WCN 2026：北大杨莉教授团队原创AI体系亮相国际舞台

2026年世界肾脏病大会期间，北京大学第一医院杨莉教授团队展示了其原创AI体系在肾脏病智能诊疗领域的最新成果。该体系融合深度学习、自然语言处理与临床决策支持系统，覆盖肾脏疾病从筛查、诊断到治疗随访的全流程。这一原创性工作标志着中国在肾脏病AI应用领域从“跟跑”向“并跑”乃至“领跑”的跨越，为全球肾脏病智能诊疗提供了“中国方案”。

世界肾脏日：中华医学会肾脏病学分会发布倡议书，AI首次写入官方共识

2026年3月12日“世界肾脏日”，中华医学会肾脏病学分会发布《2026年世界肾脏日倡议书》。中国工程院陈香美院士、蔡广研教授等专家在倡议中明确强调，必须“运用人工智能等新技术推动全生命周期健康管理”，并推行绿色医疗理念，减少透析对生态环境的影响。这是中国肾脏病学权威学术组织首次在官方倡议中将人工智能提升至战略高度。

肾小保入选2026中国AI智能体领航者榜单

2026年6月8日，肾脏病领域AI智能体“肾小保”入选“2026中国AI智能体领航者榜单”。该榜单由行业权威机构评选，聚焦中国AI智能体在各垂直领域的创新应用与产业落地。肾小保作为肾脏病垂直领域的代表性AI产品，其在患者教育、健康管理、用药提醒等方面的智能化服务获得行业认可，标志着肾脏病AI应用已从“模型研发”走向“产品化落地”的新阶段。

国医通发布肾病专科大模型“GYT·K”，赋能县域防治

2026年6月17日，国医通正式发布肾病专科大模型“GYT·K”，聚焦县域肾病防治新模式。该模型针对我国基层肾脏病医疗资源短缺的现实痛点，通过AI技术将优质肾病诊疗能力下沉至县域及社区医疗机构。GYT·K的发布代表着肾脏病AI从“三甲医院科研工具”向“基层医疗基础设施”的战略转型，为探索分级诊疗与AI融合的中国特色肾脏病防治路径提供了重要实践。

文献计量学分析：中国学者揭示AI在CKD领域的研究趋势

上半年，中国中医科学院西苑医院与北京中医药大学东直门医院的学者在DIGITAL HEALTH发表研究^[1]，对2005年至2025年间AI在CKD领域的888篇文献进行了系统性文献计量学与可视化分析。研究发现：AI与CKD研究自2019年起呈指数级增长，中国和美国是主要贡献国家，中山大学和加州大学系统是领先机构。研究热点已从传统的机器学习转向深度学习，聚焦于数字病理和多模态模型以改善诊断和预后。文献计量学分析表明，“深度学习的图像分析、疾病诊断、结局预测和多模态数据整合”已成为当前研究核心，而多模态融合正是这一趋势的关键驱动力。该研究为国内肾脏病AI领域的战略布局和未来方向提供了数据支撑。

NephMadness 2026首次设立AI专区：计算病理学VS自然语言处理

2026年3月，肾脏病学领域年度学术盛事NephMadness 2026首次设立人工智能专区^[2]，围绕“计算病理学”与“自然语言处理”两大团队展开学术对决，成为全球肾脏病AI领域最具话题性的学术事件之一。

计算病理学团队主张：AI驱动的图像分析可从数字化肾活检中提取定量数据，识别肾小球病变、量化纤维化、评估间质炎症，以超越人类观察者的可重复性实现标准化诊断。研究展示了虚拟活检、虚拟染色、AI辅助透析动态监测以及肾结石病智能分析等前沿应用，并提出AI应从“实验性新奇事物”走向“临床固定装置”。

自然语言处理团队则强调：NLP能够从海量非结构化临床文本中提取结构化知识—识别CKD表型、提取蛋白尿趋势、检测药物毒性、支持实时临床决策，并通过AI scribe、智能消息分诊等工具显著减轻临床医生的文档负担。团队特别指出，NLP可在不依赖影像的情况下，直接从现有文档中解锁隐藏信息，可能比成像AI带来更直接、更可扩展的效益。

这场“图像vs文本”的学术对决，集中呈现了全球肾脏病AI领域最核心的技术路线之争。值得关注的是，双方均强调：无论哪条路径胜出，AI的临床落地都必须解决数据质量、模型验证、公平性和伦理治理等共同挑战。

