AI在肾脏疾病领域的新进展：视网膜成像、住院风险与狼疮性肾炎

人工智能正越来越多地应用于肾脏疾病诊疗领域，最新研究展示了AI通过视网膜图像预测糖尿病肾病、识别即将面临住院风险的血液透析患者，以及推进狼疮性肾炎诊断与治疗的能力。这些发现来自在医学会议上展示并发表于同行评审期刊的研究。

根据在2026年5月3日至7日于科罗拉多州丹佛举行的视觉与眼科研究协会（ARVO）2026年会上公布的研究结果，一种基于视网膜图像的深度学习系统（DeepDKD Plus）能够准确预测糖尿病肾病（DKD）的发生和进展，其表现优于传统临床模型。这项回顾性、多中心研究开发了DeepDKD Plus，以执行两项任务：预测5年DKD发生率（定义为估算肾小球滤过率（eGFR）降至<60 mL/min/1.73 m²或ACR >30 mg/g）——适用于肾功能保留的人群；以及预测5年DKD进展（定义为eGFR下降≥40%或肾衰竭）——适用于已有肾脏疾病的患者。

该模型使用来自5558名中国糖尿病患者的11,116张视网膜图像进行训练，随后在中国、墨西哥和英国的五个多民族队列（n=13,935）中进行了内部验证和外部验证。在预测5年DKD发生方面，DeepDKD Plus在内部测试中显示出强大的区分能力，曲线下面积（AUC）为0.814（95% CI，0.789–0.838），超过了临床元数据模型的表现（AUC为0.760；95% CI，0.733–0.786；P<.001）。当视网膜成像与临床变量结合时，性能进一步提高，AUC达到0.828（95% CI，0.804-0.850）。在外部队列中，深度学习模型保持了稳定的准确性，AUC范围为0.722至0.797，而基于元数据的方法为0.676至0.735。在预测5年DKD进展方面，DeepDKD Plus的内部AUC为0.762（95% CI，0.732–0.788），再次优于元数据模型（AUC 0.712；95% CI，0.684–0.743；P<.001），而组合模型的AUC达到0.797（95% CI，0.772–0.820）。外部验证结果相似，DeepDKD Plus的AUC介于0.726和0.772之间，而单独使用临床模型的AUC为0.656至0.731。

在另一项进展中，AI驱动的机器学习模型可能识别出7天内因感染或体液状态相关异常而面临住院风险的血液透析患者。一家大型透析组织采用了两种即将住院预测模型（IHPMs）——一种针对体液超负荷，一种针对感染——以识别在中心血液透析治疗后可能住院的患者。这些模型整合了透析电子病历和保险理赔数据，每种模型都生成一个风险评分（范围：0-1），风险评分阈值≥0.64预测即将住院。对于高评分患者，个案管理护士会查看评分最高的前5个原因以及显示在仪表板上的临床数据。根据评估，护士可以安排干预措施，包括体液管理（例如，重新评估干体重、延长或增加透析次数）；药物审查（例如，开始、停用或调整抗生素或利尿剂等治疗）；专科转诊；实施临床治疗算法（例如，贫血管理、营养补充、血管通路监测）；以及其他支持性护理（例如，转介社区资源、交通、家庭健康、行为健康或移植评估）。研究人员研究了10,294名患者，共提供83,928个风险评分。AI驱动的干预使住院几率显著降低8%（OR 0.92；P=.025），其中远程护士管理护理降低7%，诊所管理护理降低9%。该研究结果发表在NEJM Catalyst上。

AI在狼疮性肾炎（LN）领域也显示出前景。一篇关于LN诊断和治疗最新进展的全面综述，重点关注AI和机器学习技术的应用，发表在《柳叶刀》上。肾活检被认为是诊断的金标准工具；然而，由于该操作的侵入性，只应考虑适合的候选人。源于人类局限性的观察者变异是一个问题，而肾活检分析的数字化可以提高判读的准确性。当与AI和ML结合时，可以识别亚组诊断的细节，从而增强治疗路径的个体化。研究人员提到了一种新型球形进化算法——基于二元粗糙超体积结合分组智能采样（bRGSE），在区分增殖性LN和膜性LN方面达到了96.687%的准确率和97.833%的灵敏度。

该综述还涵盖了LN的靶向生物治疗，包括靶向B细胞和浆细胞、T细胞、细胞因子以及补体级联反应的生物制剂。治疗决策可以通过基于AI的多组学数据分析来提供信息，多组学整合了来自多个生物学水平的信息，包括基因组学、转录组学、蛋白质组学和代谢组学。两个引起广泛关注的话题是靶向蛋白质降解和药物基因组学。LN治疗中的药物基因组学将用于理解遗传多态性如何影响药物代谢、疗效以及不良反应的表现。研究人员总结道，通过AI和ML在LN治疗中的应用，某一天可能实现的精准医学具有巨大的前景。

更广泛地说，根据发表在《国际分子科学杂志》上的一篇最新综述，人工智能在肾脏病学中涵盖了多种建模方法。对于以表格形式记录的医学数据（如检验结果、年龄和临床参数），逻辑回归、随机森林和XGBoost等模型表现非常好。中间方案，如多层感知器，结合了经典模型和更复杂方法的优点。最先进的模型——深度神经网络——在数据更复杂时使用，例如在医学图像分析中，并且可以识别结构和模式，无论其排列如何，这在组织病理学诊断中尤其重要。最具创新性的方向是将人工智能与现代生物学分析（如蛋白质组学或代谢组学）相结合，从而在症状出现或标准检查中发生变化之前检测到疾病的极早期迹象。正如弗罗茨瓦夫医科大学的一位教授所强调的那样：“这些方法的最大潜力在于它们能够分析大量生物数据，并识别出经典诊断中不可见的模式。在实践中，这意味着有可能在不可逆的肾脏损伤发生之前更早地检测疾病，并更好地预测其病程。”