作者：李寒笑，曾甜，邢雨，朱好辉，河南省人民医院超声科

慢性肾衰竭(chronic renal failure， CRF)已成为威胁生命健康的主要疾病之一。目前我国慢性肾脏病(chronic kidney disease， CKD)患病率约为8.2%，CRF占其中1.8%，且呈逐年上升趋势。因对此病认识不足，使许多患者在CRF早期未能接受及时有效干预，导致总体预后不良。

我国CKD知晓率仅约12.5%，很多CKD患者就诊即需透析，为防治CKD带来巨大挑战。早期诊断CKD、延缓疾病发展是改善CKD患者预后的关键。当前人工智能(artificial intelligence， AI)在医学影像中的应用进入高速发展阶段，机器学习(machine learning， ML)为其核心；该技术具有良好的处理数据、分析图像及识别特征等功能，且不受主观因素干扰，能更准确地判断异常，有助于提高诊断准确性，以及预测疾病发展趋势和预后。

1. ML概述

ML通过对大量数据进行分析而以计算机模拟或实现人类学习活动。根据训练模型方式，ML可分为监督学习、半监督学习和无监督学习。监督学习指通过学习带有标注的数据集和相应的输出结果，寻找输入数据与输出数据间存在的某种映射关系，常用于构建预测疾病风险模型；常见算法包括决策树、支持向量机(support vector machine， SVM)、K-近邻算法、随机森林及朴素贝叶斯等。

无监督学习指通过分析不带标注大样本数据实现对样本的分类、揭示数据间潜在内在联系，如于丰富组学大数据中自动提取分子特征，发现新的发病机制、基因型或表型等；常用算法有聚类和降维等。半监督学习将监督学习与无监督学习相结合，可从大量无标注信息及少量带标注信息的数据集中提取信息，以提高整体效率。利用不断增长的医学大数据库构建ML模型可辅助诊断、协助干预及改善预后。

深度学习(deep learning， DL)为ML子领域，利用深层神经网络对信息进行表征，可无限逼近复杂函数以获取数据的原始特征，能实现机器自主学习并提取数据特征，可取代人工提取数据特征的传统方法，使学习效率大幅度提升，已用于包括自然语言处理、图像识别及语音识别等多个领域。

DL含多个隐藏层，通过组合低层特征形成更加抽象的高层特征以表示属性类别等特征而实现端-端学习，可避免传统学习算法对人工定义及描画ROI的依赖，保真学习人眼无法分辨的抽象信息，非常适用于影像组学等大数据研究，为当前最具应用前景的AI算法之一，也是医学影像学发展的关键技术。

作为DL算法之一，卷积神经网络(convolutional neural network， CNN)的基本架构由卷积层、池化层及全连接层组成，可直接以图像等数据作为输入，通过卷积、非线性变换、池化等步骤及重复提取图像中的复杂特征、并对所获特征进行拼接及添加权重等处理，得到各分类概率及最终分类结果。

2. ML用于CRF

2.1 CKD进展

近年为早期诊断CRF而开发出多种预测模型。传统预测模型多基于患者年龄及实验室检查等临床常规数据建立，大多预测能力有限，且难以准确预测并发症或疾病进展风险。例如，传统logistic回归模型可通过回归系数在一定程度上反映各预测变量对结局的影响，并进行相应量化评分，以简化评估过程，多须假设各观测指标之间相互独立、且预测变量间无多重共线性，难以识别数据的非线性关系；而CRF是复杂的全身疾病，常伴各种全身并发症，多种因素均可影响其疾病进展，导致仅以logistic回归模型等传统模型预测CRF患者预后可能出现较大偏差。

通过DL将实验室检查指标纳入预测模型，可准确量化预测因子。DIMITROV等针对参与雷米普利肾病疗效研究的344例CKD患者，以贝叶斯决策树分析量化预测因子的相对重要性，结果显示血清肌酐浓度升高、24 h尿微量白蛋白排泄率和血清钙磷乘积为CKD进展为终末期肾病的3个最强独立预测因子，提示综合运用回归分析和概率模型可预测CKD个体进展为终末期肾病的风险。

相比传统的标准回归模型，ML可利用大量临床信息对标记信息进行记录、学习，更灵活地应对复杂的预测问题；利用ML模型能有效预测个体疾病进展与不良事件发生的风险。BELLOCCHIO等收集费森尤斯医疗保健肾脏护理网络中接受治疗的17 775例CKD患者病历资料，基于朴素贝叶斯分类器训练得到CKD预后推理系统并对其加以验证，发现该系统可较为准确地预测3～5期成人CKD患者短期(6个月)及长期(24个月)疾病进展及发生CRF风险。

