人工智能在慢性肾脏病中的应用研究进展

　　【摘要】近年来，随着计算机硬软件技术以及互联网信息的高速发展，人工智能(AI)作为当今研究的热点领域，已被广泛应用于临床医学，在疾病诊断、疾病风险及预后预测显示出了良好的应用前景。慢性肾脏病(CKD)的患病率在全球范围内持续上升，提高诊疗、改善预后一直以来都是广大医务人员工作的重点及难点。本文就AI在慢性肾脏病的研究及应用进行综述，为慢性肾脏疾病的高效化、精准化诊疗提供可行手段支持。

　　【关键词】人工智能;慢性肾脏病;辅助诊断;风险评估

　　目前，慢性肾脏病已成为已经成为全球公共卫生问题。随着人口老龄化及糖尿病、高血压、高尿酸等危险因素的增加、生活方式的不合理化转变以及感染、免疫等多种因素，使得人群中慢性肾脏病患病率显著增高。据一项调查显示，慢性肾病3期(CKD3期)患者的年花费约为1205美元，CKD4期患者个人的年花费约为1963美元，CKD5期患者的年花费约为8035美元，血液透析患者的年花费约为34554美元[1]，给个人及社会带来了巨大的负担。

　　因此提高对慢性肾脏疾病的诊断及治疗水平，就有可能延缓慢性肾脏病进展，减少终末期肾病的发生，减轻个人、家庭、社会的经济压力和医疗负担。而慢性肾脏病病种繁多、病情迁延，对慢性肾脏病的精准诊疗存在着一定难度。随着AI技术的不断发展，“人工智能+医疗”模式在临床疾病的预防、诊断、治疗、管理等方面的应用价值及发展空间得以显现[2-3]。本文主要简述了AI在慢性肾脏病中的应用和研究进展，为提高慢性肾脏病的诊疗提供有力的帮助。

　　1.人工智能(AI)的概述

　　AI是计算机领域的一门前沿技术学科，包括理论、方法、技术及应用系统，主要研究开发能够模拟、延伸和扩展人的智能的机器，使其能够模仿人类思维和行动[4-5]。AI涉及语音图像识别、自然语言处理、专家系统、机器人等多个领域，具备从医疗大数据中发掘、转化信息及自我演算发展的能力。AI主要通过机器学习来实现，而深度学习是一种实现机器学习的主流技术，一种在数据的基础上进行表征学习的方法[6]。有别于传统计算机技术，AI 在其基础上通过模拟人类的学习、推理过程，结合计算机高效的信息处理系统，在原有知识的基础上进行自我学习和整合，最后将新知识加以利用。

　　在图像识别领域，深度学习的代表算法是深度卷积神经网络(DCNN)[7]，它是一种基于高级动物视觉认知模型而延伸出的网络计算模式，因其独特的多层次结构连接，在提取和处理图像时具有更高的效率，可以辅助临床工作者做出更为精确的诊断(包括影像及病理诊断)。在设计建立医学模型方面，AI依靠计算机技术学习复杂的、非线性相关的变量，在一定程度上弥补了传统的简单化设计模型的局限性，并且相较于人脑的思维，可减少变量与预测观察终点间的错误率，甚至可以识别未被证实的从其他变量中推导出来的变量，对评估和预测疾病的风险及预后更为准确[8]。因此，AI在疾病诊断、风险评估具有重要价值。近年来，AI发展迅猛，在医学领域[9]，如医学影像、药物研发、病理学等领域取得突破性进展，在慢性肾脏病领域的中的作用也得以显现。

　　2AI在慢性肾脏病中的应用

　　2.1辅助诊断

　　2.1.1影像学诊断AI在医学影像中的应用

　　主要体现通过对影像大数据进行发掘、搜索和提取，将医学图像和计算机图像处理相结合，对病灶特征进行量化和判断，帮助临床医生能够及时、准确地识别和分析病变[10]。在肾脏病领域，KUO等[11]学者开发了一个利用肾脏超声图像来自动评估肾小球滤过率(eGFR)和CKD状态的模型，通过利用肾脏超声图像测量肾脏长度，由此转换为成eGFR，与利用血清肌酐所计算出来的eGFR，两者的相关系数为0.74。若是以此模型计算出的eGFR<60mL·min-1·1.73m-2判定为CKD状态，则模型对CKD状态的判断准确率为85.6%;而让4位经验丰富的肾脏病学家通过这些肾脏超声图像对CKD状态进行判断的话，准确率只有60.3%～80.1%。

