从数据到决策：机器学习在肾脏移植管理中的应用

《Current Urology》：From data to decisions: Machine learning applications in kidney transplantation management

　　

## 背景

肾脏移植（KT）是一个复杂的临床过程，需要精确的风险分层、及时的决策以及贯穿护理各阶段的个体化管理。传统的临床评分系统和中心专用算法往往无法捕捉供者、受者和手术因素之间的多维相互作用。在此背景下，人工智能（AI）和机器学习（ML）作为支持精准医学的工具，在肾脏移植领域显示出广阔的前景。

## 材料与方法

我们对2010年至2024年发表的文献进行了叙述性综述，重点关注AI和ML在肾脏移植中的应用。纳入的研究涵盖移植前评估、手术辅助、移植后结局以及免疫抑制治疗的优化，并进行了定性综合分析。

## 结果

与常规方法相比，AI和机器学习模型在肾脏移植的多个阶段均表现出更优的性能。在移植前阶段，基于机器学习的模型在供者-受者匹配和移植物存活预测方面优于传统风险评分，有望减少器官废弃。应用于植入前活检的深度学习技术增强了组织病理学评估的准确性和可重复性。术中，AI驱动的影像学和手术数据科学工具可支持解剖可视化与临床决策。移植后，机器学习模型可实现急性排斥反应的早期检测、延迟移植物功能的预测，以及利用实验室、影像学和分子数据进行无创评估。此外，基于AI的药代动力学模型有助于实现个体化免疫抑制药物剂量调整，改善治疗范围内时间占比并降低毒性。

## 结论

人工智能是肾脏移植中临床专业知识的有力辅助工具，可为移植全过程提供数据驱动的决策支持。然而，目前大多数可用模型仍为回顾性研究，缺乏前瞻性多中心验证，限制了其立即应用于临床。前瞻性多中心研究和负责任的实施策略对于将AI驱动的工具转化为常规临床实践、改善移植结局至关重要。

## 1. 引言

人工智能（AI）是指计算机系统对人类认知功能的模拟，旨在实现推理并模拟人脑的某些操作。机器学习（ML）是AI的一个关键分支，专注于开发使计算机能够从大数据集中学习并进行预测或决策的算法和模型，而无需对每项任务进行显式编程。[1] 机器学习可分为3类：监督学习、无监督学习和强化学习。

慢性肾脏病是一个重大的全球公共卫生问题，估计患病率为8%–16%。[2] 随着慢性肾脏病进展为终末期肾病，患者通常需要肾脏替代治疗，包括透析、肾脏移植（KT）或两者兼用。尽管KT被认为是这些患者的首选治疗方案，因为它能提供优于其他肾脏替代方式的使用寿命和生活质量，但术后并发症仍与较高的发病率和死亡率相关。[3]

传统的临床评分系统，如肾脏供者档案指数（KDPI）和预计移植后生存评分（EPTS），在应用于个体化预测时存在根本性局限。这些传统框架严重依赖静态变量和线性统计假设，如Cox比例风险模型或逻辑回归模型所基于的假设。因此，它们在捕捉供者、受者和手术特征之间随时间变化的复杂非线性关系和多维相互作用方面存在局限。由于假设特定风险因素在不同患者中的作用保持不变，传统评分无法反映临床移植的动态性质，形成了一个明显的差距，而机器学习模型正是旨在弥合这一差距。

将人工智能整合到医学中，将信息技术与临床管理相结合，可能会给部分医疗保健专业人员带来实际和概念上的挑战。Salvagno等人[4]报告称，约25%的医生对采用AI的潜在技术问题表示担忧。因此，综述文章有助于阐明AI在肾脏移植中的复杂性，并使这些知识更容易为临床医生和研究人员所理解。

本综述考察了AI在肾脏移植中的当前和新兴应用，涵盖移植前、术中和移植后场景，包括手术支持、随访和免疫抑制管理，重点关注其在临床决策支持中的潜在作用。

## 2. 材料与方法

我们进行了一项叙述性综述，以结构化的文献检索为依据，评估AI和ML在肾脏移植管理中的当前及潜在应用。我们纳入了在人类肾脏移植中将AI/ML方法应用于供者评估、移植后结局预测或临床管理优化的实证研究。排除非英文出版物和缺乏原始实证数据的文章，包括综述、社论和评论。