2.2 发生不良事件风险

肾脏替代治疗(renal replacement therapy， KRT)包括肾移植和透析，为临床常用治疗CRF方式；其中的透析又可分为血液透析和腹膜透析。KRT可帮助患者排除体内代谢物，维持机体酸碱平衡、稳定机体内环境，满足机体对肾功能及电解质的需求，提高其心血管稳定性；但可能导致临床并发症。既往研究表明，通过人工神经网络能在患者接受KRT治疗前提示其发生不良反应的风险，有助于实现“精准医疗”。

CRF患者肾脏代谢功能存在异常，体内水分不能正常排出而致血容量过多、心脏负担加重；肾脏功能不全还可引起血液中的尿素氮及肌酐等成分水平升高、造成心肌细胞损伤，进而发生心脏结构重塑并影响其功能，增加发生心力衰竭等不良事件的风险，严重时可致患者死亡。

RANKIN等针对美国肾脏数据系统中于2008—2017年间开始透析的CRF成年患者队列，以梯度提升决策树算法建立极端梯度提升(extreme gradient boosting， XGBoost)模型，预测透析开始后90天内患者死亡率，共纳入188个已知可预测早期死亡率的候选预测因素，分别基于完整案例数据及多重插补数据训练集得到2个XGBoost模型，并以c-统计量评估其对相应测试集的预测能力，及其在按年龄、性别、种族和透析方式分层划分的亚组中的表现，结果显示XGBoost模型具有较好校准度和区分度，可较为准确地预测早期透析阶段死亡风险，且在重要亚组中亦有较为良好表现。

2.3 诊断CKD及分期

ML可通过高性能图像识别及计算能力分割病变区域、实现疾病分类。KLINE等以ML算法建立的完全自动化分割模型可从众多肾脏MRI中准确识别及分割多囊肾图像；KLINE等基于ML算法以肾脏MRI纹理特征建立多元线性回归模型，与结合身高的总肾容积影像学指标相比，该模型能较为准确地预测CKD发生及进展，并对患者预后进行分类。

常规超声具有实时显像优势，可动态观察肾脏及其周围组织并进行多普勒血流成像。利用计算机辅助诊断系统(computer aided diagnosis， CAD)可提取肾脏超声图像中肉眼无法发现的信息，包括肾脏病变初期弥漫性实质回声改变及肾脏局灶性病变所致异常回声等，部分ML诊断系统可通过分析肾脏超声图像而识别CKD相关纤维化沉积和肾脏损伤。

SHARMA等分析19例肾病患者、239幅肾脏灰阶超声图像，所获基于灰度共生矩阵(grey-level co-occurrence matrix， GLCM)特征向量组合及SVM分类器的决策支持系统可准确区分正常与肾病肾脏，但其分类器仅能提示肾脏超声图像有无异常而无法进一步分类，且仍需要人工手动勾画ROI，而不能直接对未经处理的超声图像进行准确分类。

对CKD进行准确分期是临床分级治疗的关键。CHEN等基于拥有决定性面积占比的肾脏超声图像纹理特征及SVM技术提出了无创分期诊断CKD方法，利用该法可基于超声图像识别高危CKD患者。

3. 前景与局限性

基于ML的医学影像处理技术具有较好的图像识别及计算能力、高度自我学习能力且性能稳定等优势，能够完成提取影像特征、检测病灶位置及分割病灶等工作并逐渐用于临床，如筛查肾脏肿瘤、乳腺癌及诊断前列腺癌等。此外，利用ML技术还能挖掘图像深层信息，在大量影像学数据中筛查及分类检出少数阳性病例，辅助定量诊断，为临床提供更丰富的影像学诊断指标，有效提高诊断客观性及诊断效率。

近年多种辅助筛查诊断系统已逐步进入临床，如以乳腺AI自动检测系统基于乳腺超声诊断乳腺良、恶性结节，以基于DL的AI系统快速测量标准髋关节超声平面中的相关指数等，而基于ML等AI技术监测CKD及预测CRF的研究相对较少，未来有必要基于ML等进一步评估CKD分期、缩小科学研究与临床应用的差距。

以ML技术预测CRF发生风险对患者健康管理具有重要作用，但目前存在以下问题：①相关临床研究仍较少，且样本量大小不一，对于ML是否具有普遍性优势仍需进一步观察；②不同研究之间，在设计、算法及内容等方面存在异质性；③图像质量可能影响ML，导致无法识别等问题。

4. 小结

随着ML技术不断优化，将其与日渐标准化的临床数据和影像学图像相结合建立诊断CRF及预测风险模型有助于制定个性化治疗方案，降低CRF发生及相关死亡率。

来源：李寒笑,曾甜,邢雨,等.机器学习用于慢性肾衰竭研究进展[J].中国医学影像技术,2024,40(04):614-617.

(本网站所有内容，凡注明来源为“医脉通”，版权均归医脉通所有，未经授权，任何媒体、网站或个人不得转载，否则将追究法律责任，授权转载时须注明“来源：医脉通”。本网注明来源为其他媒体的内容为转载，转载仅作观点分享，版权归原作者所有，如有侵犯版权，请及时联系我们。)