作者：何惠欣，周海鹰，川北医学院附属医院放射科

慢性肾脏病（chronic kidney disease，CKD）是一种慢性进展性疾病，以肾脏功能逐渐丧失为主要特点，最终可能导致肾功能衰竭，常见病因包括糖尿病、高血压、慢性肾炎等。其发病率逐年上升，已成为一种全球性的健康问题，给病人、家庭以及社会带来了沉重的负担。早期诊断、准确评估肾脏损伤程度对于CKD 的治疗和预后具有重要意义。肾活检是诊断和评估CKD 的金标准，但创伤性和技术复杂性限制了其临床应用。

临床上常用估算肾小球滤过率来评价肾功能，但该方法具有一定局限性，其评估方程的适用性存在差异，会受性别、种族等较多因素的影响，并且对肾功能评估具有一定延后性，不能反映早期轻微肾损伤。近年来，一些研究运用影像组学技术深度挖掘医学影像中人眼无法识别的定量特征，构建模型对CKD 进行诊断及评估，并展现出较大的潜力。本文就基于超声、MRI、CT 的影像组学在CKD 诊断及评估中的应用进展进行综述。

1. 超声影像组学

超声作为一种无创性、无辐射的检查手段，常用于CKD 的评估和随访。超声影像组学基于肾脏超声影像，提取包括肾脏形态、回声纹理等在内的多种特征，为CKD 的诊断和评估提供了丰富的信息。大量研究表明基于超声的影像组学有助于CKD的诊断及评估。Su 等联合基于二维超声影像的影像组学特征和血生化指标，分别采用K 最近邻、支持向量机和逻辑回归分类器构建早期糖尿病肾病（diabetic nephropathy，DN）诊断模型，结果显示，所有模型在训练集和测试集中的受试者操作特征曲线下面积（AUC）均＞0.84，具有良好的诊断效能。

谌典等回顾性分析了199 例CKD 病人的超声和临床数据，分别建立了临床+超声特征、影像组学、临床+超声特征+影像组学3 种模型来预测CKD 病人肾功能损伤程度，结果显示采用支持向量机算法构建的临床+超声特征+影像组学联合模型的AUC 为0.822，高于临床+超声特征模型（AUC=0.722）和影像组学模型（AUC=0.800），表明超声影像组学可有效预测CKD 病人肾功能损伤程度，联合临床特征可进一步提高其预测效能。

此外，Qin 等首次应用超声影像组学无创评估IgA 肾病的新月体状态，其建立的临床-影像组学列线图在测试队列中的AUC、准确度、敏感度和特异度分别为0.862、78.1%、86.4%和72.8%，可较准确地评估IgA 肾病中有无新月体，指导临床治疗策略的选择。但上述研究均为单中心回顾性研究，样本量有限，并且均是基于单模态的常规二维超声影像提取影像组学特征，不能反映肾脏硬度、血供等信息，存在一定的局限性。

与传统影像组学相比，深度学习可以自动从大量数据中学习并提取大量高阶的深度特征，更充分地挖掘影像信息。深度学习及其与传统影像组学的结合可以进一步提高影像组学模型的准确性和鲁棒性。Lee 等利用深度学习算法从超声影像中提取特征建立CKD 预测模型，其平均AUC 达到0.88，敏感度、特异度及准确度分别为86.1%、77.5%、81.2%，预测效能优于传统机器学习模型（平均AUC、敏感度、特异度及准确度分别为0.81、78.2%、71.5%、74.4%）。

Tian 等分析了110 例不同阶段的CKD 病人和30 例非CKD 病人的1 456 张肾脏超声影像，开发了深度学习与影像组学联合模型诊断CKD，结果显示该模型对G1~G3 期CKD 的诊断效能（AUC 分别为0.781、0.880、0.905）明显高于超声科副主任医师（AUC 分别为0.506、0.586、0.796）。Kuo 等的研究结果与之相似，进一步表明深度学习联合影像组学有助于提高模型对CKD 的诊断效能。

此外，有研究基于超微血管成像，联合深度学习及传统影像组学开发了一种新型模型诊断IgA 肾病，该模型在训练集和测试集中的AUC 分别为0.920 和0.884，诊断效能优于单一的深度学习模型和影像组学模型，为IgA 肾病的诊断提供了新的工具，具有良好的临床实用性，但是该研究样本量较少且缺乏外部验证，模型的可信度和泛化性尚需大样本的多中心研究进一步证实。除肾功能外，肾脏纤维化程度在CKD 的进展和疗效评估中也至关重要。

Ge 等纳入150 例CKD病人，以肾活检为金标准，基于肾脏二维超声和声触诊弹性成像的影像组学特征及临床特征构建模型预测肾脏纤维化严重程度，构建的影像组学-临床联合模型在区别轻度与中重度肾纤维化、轻中度与重度肾纤维化中的AUC 分别为0.91 和0.93，证实了超声影像组学联合临床特征区别不同严重程度肾脏纤维化的能力。然而，Wan 等对相关研究进行系统评价及Meta 分析发现，超声影像组学诊断肾脏纤维化的敏感度为69%，而直接使用超声的敏感度为81%，后者显示出更好的准确性，表明超声影像组学诊断肾脏纤维化虽然具有一定的可行性，但目前的影像组学方法并不完善，仍需要继续探索更优化的人工智能算法和技术。

2. MRI 影像组学

MRI 及功能MRI 技术不仅可反映肾脏形态学的变化，还能无创、活体评估肾组织的微观结构及功能改变，在CKD 的诊断和评估中具有重要的价值。近年来，基于MRI 影像的影像组学，在CKD 的诊断和评估中也展现出较大的潜能。王思远等研究显示基于T2WI 影像构建的影像组学模型对诊断早期DN 具有较高的效能，在训练集及测试集中的AUC 分别为0.892 及0.765，但该研究样本量较小（105 例），所得结果尚需进一步证实。