　　这突破了传统的超声图像仅作为一种形态检查工具这一观点，表明AI在肾脏超声图像的扩展应用方面很有前景，为肾脏超声图像辅助诊断评估CKD提供新的思路。常染色体显性多囊肾病(ADPKD)是肾脏最常见的遗传性疾病，其特点是肾囊肿的进行性发展导致肾脏进行性增大，常伴有肾功能下降，而肾脏体积大小和增长率是该疾病进展的指标。通过AI技术，有学者开发了快速、可靠的测量肾脏体积的定量方法，对研究ADPKD的疾病进展具有重要意义[12]。此外，AI技术在肾脏肿瘤的研究中也显现出了重大价值，能够帮助临床工作者鉴别肾脏良恶性肿瘤[13-14]，在传统影像学的基础上可以提高诊断效能，为临床决策提供指导意见，改善患者就诊的流程，避免不必要的诊疗。

　　2.1.2病理诊断

　　肾脏病理检查是肾脏疾病诊断的金标准，不仅有助于疾病的诊断，而且其准确率、病变进展程度的判定直接影响制订后续治疗方案以及评估临床预后等。

　　在2016年，NatureCommunication杂志报道了一项研究，该研究表明可通过数字病理切片的分析对肺癌患者进行危险分层，可预测患者的预后[15]，此后人工智能成为在组织病理学领域的研究热点。对于肾脏疾病的分类，往往依靠病理学家根据对患者肾脏活组织检查的视觉评估来进行，但是视觉评估结果可能因病理学家而异，存在可变性而且具有不可重复性。机器学习算法有可能实现自动化并提高分类的准确性，可以减轻病理学家的工作量，也具有精确、细致的优点。GINLEY等[16]研究人员研发了一种用于检测糖尿病肾病(DN)严重程度而无须人为干预的计算方法，将传统的图像分析与现代的机器学习模式相结合，在微观水平上检查患者肾活检的数字图像，并提取患者所有活组织的肾小球的信息，并将其纳入最终分析中。

　　研究人员使用他们的方法对54例患有DN的患者的活检样本进行数字分类，并发现数字分类与3名不同病理学家的数据分类基本一致。此外，有学者将卷积神经网络用于识别正常或者受损的肾小球，平均精确度可达96.94%，对于肾小球疾病的诊断及鉴别诊断有重要意义[17]。卷积神经网络模型还被应用于定量评估肾活检组织中肾间质纤维化程度以及肾小管萎缩程度，同时结合患者尿蛋白水平和血清肌酐水平，对患者慢性肾脏病状态的预测优于病理学专家所做出的预测[18]。

　　HERMSEN等[19]的研究中，应用卷积神经网络模型来准确分析肾移植健康和患病组织，通过产生高度准确和可重复的数据表征疾病过程可促进对肾移植的研究，从长远角度来看这可以改善对移植患者的诊断，进而改善器官生存。上述这些研究将为人工智能自动识别肾脏组织病变并进行高效诊断奠定基础。

　　2.2疾病风险评估

　　2.2.1IgA肾病IgA肾病是我国最常见的原发性肾小球肾病，据调查显示约20%~40%的IgAN患者在确诊后的10~20年内会进展至终末期肾脏病(ESRD)。因此早期预测ESRD风险具有重要意义。LIU等[20]学者回顾性分析了262例经活检证实的IgAN患者，利用AI来预测IgAN患者的ESRD状态。该预测模型显示，Oxford-MEST评分、C3染色和eGFR是预测中国IgAN患者ESRD状态的重要指标。更有CHEN等[21]学者利用常规数据(包括人口统计学资料、临床和病理数据)开发了一个预测模型，将机器学习算法与患者生存分析相结合，对IgAN疾病进展的风险进行分层，为进行早期干预提供依据。

　　2.2.2DN

　　DN是糖尿病患者最重要的微血管慢性并发症之一，也是糖尿病患者死亡的主要原因。因此早期识别危险因素，对DN风险进行分层，是改善患者预后的关键。

　　LEUNG等[22]在2013年采用基于机器学习和数学模型的多阶段策略对119例DN患者和554例非DN2型糖尿病患者的基因型-表型风险模式进行预测，该研究发现年龄、诊断年龄和血脂是主要的临床预测因子，而炎症和脂质代谢相关的遗传多态性则是最主要的遗传预测因子。MAKINO等[23]以64059例糖尿病患者的电子病历(EMR)为基础，采用人工智能技术，构建了一个新的具有3073个特征的DN预测模型。AI预测DN加重的准确率达到了71%。此外，该模型显示在10年间，DN进展组的血液透析发生率显著高于非进展组(n=2900)。AI新的预测模型可以检测DN的进展情况，有助于更有效、更准确地干预DN进展，减少患者进入血液透析阶段。

　　2.3CKD并发症

　　随着CKD的进展，会导致代谢性酸中毒、高钾血症、矿物质骨病、高磷血症、高血压、高尿酸血症、肾性贫血等多种并发症，这些并发症会加快CKD的进展，使之成为一恶性循环。

