Виртуальная нефробиопсия как база знаний по функционально-морфологическим паттернам

ВВЕДЕНИЕ. Диагностика заболеваний почек остаётся серьёзной задачей, поскольку во многих случаях базируется на исследовании прижизненного нефробиоптата, поскольку морфологическая форма заболевания определяет тактику лечения, в том числе с применением агрессивных фарм препаратов. Определение патогенетической группы нефропатии неинвазивным способом снижает риск медикаментозного воздействия в случаях лечения без морфологической диагностики. 

ЦЕЛЬ ИССЛЕДОВАНИЯ: разработка математического аппарата построения виртуальных морфологических характеристик почек по совокупности данных об их функциональном состоянии. 

ПАЦИЕНТЫ И МЕТОДЫ: технологии на основе искусственного интеллекта с машинным обучением по данных 571 пациента с морфологическим диагнозом. 

РЕЗУЛЬТАТЫ . Предложенный комплекс методов медицинской информатики демонстрирует потенциал для виртуального патоморфологического конструирования и повышения безопасности медицинской помощи, обеспечивая поддержку принятия клинических решений.

1. Шилов ЕМ, Есаян АМ, Петрова НЮ, Артемов ДВ, Батюшин ММ, Бевзенко АЮ, Бельских АН, Веселкова НВ, Ивлиев СВ, Стаценко МЕ, Столяр АГ, Шилова ММ. Хроническая болезнь почек должна стать приоритетной областью российского здравоохранения. Заявление президиума профильной комиссии по нефрологии Минздрава России. 2025. doi: 10.36485/1561-6274-2025-29-4-8-21. EDN: PAQGCC

2. Feng C, Liu F. Artificial intelligence in renal pathology: Current status and future. Clin Kidney J 2022;15:100–112

3. Генкин АА. Новая информационная технология анализа медицинских данных. Программный комплекс ОМИС. Политехника, СПб., 1999, 191 с

4. Рябов СИ, Эмануэль ВЛ, Плоткин ВЯ, Клемина ИК. Роль поражения канальцев и интерстиция в развитии почечной недостаточности. Арх Патол 1982;44(12):55–58

5. Cascarano GD, Debitonto FS, Lemma R, Brunetti A, Buongiorno D, De Feudis I et al. A neural network for glomerulus classification based on histological images of kidney biopsy. BMC Med Imaging 2021;21:12. doi:10.1186/s12880-021-00562-2

6. Luo Y, Liang J, Hu X, Tang Z, Zhang J, Han L et al. Deep learning algorithms for the prediction of posttransplant renal function in deceased-donor kidney recipients: a preliminary study based on pretransplant biopsy. Front Med (Lausanne) 2021;8:664. doi:10.3389/fmed.2021.00664

7. Fayzullin A, Ivanova E, Grinin V, Ermilov D, Solovyeva S, Balyasin M et al. Towards accurate and efficient diagnoses in nephropathology: an AI-based approach for assessing kidney transplant rejection. Comput Biol Med 2022;145:105427. doi:10.1016/j.compbiomed.2022.105427

8. Sawhney R, Malik A, Sharma S, Narayan V. A comparative assessment of artificial intelligence models used for early prediction and evaluation of chronic kidney disease. Healthc Technol Lett 2020;7(6):158–165. doi:10.1049/htl.2020.0084.

9. Poonia RC, Gupta MK, Abunadi I, Albraikan AA, Al-Wesabi FN, Hamza MA, et al. Intelligent diagnostic prediction and classification models for detection of kidney disease. J King Saud Univ Sci 2021;33(6):101429. doi:10.1016/j.jksus.2021.101429

10. Schena FP, Anelli VW, Trotta J, Di Noia T, Manno C, Tripepi G et al. Development and testing of an artificial intelligence tool for predicting end-stage kidney disease in patients with immunoglobulin A nephropathy. Kidney Int Rep 2021;6:123–135. doi:10.1016/j.ekir.2020.10.034

11. Rasmussen DGK, Boesby L, Nielsen SH, Tepel M, Birot S, Karsdal MA, Kamper AL, Genovese F. Collagen turnover profiles in chronic kidney disease. Sci Rep 2019 Nov 5;9(1):16062. doi: 10.1038/s41598-019-51905-3. PMID: 31690732; PMCID: PMC6831687

12. Разумов ВВ. Хроническая почечная недостаточность как рекапитуляция закономерностей филогенетического развития почечных функций. Современные проблемы науки и образования 2008;8. URL: https://science-education.ru/ru/ article/view?id=3619 (дата обращения: 08.01.2026)

13. Yamanouchi M, Hoshino J, Ubara Y et al. Clinicopathological predictors for progression of chronic kidney disease in nephrosclerosis: a biopsy-based cohort study. Nephrol Dial Transplant 2020;35(1):136–144. doi:10.1093/ndt/gfz024

14. Yu Z, Ning X, Qin Y et al. Development and validation of a machine learning-based prognostic model for IgA nephropathy with CKD stage 3 or 4. Kidney Dis 2024;10(6):436–449. doi:10.1159/000536992

15. Noda R, Ichikawa D, Shibagaki Y. Machine learning-based diagnostic prediction of IgA nephropathy. Sci Rep 2024;14:12426. doi:10.1038/s41598-024-12426-y

16. Chagas P, Souza L, Araújo I et al. Classification of glomerular hypercellularity using convolutional features and support vector machine. Comput Biol Med 2021;134:104457. doi:10.1016/j.compbiomed.2021.104457

17. Barros GO, Muller da Silva JNA, Proença HMS et al. Enhancing podocyte degenerative changes identification with pathologist collaboration. IEEE Access 2023;11:119845–119858. doi:10.1109/ACCESS.2023.3315678

18. KDIGO Clinical Practice Guideline for the Management of Glomerular Diseases. Kidney International 2021;100(Suppl 4S):S1–S276

19. KDIGO 2024 Clinical Practice Guideline for the Evaluation and Management of Chronic Kidney Disease. Kidney International. 2024;105(Suppl 4S):S117–S314

20. KDIGO Clinical Practice Guideline for Acute Kidney Injury. Kidney International Supplements 2012;2(1):1–138

21. Moledina DG, Perazella MA. Treatment of Drug-Induced Acute Tubulointerstitial Nephritis: The Search for Better Evidence. Clin J Am Soc Nephrol 2018;13(12):1785–1787

22. KDIGO 2021 Clinical Practice Guideline for the Management of Blood Pressure in Chronic Kidney Disease. Kidney International 2021;99(3S):S1–S87