可解释性AI研究：SHAP与LIME在CKD预测中的跨场景验证

2026年2月，Chouin等人在PLOS ONE发表了题为《可解释性机器学习用于慢性肾脏病预测：来自SHAP和LIME分析的见解》的研究^[3]，系统评估了XGBoost联合SHAP和LIME在CKD预测中的跨场景适用性。研究使用两个不同特征的临床数据集—阿联酋Tawam医院心血管-肾脏共病数据（n=491）与UCI CKD结构化诊断数据（n=400）—验证了可解释性AI框架在不同医疗环境中的稳健性。

XGBoost结合SMOTE优化后在两个数据集上分别达到88.4%和94.6%的准确率，AUC分别达0.904和0.948。SHAP分析显示，医院队列的核心预测因子为eGFR基线、HbA1c和胆固醇基线，而UCI队列则为尿比重、血红蛋白和血清肌酐—两组特征分别反映了“心血管-代谢”与“直接肾损伤”的不同病理通路，证明模型能够根据不同临床语境自动聚焦于相应的生物学合理特征。LIME提供的个体化解释与SHAP全局模式高度一致，为临床部署中的“黑箱”问题提供了可操作的解决方案。

DeepCKD-Net：混合深度学习框架实现CKD高精度预测

Al-Ghamdi与Alyahyan在Applied Sciences发表研究^[4]，提出了DeepCKD-Net—一种融合Transformer架构与梯度提升集成学习的混合深度学习框架，用于多阶段CKD预测。该框架的核心创新包括：分层注意力机制捕获临床参数间的复杂相互依赖关系、自适应特征融合模块动态结合Transformer学习模式与梯度提升决策边界，以及置信度感知集成策略为临床决策提供不确定性量化。在UCI CKD数据集（400例患者，26项生物标志物特征）上，DeepCKD-Net达到98.7%的准确率和0.993的AUC，超越现有最优方法4.2%，同时推理时间仅16.8ms，适用于实时临床部署。集成SHAP分析提供了可解释的预测结果，血清肌酐（SHAP值0.342）和血尿素（0.287）被识别为最重要的预测生物标志物，与既定临床知识一致。该框架在20%数据缺失的真实临床条件下仍保持90%以上的准确率，标志着多模态融合技术在CKD预测中的深度应用。

肾移植患者教育研究：GPT-5.1的准确性与可读性博弈

2026年3月，Garcia Valencia等人在Frontiers in Artificial Intelligence发表研究^[5]，系统评估了GPT-5.1在肾移植患者教育中的应用潜力。研究发现，GPT-5.1生成的肾移植术语解释在临床准确性上表现优异—97%的解释被评为“高度准确”，但初始生成内容的可读性极差，Flesch阅读易度评分仅23.6±23.4（“非常难读”），46%的解释需要大学以上阅读水平。

关键突破在于：当研究者使用明确提示要求将内容降至八年级阅读水平后，可读性大幅提升至62.4±7.5（“标准”），所有解释均达到中学或以下水平，且准确性丝毫未降（96%仍为“高度准确”）。这一发现证实：提示词设计是决定AI患者教育内容实用性的关键变量—准确性并非以牺牲可读性为代价，二者可通过精心设计的提示词同时实现。

该研究为肾脏病领域AI辅助患者教育的“最后1公里”提供了实证依据，也对临床部署提出了警示：不加约束的AI生成内容可能以专业术语筑起新的理解壁垒，而经过优化的提示词策略则可将其转化为真正普惠的工具。

2026年上半年，全球肾脏病AI领域呈现出清晰的发展脉络：国内从顶层学术引领到基层产品落地形成完整闭环—杨莉教授团队在WCN的国际亮相、西苑医院与东直门医院的文献计量学分析、中华医学会肾脏病学分会的官方倡议、肾小保入选AI智能体领航者榜单、国医通GYT·K聚焦县域防治，构成了从“学术共识→数据洞察→政策引领→产品落地→基层赋能”的完整链条。国际方面则从学术讨论走向实证验证—NephMadness首次设立AI专区标志着学科共识的形成，可解释性AI研究解决了“黑箱”信任问题，DeepCKD-Net推动多模态融合技术向高精度、可部署方向发展，肾移植患者教育研究则揭示了从“能用”到“好用”的关键细节。