基于视网膜影像的无创慢性肾病筛查及病理分型智能诊断系统(KIDS)开发与验证

本研究针对慢性肾病(CKD)诊断依赖侵入性肾活检的临床困境，开发了基于视网膜影像的智能诊断系统(KIDS)。通过分析6773名参与者的13144张视网膜图像，该系统实现了CKD筛查(AUC 0.839-0.993)和五种常见病理类型鉴别(AUC 0.790-0.932)，准确率较肾科医师提升26.98%，并能预测疾病进展。这项非侵入性技术为资源匮乏地区提供了精准肾病管理新方案。

　　

慢性肾脏病(CKD)作为全球公共卫生挑战，影响着约8.5亿人群，终末期肾病更是危及生命。虽然肾活检是病理诊断的金标准，但其临床应用受到解剖高风险、医疗资源分布不均等因素限制，在欠发达地区实施率不足5%。更棘手的是，缺乏病理诊断导致治疗方案常依赖医生主观判断，预后评估困难重重。传统筛查方法如eGFR和蛋白尿检测虽有一定价值，却无法区分具体病理类型。视网膜作为观察微血管的"窗口"，其病变与肾功能下降存在分级关联，这为无创诊断提供了新思路。

中山大学中山眼科中心与附属第一医院的研究团队在《Nature Communications》发表突破性成果，开发了肾脏智能诊断系统(KIDS)。该系统整合视网膜影像和临床数据，通过深度学习算法实现了CKD筛查、病理分型和预后预测三位一体的无创诊断。研究纳入来自中国9家医院和索马里Banadir医院的6773名参与者，包含13144张视网膜图像，建立了目前最大规模的CKD视网膜影像数据库。

关键技术包括：1)采用EfficientNet-B5架构开发视网膜影像分析模型；2)构建包含35项临床特征的MLP神经网络；3)通过XGBoost算法建立肾小球硬化率(PSG≥75%)预测模型；4)应用Cox比例风险(CPH)回归进行预后分析。多中心验证涉及中国南方、新疆及索马里等多民族人群。

研究结果

CKD筛查AI模型

在内部测试集中，KIDS区分CKD与对照组的AUC达0.959(95% CI: 0.943-0.975)，对早、中、晚期CKD的识别AUC分别为0.936、0.947和0.993。外部验证中性能保持稳定(AUC 0.858)，模拟不同患病率(5%-20%)下结果可靠。

病理诊断多模态模型

整合视网膜影像与临床数据的混合模型表现最优，对IgA肾病(IgAN)、膜性肾病(MN)、糖尿病肾病(DN)、动脉肾硬化(ANS)和微小病变/局灶节段性肾小球硬化(MCD/FSGS)的AUC分别为0.864-0.976。连续净重分类改善指数(NRI)显示，加入视网膜影像使模型性能提升49.1%-113.4%。在索马里数据集验证中，简化版模型AUC仍达0.630-0.870。

病理分期模型

基于6项临床特征(血红蛋白、肌酐、尿酸等)的模型可预测高PSG(≥75%)，内部测试AUC 0.901，在DN患者中识别率最高(13.4%)。

进展预测模型

中位随访44个月的回顾性队列显示，CPH模型预测1/3/5年肾脏复合终点(肌酐倍增、透析或移植)的AUC分别为0.854、0.845和0.821。仅使用视网膜预测病理类型的替代模型仍保持良好区分度(C-index 0.804)。

人机对比研究

前瞻性多中心测试显示，KIDS对五种病理类型的诊断准确率平均较12名肾科医师(含中国和索马里专家)高26.98%，尤其在资源匮乏地区优势显著。

研究通过SmoothGrad显著性映射揭示了视网膜特征与肾脏病理的关联：DN患者呈现微动脉瘤和渗出，ANS表现为血管狭窄和视乳头水肿，IgAN可见视网膜玻璃膜疣增多，而MN和MCD/FSGS的视网膜病变相对轻微。这些发现为"眼-肾轴"理论提供了可视化证据。

该研究首创了从筛查到预后管理的CKD全程无创诊断体系，其重要意义体现在：1)突破肾活检禁忌，使81.3%因禁忌症无法活检的患者获得病理诊断；2)在索马里等医疗薄弱地区，系统准确率较当地医生提高2.1-3.8倍；3)预后预测模型可识别5年内进展高风险人群(HR 4.76, 95% CI: 3.12-7.25)；4)视网膜检查成本仅为传统筛查的1/5，适合大规模推广。

研究也存在一定局限：样本主要来自亚洲人群，需更多种族验证；部分基层医院图像质量影响模型性能；目前仅覆盖5种主要病理类型。团队已建立云平台(https://zockids.gzzoc.com)持续优化系统，未来计划纳入更多病理亚型和分子标志物，推动精准肾病诊疗发展。这项技术将改写CKD诊疗范式，特别是为"一带一路"沿线国家的肾病防治提供中国方案。