基于视网膜影像与尿液试纸多模态深度学习模型的慢性肾病无创筛查新策略

慢性肾病(CKD)早期筛查面临侵入性检测依从性差的临床困境。韩国研究团队创新性整合视网膜影像(eGFR-RIDL)与尿液试纸数据(eGFR-UDLR)，构建多模态深度学习模型(eGFR-MMDL)。该模型在测试集和外部验证集中AUC分别达0.94和0.88，显著优于单模态模型，尤其对<65岁人群和蛋白尿患者具有更高预测效能，为CKD无创筛查提供新范式。

　　

慢性肾病（Chronic Kidney Disease, CKD）作为全球重大公共卫生问题，影响着超过10%的人口。这种"沉默的杀手"早期症状隐匿，但一旦进入晚期，患者将面临心血管疾病、死亡和终末期肾病的高风险。传统筛查依赖血清肌酐计算的估算肾小球滤过率（estimated glomerular filtration rate, eGFR）和蛋白尿检测，这些方法虽准确却需要侵入性采血，导致人群筛查依从性不佳。更棘手的是，临床发现视网膜微血管病变与CKD存在显著关联，但常规眼底照相分析因人群异质性和灵敏度限制难以满足筛查需求。

面对这些挑战，韩国CHA Bundang医学中心的研究团队独辟蹊径，从"眼肾同源"的生物学特性中获得灵感。既往研究表明，眼睛和肾脏在发育、结构和病理上存在惊人相似性——两者都是高度血管化的器官，共同易受糖尿病、高血压等系统性疾病影响。这种独特的器官关联性提示：或许能通过"心灵之窗"窥见肾脏的健康状况。研究团队创新性地将视网膜影像分析与尿液试纸检测结合，构建了首个多模态深度学习筛查体系，相关成果发表在《JMIR Medical Informatics》。

研究采用三项核心技术：首先建立视网膜影像深度学习模型（eGFR-RIDL），使用Wide Residual Network（WRN-28-4）架构处理经标准化预处理的眼底图像；其次开发尿液试纸逻辑回归模型（eGFR-UDLR），整合年龄、性别及10项尿液参数；最终通过联合融合策略构建多模态模型（eGFR-MMDL），将256维图像特征向量与12维临床数据向量拼接。研究纳入CHA医学中心2008-2019年间65,082例20-79岁患者数据，外部验证采用Severance健康促进中心2013-2020年58,284例数据，所有血清和尿液检测均在视网膜成像35天内完成。

【性能差异】
eGFR-MMDL在测试集和外部验证集的AUC分别达到0.94和0.88，显著优于单模态模型（P<0.001）。尤为关键的是，尿液模型eGFR-UDLR虽表现优异，但多模态模型在亚组分析中展现出独特优势：在<65岁人群中AUC提升至0.91，蛋白尿患者中达0.89，而单模态模型在这些亚组未见显著改善。这表明多模态协同效应并非简单数据叠加，而是通过深度特征融合实现的质变。

【亚组分析】
模型性能呈现明显年龄分层：65岁以下群体AUC达0.91，而老年组仅0.71。在糖尿病、高血压亚组中，模型保持稳定性能（AUC 0.77-0.86），但对蛋白尿的识别尤为敏锐——蛋白尿阳性患者AUC比阴性组高0.04。阈值分析显示，老年组决策阈值（0.79）显著高于年轻组（0.35），反映年龄对模型判断的权重调节。

【机制解析】
通过显著性地图发现，eGFR-RIDL主要关注视网膜出血、渗出等局部病变，而eGFR-MMDL更聚焦血管弓结构。敏感性分析揭示尿液蛋白（OR=4.2）和年龄（OR=3.8）是首要预测因子，其次是尿pH值和比重。这种互补性证实：尿液数据提供代谢异常信号，而视网膜影像捕捉血管结构改变，二者共同构成"代谢-结构"双维度评估体系。

【临床意义】
该研究突破性地实现了"无血化"CKD筛查，对年轻人群早期发现具有特殊价值。模型在蛋白尿识别上的优势，使其能检测传统易漏诊的非蛋白尿型CKD。但研究也揭示重要局限：65岁以上人群AUC仅0.71，提示老年人仍需结合血液检查。从转化医学角度看，这种"眼底照相+尿检"的组合模式特别适合基层医疗场景，单次检查即可同步评估眼病和肾病风险，实现"一检多筛"的公共卫生价值。

这项研究为CKD筛查开辟了新路径，但其临床应用仍需解决三个关键问题：不同眼底相机型号的泛化能力、药物对尿液参数的干扰，以及跨种族验证。未来研究可探索添加血压、血糖等模态数据，构建更全面的风险评估体系。正如研究者强调，这种"非侵入、低成本、高效率"的筛查模式，或将改写CKD早期防控的实践指南。