病的平均反射光譜曲線

圖3展示了不同疾病類型的平均光譜曲線的趨勢，由于其來自相同的腎組織，曲線趨勢一致，但在特定波段的反射率值存在細微差異，表明不同疾病的內(nèi)部組成差異。

模型建立和評估

在本研究中，我們在ViT的基礎(chǔ)上，創(chuàng)新性地提出了CVT，在每個變壓器層之前集成一個卷積層，充分利用卷積層提取局部特征的能力，為變壓器層提供更豐富的輸入特征。這也有效地緩解了變壓器的高計算復雜度，提高了模型的整體效率和泛化性能。這個創(chuàng)新的框架結(jié)合了傳統(tǒng)的CNN處理局部圖像特征的能力和變壓器的全局上下文理解的精細能力。在模型輸入時，將圖像分解為一系列固定大小的圖像塊，并進行線性變換來提高維數(shù)，從而構(gòu)建一個初始特征表示。為了增強這些特征的內(nèi)部局部相關(guān)性，在每個變壓器層之前放置了一個卷積層，有助于揭示相鄰圖像塊之間的空間屬性，并豐富后續(xù)變壓器層的特征集。研究中使用了傳統(tǒng)機器學習模型和CVT模型，通過各種預處理和波長優(yōu)化方法提高模型的準確性和魯棒性。

圖4. CVT模型的結(jié)構(gòu)

t-SNE算法將復雜的高維網(wǎng)絡(luò)特征映射到一個二維景觀中，其中不同顏色的點代表不同腎小球疾病的t-SNE特征識別。圖8清楚地顯示，與其他三種替代模型不同，本研究采用的模型表現(xiàn)出相同疾病表現(xiàn)對應(yīng)的數(shù)據(jù)集的緊密聚類，通過清晰的邊界和空間分離，突出了不同疾病狀態(tài)之間的差異。一些偏離其指定集群的樣本無意中與不同疾病類別的集群相一致。這一觀察結(jié)果在一定程度上證明了不同模型在腎小球疾病分層的二維框架內(nèi)處理圖像數(shù)據(jù)的能力。此外，這些發(fā)現(xiàn)顯著地強調(diào)了本研究中提出的模型在區(qū)分不同腎小球疾病實體方面的敏銳性。

圖5.訓練后的特征的t-SNE可視化。第0類代表微小改變疾病（MCD），第1類代表糖尿病腎?。―N），第2類代表膜性腎?。∕N），第3類代表IgA腎?。↖gAN）。

討論與結(jié)論

在腎小球疾病分類領(lǐng)域，其他最新研究采用了肽面板、視網(wǎng)膜血管、臨床變量、腎活檢等材料，并結(jié)合機器學習算法對腎小球疾病進行客觀分類。與其他研究相比，我們的研究創(chuàng)新性地將尿液上清液與HSI結(jié)合起來，并提出了聯(lián)合空間光譜數(shù)據(jù)。在使用GAF增維后，使用所提出的CVT模型進行分類。與其他研究相比，我們的材料和方法在更多的類別中獲得了更高的準確性。表1顯示了具體的細節(jié)。

表1. 與其他最新的腎小球疾病分類研究的比較。（不可用的指標被“-”取代）