2025年10月21—25日，中华医学会肾脏病学分会第二十八届学术年会（CCSN 2025）在河南省郑州市召开。复旦大学附属中山医院丁小强教授在会上分享了题为“人工智能（AI）技术在肾脏病学领域的应用与实践”的精彩大会报告。

丁小强教授作大会报告

回顾人类科技发展史，自1765年蒸汽机发明以来，260年间共历经四次工业革命。前三次革命分别以蒸汽机、电力与内燃机、计算机与互联网为核心，推动人类社会进入机械化、电气化、信息化时代；而当前以AI为核心的第四次工业革命，正引领着各领域迈向智能化与自主化新阶段，其对人类社会的深远影响将贯穿当下与未来。

AI技术的发展并非一蹴而就。1956年，“人工智能” 概念正式提出，目标是创造可复制或超越人类智能的机器；1959年，机器学习技术问世，实现机器从数据中学习、优化决策的突破；1967年，深度学习兴起，以人工神经网络为核心技术支撑，推动AI能力大幅跃升。如今，生成式AI技术已能基于现有信息创造文字、视觉、听觉等新内容，并持续向更高智能化水平进化，这一技术为医疗领域带来了新的机遇。

在医学领域，AI正从单纯的工具属性，逐步演化为医疗健康体系的核心组成部分之一。其构建的智能生态贯穿卫生服务、医疗服务、药物研发、健康管理全流程，四个模块通过数据交互实现协同管理与场景拓展，为医疗质量提升与效率优化提供强大动力。

急性肾损伤（AKI）早期预测与干预是改善预后的关键。早在10年前，复旦大学附属中山医院肾内科团队便开展了心脏外科手术后AKI风险动态预测模型系列研究，突破传统模型仅关注术前因素的局限，首次整合术前、术中、术后多时段动态数据，显著提升预测效率，有效降低术后AKI发病率。

在生物标志物探索方面，团队聚焦AKI主要靶器官——肾小管上皮细胞的离子转运功能，通过研究发现：镉、银等离子在尿液与血液中浓度稳定且含量低，其转运异常可早期反映肾小管上皮细胞功能变化，为AKI早期预测提供新的生物学指标。

AI算法的创新应用进一步提升预测精准度。解放军总医院与南京鼓楼医院联合开展的一项研究，纳入7家医院1.5万例心脏外科手术患者，采用两阶段的因果深度学习架构（REACT），可精准预测患者术后24小时、48小时、72小时内AKI及重症AKI的发生风险。

北京大学第一医院杨莉教授团队则研发了“轻量级梯度提升机算法（LightGBM）+可解释性分析（SHAP）”模型，该研究纳入全国5家医院，共16万例次研究对象，AKI预测AUC值达0.81-0.90，重症AKI预测AUC值更高达0.88-0.95。

在AKI患者转归方面，南方医科大学南方医院侯凡凡院士与四川省人民医院李贵森教授联合团队开发双向长短期记忆网络（Bi-LSTM）模型，预测患者在住院期间发生死亡、接受透析的情况。

江苏省人民医院毛慧娟教授团队通过RCT研究证实， AI赋能的电子预警系统——AKI E-alert，可有效避免肾毒性药物使用，但尚未能显著改善患者的短期肾功能恢复，未来与高质量干预策略整合有望进一步改善患者预后，提升临床应用价值。

肾脏病理是肾脏疾病诊疗的“金标准”，AI技术在此领域展现出卓越能力。其应用流程涵盖病理图像信息读取、病变类型设定、定量分析、临床与病理信息融合，最终输出诊断结论。

目前，AI已能精准识别和切割肾小球、肾小管、肾间质等肾组织结构，山西省人民医院周晓霜教授团队研究证实，AI对多种染色病理图像（如PAS染色、Masson染色）的结构识别准确率高达99.2%；在免疫荧光与电镜诊断中，AI对基底膜、内皮细胞、系膜细胞的识别效果同样优异。

