随着对人工智能（AI）研究的深入，AI 的触角已经向人们日常生活的每一个角落延伸，医疗行业也一样。在肾脏病领域，AI 越来越多地被用于各种肾脏疾病的诊断和预后判断。
美国佛罗里达大学医学系 Parisa Rashidi 以及 Azra Bihorac 教授撰写专题文章，回顾了 2019 年 AI 在肾脏病领域的运用，文章发表于近期的 nature reviews 子刊。
肾脏疾病是一个重要的全球健康问题。美国卫生和公众服务部发起的「促进美国肾脏健康」倡议将肾脏疾病的防治作为最优先考虑的项目。美国有七分之一的成年人患有肾脏疾病，是 10 种主要的死因之一。肾脏疾病的花费占整个医疗保险支出的 23%，但即使如此，仍有半数患者对自身疾病没有引起足够的重视。这一大胆的呼吁旨在减少肾衰竭风险，促进建立以人为本的护理体系，改善包括肾移植在内的治疗流程，提高医疗质量。为了达成这个目标，就需要使用更加先进的诊断、预防及治疗手段，来提高对急性肾损伤（AKI）和慢性肾病（CKD）的认识。
近年来，AI 已经大大改变了数据的分析和使用方式。目前的 AI 与科幻小说中的描述相去甚远，现有的 AI 还只是在一些特殊的场景中使用，例如人脸识别或语音识别，在这些领域，AI 可以碾压人类。在医学上，AI 在某些领域也显示了非凡的作用，比如对数字化图像的处理，其在成本、速度及准确性方面都有很大优势。
一、电子健康数据
在美国，约四分之一的住院病人会发生 AKI。这些患者花费了大量的医疗资源，预后较差，可惜的是医患双方都没有意识到这一点。
目前临床上主要通过血清肌酐的变化来识别和治疗 AKI，除了利用电子健康档案中的数据来提高 AKI 诊断的自动化之外，还可以开发准确、自动化的 AKI 预测模型。Tomašev 等人利用退伍军人健康管理局 70 万名患者（主要是男性）的电子健康记录，开发了一个预测 AKI 风险的模型。该模型能够预测 55.8% 的住院 AKI 事件和 90.2% 的需要透析的 AKI 病例的风险，提前时间为 48 小时，错误预警率为 2:1。这样一个具有良好性能的模型，目前还存在可操作性及可解释性欠佳的问题，其预测未来 AKI 发作的前三个因素是：入院前血清肌酐、最近的血清肌酐和最近的血清钙。相信随着在更多人群中的验证，这个模型可能成为临床决策的有力工具。
二、术中生理信号
Adhikari 等人分析了 2911 例手术患者术中随时间变化的生理数据，对术前和术中数据进行动态整合，来预测术后 AKI 的风险。既往预测 AKI 的模型利用的仅仅是术前的数据，他们发现如果把术中的临床和生理数据加进去分析，可以大幅提高该模型的性能和准确性。修正后的模型可以将 40% 原先被认为低风险的人群识别出来，划入高风险人群。该方法证明了将术中数据纳入手术 AKI 风险模型的重要性，并证实了利用连续数据流动态调整风险模型的重要性。
三、肾脏超声图像
肾脏领域里，利用 AI 对医学图像进行分析非常具有前景。Kuo 等人开发了一个模型，可以利用肾脏超声图像来自动估计肾小球滤过率（eGFR）和 CKD 状态。他们利用超声图像测量肾脏长度，并转换为 eGFR。利用模型得出的 eGFR 和利用血清肌酐计算出来的 eGFR，两者的相关系数只有 0.74，最主要是缺乏评估 GFR 的金标准。以模型计算的 eGFR < 60 ml/min/1.73m2 就认定为 CKD 状态，这样的话，该模型的 CKD 状态判断准确率为 85.6%。而把这些超声结果给 4 位经验丰富的肾脏病学家，请他们对 CKD 状态进行判断的话，准确率只有 60.3%～80.1%。该模型特异性高（92.1%），敏感性中等（60.7%）。这件事情说明，AI 在肾脏超声图像的扩展应用方面很有前途。
四、肾脏组织病理
Hermsen 等人还将 AI 用在了肾脏组织病理学图像分析中。他们训练了一个卷积神经网络（注：深度学习的代表算法之一），用 40 张带注释的肾移植活检染色标本的全景图像进行多类分割。然后，他们在 4 个独立的数据系统中，分别测试了 10 个肾脏组织标本（包含肾皮质和髓质的肾活检标本及肾切除标本），发现最容易被分割识别的类型是肾小球，其次为肾小管和间质。该网络检测到肾切除标本中 92.7% 的肾小球，其中 10.4% 为假阳性。在所有肾移植活检样本中，病理学家计数的肾小球数目与该网络计数的肾小球数目，两者平均组内相关系数 0.94。
五、总结：
这些最新的方法为评估不同环境下的肾脏健康提供了更精确、更有效和更方便的方法。尽管最近取得了一些进展，但 AI 在肾脏病的应用仍然面临许多挑战。目前，AI 主要还只能使用一种类型的数据（如图像、生理信号或临床数据等）。我们期望未来的 AI 模型能够集成多种数据，以提高它们的可靠性和准确性。必须将具有代表性的患者群体纳入这些模型，以实现模型公平性，并解决基于性别、种族或其他因素的偏倚。开发 AI 模型，要围绕以人为中心，为肾移植提供更好的建议。
AI 的发展还将依赖于智能和互联健康领域的颠覆性创新，特别是能够准确获得门诊和住院患者精细数据的传感器。AI 模型需要在前瞻性和多中心验证研究中进行客观评估，为肾脏病 AI 算法的转化研究和 FDA 批准铺平道路。