　　因此，对CKD并发症的早期诊治对改善CKD预后尤为重要。AI在CKD并发症的早期预警中也有相关研究。GALLOWAY等[24]仅使用2根心电图导联建立一个深度学习模型来检测肾病患者的高钾血症，AUC为0.853~0.883。但这项研究是回顾性的，所以需要前瞻性研究来检验。而且该模型特异性低，假阳性率为42%，由此可能会引起肾病患者的焦虑。肾性贫血是CKD患者常见的主要并发症之一，是导致慢性肾脏病患者死亡率倍增的重要原因之一。2016年的中国透析结果和实践模式研究(中国的DOPPS)显示，CKD患者贫血的患病率为21%[25]。

　　贫血可增加心脏负荷，引起心脏扩大和肥厚，引起心力衰竭和心肌梗死，增加死亡风险。肾性贫血的主要原因是促红细胞生成素(EPO)缺乏，此外还有尿毒症患者血浆中的一些毒性物质通过干扰红细胞的生成和代谢。外源性EPO(ESA)及铁剂是目前主要的治疗手段。但一项荟萃分析显示，ESA剂量使用不当，血红蛋白(Hb)水平过高或增长过快，会增加CKD患者的死亡风险，且此不良反应与ESA剂量相关[26]。因此，制订个体化的ESA剂量对提高疗效及减少药物不良反应有着重要意义。早年间，已有专家学者对CKD患者ESA个体化剂量进行研究。

　　2015年，BARBIERI等[27]使用机器学习(多层感知器，MLP)和线性模型(用于预测ESA治疗反应)利用近17份临床数据(包括患者基线特征、实验室检查、透析参数以及ESA和铁剂的使用剂量)，建立了一个贫血控制模型(ACM)，用以预测Hb浓度并推荐合适的ESA剂量。随后该研究团队通过一项对752例患者的为期24个月的回顾性研究，来评估ACM的准确度[28]。结果显示，与传统治疗相比，运用ACM，Hb达标率明显上升(70.6%～83.2%)，Hb的波动度明显减小[(9.5±4.1)～(8.3±3.3)g/L;P<0.001]，而ESA消耗量显著降低(每月0.63～0.46mg/kg)。该模型有助于改善血液透析患者的贫血结局，使ESA剂量最小化，并有可能降低治疗成本。

　　不足的是，该模型仅适用于血液透析患者，应进行更多的试验，以验证透析前和腹膜透析患者贫血治疗的有效性。慢性肾脏疾病矿物质与骨代谢紊乱(CKD-MBD)是ESRD患者的另一种常见的严重并发症，除了表现为继发性甲状旁腺功能亢进、矿物质与骨代谢异常之外，还可引起心脑血管钙化，导致患者心脑血管死亡率及全因死亡率增加。血清磷酸盐(P)、钙(Ca)、甲状旁腺激素(PTH)3个指标存在相互关系，但关系是非线性的，使用传统的统计方法在分析变量之间的关联时存在局限性。

　　运用机器学习模式可能提高分析能力。PODRIGUEZ等[29]应用机器学习模式研发了一个1758例血液透析患者数据分析系统，量化上述3个参数之间的关联程度，与传统统计方法相比，新模型的预测能力显著提高。该模型的建立，为临床上控制监测钙磷代谢紊乱以及调控药物剂量提供新的方式。

　　人工智能论文范例： 2020年人工智能领域科技发展综述

　　3小结

　　人工智能技术发展迅速，在医学领域已有重大突破，毫无疑问，这种技术将为肾病医师处理庞大的医学大数据提供了可行的办法，并且可以提高临床医生的工作效率，使其更高效、准确地完成临床实践工作，为实现精准医疗奠定技术基础。随着我国慢性肾脏病发病人数的持续增长，庞大的慢性肾病患病人群与目前分布不均衡的医疗资源配置矛盾也随之显现。

　　通过人工智能技术，提升诊疗效率及质量，更好地解决医疗资源短缺问题。然而，人工智能目前还面临着数据信息化程度不一致、数据质量参差不齐[30]、缺乏不同中心的统一标准、缺乏科学验证、数据的安全性、隐私性[31]等多重挑战。将人工智能应用于肾脏疾病还需要更多的研究。但相信随着AI技术的不断发展成熟及医学、法律等各领域专家的深化交流，AI在肾脏病领域的应用逐步完善，为慢性肾脏疾病的高效化、精准化诊疗做出更大贡献。

　　参考文献

　　[1]KIMSH,JOMW,GODS,etal.EconomicburdenofchronickidneydiseaseinKoreausingNationalsamplecohort[J].JNephrol,2017,30(6):787-793.

　　[2]王宇飞,孙欣.人工智能的研究与应用[J].信息与电脑(理论版),2016,5:115-117.

　　[3]JIANGF,JIANGY,ZHIH,etal.Artificialintelligenceinhealthcare:past,presentandfuture[J].StrokeVascNeurol,2017,2(4):230-243.

　　[4]MORTAZAVIBJ,DOWNINGNS,BUCHOLZEM,etal.Analysisofmachinelearningtechniquesforheartfailurereadmissions[J].CircCardiovascQualOutcomes,2016,9(6):629-640.

　　作者：白玉环综述,廖晓辉△审校