机器学习辅助超声造影与临床特征筛选糖尿病肾病可靠生物标志物的研究

《Clinical and Experimental Medicine》：Reliable biomarkers for diabetic nephropathy using machine learning-assisted contrast-enhanced ultrasonography and clinical characteristics

本研究针对糖尿病肾损伤患者中糖尿病肾病(DN)与非糖尿病肾病(NDRD)鉴别诊断的临床难题，通过整合超声造影(CEUS)定量参数与临床特征，采用随机森林机器学习算法构建诊断模型。研究结果显示该模型平均分类准确率达87.6%，AUC为0.918，证实AI辅助CEUS结合特定临床特征可作为DN筛查的快速可靠工具，为糖尿病肾病无创诊断提供了新策略。

　　

在全球慢性肾脏病(CKD)发病率持续攀升的背景下，糖尿病肾病(DN)作为终末期肾病的重要病因，其准确鉴别诊断始终是临床面临的重大挑战。传统依赖肾穿刺病理诊断的方式虽为金标准，但属于有创操作，存在出血、器官损伤等并发症风险，且约80%的CKD病例尚未被确诊。尤其对于2型糖尿病(T2DM)合并肾损伤患者，区分DN与非糖尿病肾病(NDRD)至关重要——二者治疗方案和预后截然不同，却缺乏可靠的无创鉴别手段。

在这一临床痛点驱动下，中国人民解放军总医院的研究团队创新性地将对比增强超声(CEUS)技术与机器学习算法相结合，开展了一项旨在探索DN无创诊断新途径的研究。该研究发表于《Clinical and Experimental Medicine》，通过分析120例T2DM合并CKD患者的240个肾脏数据，成功构建了一个整合CEUS参数与临床特征的随机森林诊断模型，为DN的早期识别提供了重要技术支撑。

研究采用的关键技术方法主要包括：首先，通过超声造影检查获取肾脏微循环灌注参数，包括峰值强度(PEAK)、达峰时间(TP)、曲线下面积(AUC)和平均通过时间(MTT)；其次，采用十折交叉验证和随机森林算法对CEUS参数及临床数据进行标准化处理和特征筛选；最后，以肾穿刺病理结果为金标准，评估模型的诊断性能。所有患者均来自中国人民解放军总医院2017-2020年间的临床队列，且均签署了CEUS检查知情同意书。

患者纳入与CEUS评估

研究纳入了120例接受肾穿刺检查的T2DM合并CKD患者，排除了病理诊断为DN合并NDRD、临床资料不完整或CEUS图像质量不佳的病例。CEUS检查前要求患者血压控制在140/90mmHg以下、100/60mmHg以上，使用西门子S2000超声仪及4-6MHz探头进行检测，造影剂采用声诺维(SonoVue)，观察时间180秒。为减少主观误差，由两名经验丰富的医师独立进行图像分析，并进行了良好的一致性验证。

机器学习模型构建

研究团队通过单因素逻辑回归分析从21个变量中筛选出8个最相关变量，包括CEUS参数中的PEAK和AUC，以及临床指标如估算肾小球滤过率(eGFR/EPI)、血清肌酐、β₂微球蛋白、胱抑素C、总胆固醇等。采用Z-score标准化处理后，通过十折交叉验证评估模型稳定性，最终构建的随机森林模型在测试集上表现出色。

诊断性能验证

结果显示，该模型在区分DN与NDRD方面达到87.6%的平均分类准确率，ROC曲线下面积(AUC)为0.918，表明其具有优异的判别能力。Bland-Altman一致性分析显示两位医师的CEUS参数测量具有高度一致性，ICC值均大于0.9，证实了测量结果的可靠性。

研究结论表明，基于机器学习的CEUS定量参数与临床特征组合可作为识别T2DM患者DN的重要无创生物标志物。其中PEAK和AUC两个CEUS参数能敏感反映肾脏微血管灌注变化，而β₂微球蛋白、胱抑素C等生化指标则提供了肾小球滤过功能和肾小管损伤的补充信息。该研究的创新点在于首次将CEUS技术与机器学习算法系统结合应用于DN鉴别诊断，不仅克服了传统诊断方式的局限性，还为临床决策支持系统(CDSS)的集成应用奠定了基础。

尽管该研究存在单中心回顾性研究的局限性，且样本量有待扩大，但其建立的诊断模型已展现出显著的临床转化价值。未来通过纳入更多维度的指标和优化算法可解释性，这一方法有望在肾脏疾病精准诊疗领域发挥更大作用，为糖尿病肾病的早期筛查和个体化治疗提供新思路。