针对狼疮性肾炎，基于卷积神经网络（CNN）的AI模型诊断准确率达80.7%，与肾脏病理专家诊断水平相当。另外一项研究发现U-Net架构变体模型能实现足细胞-肾小球基底膜界面与滤过裂隙分割，精准估算足细胞足突宽度FPW，开发分割工具对电镜图像中的结构进行人工分类。

此外，有研究发现深度神经网络（DNN）模型可辅助IgA肾病MEST-C自动分类，预测IgA肾病病理分级的AUC值在0.88~0.96，与肾脏病理专家人工MEST-C评分一致性较好。

XGBoost模型可辅助原发/非原发膜性肾病鉴别诊断，原发性膜性肾病鉴别诊断的灵敏度和特异性分别为92%和96%。日本一项研究纳入1.4万张肾小球病理图像，证实AI在肾穿刺样本取材不足时，仍能提取丰富病理信息，为临床诊断提供重要补充。

在慢性肾脏病（CKD）的一体化诊疗中，AI技术正发挥着重要作用，涵盖风险预测、早期筛查、辅助诊断、预后评估和患者管理。视网膜成像作为唯一可以直接观察微血管系统的部位，能够无创地获取丰富的生理和病理信息。因此视网膜成像在肾脏病早期筛查、鉴别诊断、辅助病理诊断和预后评估中具有重要意义。

一项在新加坡与中国社区人群中开展的研究采用深度学习算法（DLA）分析眼底（视网膜）影像用于CKD早期筛查，整体准确率达到 91.1%，显示出在基层医疗机构推广应用的可行性。

上海交通大学医学院附属第六人民医院贾伟平院士、汪年松教授团队基于眼底图像的AI深度学习系统（Deep-DKD）对来自上海12万名研究对象的48.6万张眼底图像进行模型开发和内部验证，并使用来自十个多民族数据集进行外部验证。该模型在DKD的早期筛查中准确性达84%，外部验证数据集准确性为79%~82%。

在疾病鉴别与预后评估中，AI同样发挥重要作用。解放军总医院陈香美院士、蔡广研教授团队开发的基于迁移学习的深度学习系统（Trans-MUF）整合眼底图像和临床特征，肾脏科医生借助该模型进行糖尿病肾病和非糖尿病肾病鉴别诊断时，准确率可提高21%。

中山大学附属第一医院林浩添和陈崴教授团队构建并验证了肾脏智能诊断系统，实现了CKD分型诊断和预后预测。

在血液透析患者管理中，AI实现动态监测与风险预警。针对透析中低血压这一常见并发症，AI通过分析多维度动态数据，发现透析过程中血压下降中位数是干体重上调的关键预测因子，C反应蛋白升高与低白蛋白血症是干体重下调的关键指标；另一项研究的XGBoost模型可提前15~75分钟预测透析中低血压，通过及时调整参数，避免低血压的发生，有效保护患者残余肾功能。

在贫血管理中，AI模型能精准预测患者血红蛋白变化趋势，指导促红细胞生成素等药物剂量调整，研究显示，基于AI的剂量优化方案使促红细胞生成素用量下降27%，血红蛋白达标率从70.65%提升至83.2%。

AI为肾脏病科学研究提供多维度支持。在药物研发中，AI通过整合多组学数据（基因组学、蛋白质组学等）、挖掘潜在致病机制，助力发现新的药物靶点；在临床试验设计中，AI可优化样本量计算、受试者筛选，提升研究效率。

值得一提的是，美国宾夕法尼亚大学和罗格斯大学团队开发了肾脏专用单细胞基础模型（Nephrobase Cell+），该研究基于约39.5M细胞/细胞核、4000余个样本、不同物种与多模态数据进行预训练，以统一潜空病因机制研究间连接解离式与空间数据、缓解批次/平台差异，并在跨物种对齐与零样本注释上给出更稳的基线。这标志着肾脏基因组学研究进入 “虚拟器官” 时代，通过开拓“器官专属”的AI生物医学新范式，为个体化诊断与药物开发提供新一代的计算框架。

中国医学论坛报赵静薇整理

丁小强教授审阅