编辑推荐：
为解决肾衰竭这一公共卫生问题以及全球肾病专家短缺的现状，研究人员开展了基于人工智能（AI）的肾脏疾病诊断系统研究。通过构建新型深度学习（DL）模型，得出该模型在肾脏疾病分类上有高准确率等结果，对肾脏疾病诊断意义重大。
在当今社会，肾脏疾病严重威胁着人类健康。慢性肾脏病（CKD）影响着全球超十亿人口，预计到 2040 年将成为第 16 大死因 。常见的肾脏疾病，像肾细胞癌、囊肿和肾结石，若不能及时发现，可能会导致肾衰竭。然而目前，肾脏疾病的诊断面临诸多挑战，不仅过程繁琐，需要尿液、血液检查以及 CT 扫描、超声检查（UT）、磁共振成像（MRI）等多种手段，而且还容易出现诊断延迟和人为误差。尤其在发展中国家，医疗资源匮乏，肾病专家和放射科医生的数量严重不足。在这样的背景下，开展针对肾脏疾病高效诊断方法的研究显得尤为迫切。
为了攻克这些难题，来自埃及达米埃塔大学信息技术系、卡夫勒谢赫大学人工智能学院等机构的研究人员进行了深入研究。他们致力于开发一种基于 AI 的系统，以实现肾脏疾病的自动识别。相关研究成果发表在《Scientific Reports》上。
研究人员采用了多种关键技术方法。首先是数据处理，从孟加拉国多家医院收集肾脏疾病相关的放射影像数据，经预处理后分为训练集和测试集 。在模型构建方面，基于迁移学习（TL）技术，集成预训练的 MobileNet-V2、ResNet50 和 EfficientNet-B0 网络，利用元启发式算法和双向长短期记忆网络（Bi-LSTM）增强特征提取能力 。同时，运用随机梯度下降动量法（SGDM）、自适应矩估计（Adam）和改进的灰狼优化算法（GWO）等优化模型超参数 。
下面来看具体的研究结果。
- 数据集描述：数据集包含 12446 张不同的图像，其中囊肿 3709 张、正常 5077 张、结石 1377 张、肿瘤 2283 张 。这些图像来自医院的放射检查，并被处理为无损 JPEG 格式。
- 实验结果：研究人员对模型进行了多方面测试。对比不同优化器，改进的 GWO 算法在分类任务中表现最佳，其准确率达到 99.85%，灵敏度为 99.8%，特异性为 99.3%，精度为 98.1%，受试者工作特征曲线下面积（AUC）为 1.0 。此外，还研究了预处理对模型性能的影响，发现预处理能显著提升模型的各项评估指标 。同时，比较了不同分类器，支持向量机（SVM）在几乎所有指标上都取得了最好的结果 。
研究结论表明，该研究提出的模型在肾脏疾病分类上展现出卓越的性能，相比以往的方法有显著提升。它通过对传统 CT 图像预处理、优化预训练网络提取特征、结合 Bi-LSTM 挖掘时间特征以及采用集成学习策略，有效提高了分类的准确性、可靠性和泛化能力。不过，研究也存在一定局限性，当前数据集存在限制。未来研究可以探索整合外部数据集进行验证，提升模型的稳健性和通用性；将实验室测试数据与 CT 图像相结合，有望进一步提高诊断准确性，为肾脏疾病检测提供更全面的解决方案。这一研究成果为肾脏疾病的诊断开辟了新的道路，对改善全球肾脏疾病的诊断现状具有重要的推动作用，为后续相关研究奠定了坚实的基础。
