CNN-Transformer交互模型预测IgA肾病病理分级

来源：计算机工程与应用杂志2025年第10期北京时间：

作者：牛昊天, 林宇轩, 蔡念, 谢依颖, 张镭

单位：1.广东工业大学 信息工程学院，广州 510006 ；2.南方医科大学南方医院 肾内科，广州 510515

摘要：肾脏超声影像检查是IgA肾病重要的临床无创诊断方法，可以避免不必要的肾活检，尤其对患者长期病程管理至关重要。但是超声影像解析与肾活检病理分析仍具有巨大知识鸿沟，导致临床上难以直接通过超声影像解析进行精准的IgA肾病病理分级，其诊断仍然高度依赖于IgA肾病病理的分析。融合卷积神经网络（convolutional neural network，CNN）和Transformer设计了一种CNN-Transformer交互模型，通过肾脏超声影像的自动解析，实现IgA肾病病理分级预测，辅助医生对疾病进行诊断。在该交互模型中，为了模拟医生阅片观察肾脏皮髓质区的局部纹理形态，融入可变形卷积设计了CNN结构流提取肾脏局部特征；为了模拟医生阅片观察肾脏整体组织形态，融入空间偏置注意力设计了Transformer结构流提取肾脏组织全局关联关系；为了模拟医生阅片反复交替观察各组织形态进行综合评估的过程，提出了一种中期特征交互策略和一种终端自适应融合策略，全面揭示超声影像蕴含的医学信息。实验结果表明，所提出的CNN-Transformer交互模型能够有效地通过肾脏超声影像进行IgA肾病病理分级，准确率达到0.842，灵敏度达到0.833，特异性达到0.876，AUC达到0.931，优于多个现有超声影像深度学习方法。

关键词：IgA肾病,超声,深度学习,混合模型,双向交互,自适应融合