导语
2025年2月6日，为期4天的国际肾脏病学会（ISN）世界肾脏病大会（WCN 2025）在印度新德里盛大开幕。作为全球颇具影响力的肾脏病学术会议之一，此次大会汇聚了全球各地的顶尖专家、学者及专业人士，深入探讨肾脏健康的未来发展趋势，携手推动肾脏病学研究的进步与突破。
肾脏疾病是全球范围内的主要健康问题，影响着数百万人，对医疗系统构成了重大挑战。准确、及时的诊断对于肾脏病的治疗和管理至关重要。随着人工智能（AI）在医疗领域的深入应用，AI诊断已经成为医学界的重要发展方向。本期内容整理了WCN大会摘要中关于AI辅助诊断的前沿进展，以飨读者。
促进肾脏病精准诊断：一种基于计算机断层扫描（CT）数据进行疾病分类的机器学习方法
【摘要号：WCN25-1821】
【引言】
肾脏疾病，包括囊肿、结石和肿瘤，传统的诊断方法通常依赖于对CT扫描的手动解读，这种方法既耗时又容易受到人为错误的影响。本文提出了一种先进的机器学习（ML）模型——MobileNetV2模型，基于包含12,400张肾脏图像的数据集，旨在有效分析四种疾病类别：正常、囊肿、结石和肿瘤。研究评估了预训练的MobileNetV2模型在准确性方面的表现。
图1展示了模型在训练和验证过程中的表现。训练准确率稳步提升，验证准确率也呈上升趋势，表明模型具有良好的泛化能力。训练和验证损失均有所下降，反映出错误率低且性能强劲。这些趋势表明，模型可有效学习并分类肾脏疾病，有潜力成为肾脏疾病分类的强大工具。
图1训练并验证模型准确率
图2展示了为“肾脏疾病预测”应用设计的Jupyter Notebook界面。该界面包括用于图像上传、清除输入和提交分析的按钮。从图3可以看出，该工具使用MobileNetV2对肾脏疾病（包括正常、囊肿、结石和肿瘤）进行高效分类。
图2 Jupyter Notebook界面
图3 MobileNetV2对肾脏疾病（包括正常、囊肿、结石和肿瘤）进行分类
【结论】
贝叶斯深度学习算法预测慢性肾脏病恶化速度
【摘要号：WCN25-867】
Bayesian deep learning algorithms to predict the rate of deterioration in chronic kidney disease.
【引言】
【结果】
多变量比值比显示：糖尿病 (OR:3.2，95%CI:2.85-3.55)、年龄 (OR:2.6，95%CI:2.14-2.93)、高血压 (OR:3.3，95%CI:2.97-3.63) 与eGFR恶化显著相关。肌酐、eGFR、尿素、血红蛋白、白蛋白和钠水平与CKD恶化相关。
回归方程的结果见图4，R2与早期CKD变化 (G1-> 90mL/min/1.73m) 显著相关。eGFR恶化阈值不同，分为0.05、0.10、0.15和0.20(ml/min/1.73m)/天，基于此建立了多个分类模型。阈值0.05时的 AUC 为0.85（AP为0.83），0.10为0.88（AP为0.73）。
图4 恶化率：eGFR变化（天）的回归分析
【结论】
本研究强调了贝叶斯深度学习在准确预测CKD进展方面的有效性，有助于早期检测和干预CKD。如果在后续试验中得到验证，研究结果将产生显著的医疗、财务和资源分配获益，并且有助于将AI广泛应用于慢性病管理。
基于机器学习的慢性肾脏病非侵入性诊断——尿液中脱落的近端小管细胞多光谱自动荧光分析
【摘要号：WCN25-79】
Non-invasive diagnosis of chronic kidney disease by machine-learning based evaluation of urinary exfoliated proximal tubule cell multispectral autofluorescence.
【引言】
早期诊断慢性肾脏病（CKD）对于确保患者及时接受必要的干预、优化临床结果以及降低进展为终末期肾病的风险至关重要。肾活检仍然是诊断CKD的金标准方法。然而，常规肾活检成本高昂，并且可能伴随疼痛和出血等风险。鉴于这些问题，探索CKD的非侵入性诊断方法显得尤为重要。
近端小管细胞（PTCs）是肾脏的主要细胞，在 CKD 的病理生理学中发挥关键作用。PTCs自动脱落进入尿液，其可能生成关于个体肾脏状态的重要信息。已知PTC的自体荧光对代谢变化和氧化应激敏感，是肾功能下降的关键机制。该研究评估了多光谱自体荧光成像技术在尿液脱落PTCs中的创新应用，作为一种非侵入性CKD诊断手段，通过基于机器学习的方法比较了不同肾功能水平（基于eGFR）个体的细胞自体荧光特征。
【结果】
研究共纳入60例受试者，其中40例受试者的eGFR≥60ml/min/1.73m2，20例受试者的eGFR<60ml/min/1.73m2。通过评估细胞自发荧光特征，能够区分这两组个体的脱落近端肾小管上皮细胞（PTCs），其AUC值为0.81±0.04（图5）。
图5 ROC曲线的显著性检验
图6 ROC曲线的显著性检验
图7 ROC曲线的显著性检验
【结论】
研究结果表明，尿液中脱落的PTCs在不同肾功能水平（包括正常或高eGFR）之间具有良好的区分能力。基于机器学习的光谱特征，尿液脱落PTCs的多光谱自发荧光成像可能成为一种有效的非侵入性CKD诊断方法。
内容来源WCN官网：
1.https://www.kireports.org /article /S2468-0249 (24) 02201-0 /fulltext
2.https://www.kireports.org /article /S2468-0249 (24) 02195-8 /fulltext
3.https://www.kireports.org /article /S2468-0249 (24) 02190-9 /fulltext