Wei等纳入120 例CKD 病人，基于天然T1 mapping 影像构建影像组学模型评估肾功能和肾纤维化，结果显示，在验证队列中，模型评估肾脏功能有无受损及受损程度的AUC、准确度分别为0.891、88.9%和0.860、80%，评估有无肾脏纤维化及纤维化程度的AUC、准确度分别为0.936、97.2%和0.877、72.4%。

Liang 等研究显示，基于多反转脉冲空间标记序列的定量直方图参数结合肾皮质厚度构建的联合模型区分轻度肾损伤病人和正常肾功能者的AUC 为0.753，区分轻度肾损伤和中重度肾损伤病人的AUC为0.931，表明该技术可作为评估肾功能不全的补充手段。该研究还表明，与肾脏髓质直方图参数相比，皮质直方图参数在评估肾功能方面更有价值。然而，基于单一MRI 序列影像的影像组学对CKD 微观特征的识别可能存在一定的限度。

近年来，越来越多的研究通过整合不同MRI 序列的多维影像组学信息，以期提高模型的准确性及鲁棒性。Yu 等基于T1WI、T2WI 脂肪抑制序列和表观扩散系数图的纹理特征建立模型诊断早期DN，结果显示，联合模型具有较高的准确度（92.8%）和特异度（96.5%），AUC 为0.98，优于基于单序列的影像组学模型，从而表明整合多序列MRI 影像的影像组学模型可提高模型的诊断效能。

Hara 等使用了6 种分类方法，探讨基于T1WI、扩散加权成像（DWI）以及血氧水平依赖（BOLD）成像序列影像的肾脏纹理分析对肾功能不全的评估效能，结果显示，使用带有rbf 核的支持向量机分类器构建的联合模型评估效能最高，AUC 为0.890。

Chen 等联合基于T2WI 影像的肾脏纹理特征和肾脏BOLD、DWI 的定量参数构建多模态模型，评估DN 病人肾功能受损和肾脏纤维化程度，结果显示，联合模型评估正常肾功能、非重度肾功能损伤以及重度肾功能损伤的AUC 分别为0.850、0.809 和0.961，评估效能优于基于T2WI影像纹理特征的影像组学模型（AUC 分别为0.688、0.736 和0.733）。

由此可见，基于多参数MRI 影像的影像组学模型可全面整合不同MRI 序列影像，有助于提高模型效能，在CKD 诊断与评估中具有良好的前景。但现有的研究多为单中心研究，样本量较小，结果的可重复性和准确性有待进一步探究。此外，Nagawa 等基于T1 加权同相位、反相位、水相影像开发三维卷积神经网络模型对CKD 严重程度进行分类，研究显示，基于双侧肾脏同相位影像构建的模型效能最佳，AUC 和准确度分别达0.936 和0.862，表明MRI 深度学习在CKD 严重程度评估方面具有一定的价值。但是，目前基于MRI影像的深度学习在CKD 诊断及评估方面的研究较少，其适用性尚未得到充分验证，该领域可成为未来研究的一个重要方向。

3. CT 影像组学

在CKD 的诊断与评估中，基于CT 影像组学的研究相对较少，这可能与CT 存在电离辐射和对比剂对肾脏存在潜在损伤有一定的关系。Amiri 等运用CT 影像组学预测辐射诱导的CKD，研究显示采用随机森林算法构建的模型准确度和AUC 分别为94%和0.99，具有较高的预测效能。

Choi 等研究表明，基于CT 影像的纹理特征可有效反映肾纤维化的组织病理学变化，基于它们构建的机器学习模型预测肾纤维化的AUC 高达0.89，但是该研究为单中心小样本研究，感兴趣区采用手动勾画，研究结果的可重复性和可靠性有待进一步验证。为提高肾脏分割的效率和可重复性，Luo 等基于增强CT 影像利用人工智能开发了一个三维神经网络自适应框架模型，该模型在肾脏实质和皮质自动分割方面表现出较高的准确性（平均Dice 相似系数分别为93.53%和81.48%），显著减少了手动分割的时间和工作量，为后续的定量分析提供了可靠的基础。此外，CT 影像组学在识别慢性肾病相关并发症中也具有一定的潜力。Yu 等利用CT 影像组学构建模型诊断CKD 钙化防御，模型的AUC 达0.93，具有较好的诊断效能。

4. 小结与展望

在CKD 的诊断和评估中，基于超声、MRI、CT的影像组学展现出较大的潜力和广阔的应用前景，但在实际应用中仍面临一些挑战。首先，既往研究大多是回顾性、单中心、小样本研究，即使模型在训练集上表现良好，对其他样本集的泛化能力也仍然有限，未来需要更多的前瞻性、多中心、大样本研究，以确保研究结果的普适性和可靠性。其次，影像组学仍处于临床前阶段，缺乏标准化方法，影像组学特征重复性和稳定性较差，因此制定标准化的影像采集和分析流程将有助于提高影像组学在临床应用中的一致性和可重复性，这在未来的多中心临床研究中尤为重要。

此外，目前多数研究均采用手动分割方法进行肾脏分割，受操作者的影响较大，未来可借助肾脏自动分割模型的开发和应用提高分割的准确性和可重复性。最后，从单模态肾脏影像中提取的特征尚不足以精准评估CKD，整合多模态影像组学以及多组学技术将是未来研究的方向。

来源：何惠欣,周海鹰.影像组学在慢性肾脏病诊断及评估中的研究进展[J].国际医学放射学杂志,2025,48(02):198-202.DOI:10.19300/j.2025.Z21944.