我们检索了PubMed/MEDLINE、Scopus和Web of Science数据库。主要电子检索涵盖2010年1月至2024年的出版物，并限于英文记录。检索于2025年1月进行。此外，还进行了补充的向后引文追溯（对检索到的文章的参考文献列表进行筛查），以识别2010年之前的基础性或开创性研究，以提供必要的历史背景。检索到的记录导出至Zotero并去重，随后按照结构化的PRISMA指南工作流程进行筛查、独立评审者选择和预测模型偏倚风险评估工具（PROBAST）偏倚风险评估。关键词包括"机器学习"、"肾脏移植"和"人工智能"。

完整的数据库检索式如下：（"人工智能" OR "机器学习" OR "深度学习" OR "神经网络" OR "监督学习" OR "无监督学习"）AND（"肾脏移植" OR "肾移植" OR "移植物存活" OR "供者选择"）。

两位评审者根据预设的纳入和排除标准独立筛查标题和摘要。

**纳入标准：** 将AI/ML应用于供者评估、移植后结局预测或临床管理优化的原始实证研究。

**排除标准：** 非英文发表或缺乏实证数据的研究被排除在分析之外。

研究选择过程根据PRISMA框架分为4个阶段（图1）：

**图1** PRISMA流程图。PRISMA = 改进系统评价和荟萃分析推荐事项清单

**识别：** 通过系统性数据库检索共初步识别64条记录。

**筛查：** 所有64条记录均按标题和摘要进行筛查，排除了23条记录。

**资格评估：** 41篇全文文章接受资格评估。15篇文章因以下原因被排除：缺乏性能指标（n = 5）、非肾脏移植主题（n = 4）、社论或研究方案设计（n = 3）。

**纳入：** 最终有29项研究符合入选标准，被纳入定性综合分析。

提取的数据分为以下类别：供者和受者的移植前评估、手术辅助、结局和移植后护理。在筛查和资格评估过程中，两位主要评审者之间的分歧由一位对初始评审者决定盲法的独立第三方评审者解决。

对于专注于诊断和预后临床预测模型的研究，使用PROBAST正式评估偏倚风险。对于非预测性AI应用——如图像分割、3D手术导航和自动剂量算法——通过调整核心质量域评估偏倚风险，具体评估数据集代表性、算法验证方法和结局可重复性。

## 3. 结果

机器学习算法（图2）通常分为监督学习、无监督学习或强化学习。监督学习分析输入变量与输出变量之间的关系以预测结局；常见算法包括决策树、支持向量和神经网络。在无监督学习中，输出标签不可用，算法试图识别数据中的隐藏模式；k均值聚类是1个示例。强化学习是1种高级机器学习范式，智能体通过试错，根据从环境中获得的奖励和惩罚来确定最优策略。Q学习是1个强化学习算法的例子。[5]

**图2** 机器学习类型。ANN = 人工神经网络；CNN = 卷积神经网络；RNN = 循环神经网络；SVM = 支持向量机

深度学习（DL）受模拟人脑生物结构的尝试启发，是基于人工神经网络（ANN）的机器学习子领域。[6] 深度学习模型使用多层处理架构学习数据的层次化表示，有可能提高性能。深度学习技术越来越多地应用于生物医学数据，从图像处理到基因组数据分析。[7] 这些方法可能优于病理医生对组织学肾脏活检图像的纤维化评分。

### 3.1 移植前评估

Bae等人[8]开发了一种基于随机森林的工具，估计KDPI和EPTS评分组合的KT后5年存活率，并认为它可以支持临床实践中关于肾脏提供的个体化决策。Brown等人[9]开发了一种基于机器学习的贝叶斯信念网络作为移植前器官匹配工具。通过分析受者体重指数（BMI）、性别、种族和供者年龄，该模型预测1年或3年内的移植物失败。Kilambi等人[10]开发了决策树方法来比较接受与拒绝肾脏的存活获益。Mark等人[11]结合多种模型预测KT受者的移植后5年存活率，同时考虑供者和受者变量；他们的方法优于EPTS。最后，Ali等人[12]使用UNOS数据库的数据训练了4个机器学习模型来预测死亡校正移植物存活率，可能支持器官分配决策。

器官废弃率可能达到20%，这也被归因于移植前活检使用有限。[13] 近期研究表明，AI和深度学习技术可以提高移植前活检的有效性。例如，Marsh等人[14]开发了一个量化肾脏活检标本中肾小球硬化的模型。该模型优于病理医生评估，并与37%的降低废弃率相关。

在另一项研究中，研究人员开发了一种称为RENFAST（纤维化和血管壁厚度快速评估）的基于深度学习的算法，用于识别供者肾脏中的血管和间质损伤。该方法比专家病理医生（2分钟对比20分钟/活检）完成任务更快，同时达到了极好的准确性。[15] 同一作者随后提出了第二种算法——RENTAG（肾小管萎缩和肾小球硬化稳健评估），用于对供者肾脏活检标本中的肾小球和肾小管结构进行分类。该算法也表现出良好性能，可以支持病理医生的诊断。[16]

表1总结了上述研究的主要特征。

**表1** 机器学习在供者选择、器官分配和移植前风险评估中的应用。

| 研究 | 国家 | 研究类型 | 数据量 | 受试者 | 干预 | 证据等级 |
|------|------|----------|--------|--------|------|----------|
| Bae等人[8] | 美国 | 前瞻性 | 497,090 | 估计供者质量与候选者状况组合（KDPI和EPTS）的KT后存活率。随机森林、Weibull回归 | 3级 |
| Brown等人[9] | 美国 | 回顾性 | 5,144 | 开发机器学习贝叶斯信念网络作为移植前器官匹配工具 | 3级 |
| Kilambi等人[10] | 美国 | 前瞻性 | 1,000 | 计算接受特定质量肾脏与拒绝的存活获益 | 3级 |
| Mark等人[11] | 美国 | 前瞻性 | 163,199 | 预测肾移植存活率并识别重要预测变量。随机生存森林、Cox比例风险模型 | 3级 |
| Ali等人[12] | 英国 | 前瞻性 | 156,749 | 利用AI技术开发高精度的风险分层指数。使用AI技术：惩罚Cox比例风险回归、随机生存森林、Cox比例风险网络、Deep Cox混合比例风险网络、Deep Cox混合 | 3级 |
| Marsh等人[14] | 美国 | 回顾性 | 83 | 评估深度学习方法能否在活检标本评估中超越病理医生表现，从而减少错误的器官废弃。基于VGG16架构的卷积神经网络 | 3级 |
| Salvi等人[15] | 意大利 | 回顾性 | 65 | 提出RENFAST用于在组织病理学图像中分割肾脏血管和纤维化。一种新的深度学习策略分割血管，同时使用自适应染色分离方法评估间质纤维化。基于深度学习准确分割血管，间质纤维化通过自适应染色分离方法评估 | 3级 |
| Salvi等人[16] | 意大利 | 回顾性 | 83 | 提出一种名为RENTAG的自动化方法。基于深度学习的RENTAG算法对供者肾脏活检标本中的肾小球和肾小管结构进行分类。RENTAG算法是一种基于深度学习的方法，用于对供者肾脏活检标本中的肾小球和肾小管结构进行分类 | 3级 |

AI = 人工智能，BBN = 贝叶斯信念网络，DL = 深度学习，EPTS = 预计移植后生存评分，KDPI = 肾脏供者档案指数，P = 前瞻性，R = 回顾性，RENFAST = 纤维化和血管壁厚度快速评估，RENTAG = 肾小管萎缩和肾小球硬化稳健评估，VGG16 = 视觉几何组16层网络。

### 3.2 手术辅助

手术数据科学是一个多学科领域，利用数据科学、AI和ML来改进手术实践、培训和结局。[17] 人工智能技术可以提供实时数据分析和决策支持，并监测手术过程和患者生命体征。[18] 此外，AI增强的影像方法，如增强现实，可以帮助外科医生在移植过程中可视化肾脏和周围结构。这些技术可能通过算法识别关键解剖特征、推荐最佳切口位置和预判潜在并发症来指导外科医生。[19]

### 3.3 结局和移植后护理

急性排斥反应（AcR）对肾同种异体移植物存活有显著影响。分析实验室结果、影像学检查和临床参数的算法可以预测AcR发作。Fritsche等人[20]开发了一种根据血清肌酐变化模式检测AcR的算法。该模型使用KT受者的记录进行训练，其诊断性能与经验丰富的医生进行了比较。

作者得出结论，该算法能够更早地识别出需要临床审查的异常肌酐轨迹。Pineda 等人 [21] 使用机器学习技术识别与排斥反应相关的基因特征。他们识别出一个由 102 个基因组成的特征，该特征与每种排斥表型聚类，并与主要组织病理学病变高度相关。作者得出结论，这种在诊断为急性排斥（AcR）的 KT 受者血液中检测到的基因特征，可作为排斥过程的潜在非侵入性生物标志物。多项研究已使用人工智能技术对移植物进行放射学评估，以诊断 AcR。1996 年，Hamilton 等人 [22] 使用人工神经网络（ANN）评估高血压肾移植受者的移植后肾动脉狭窄，通过将肾图发现与作为参考标准的动脉造影相关联，实现了 95% 的准确率。El-Baz 等人 [23] 研究了使用动态对比增强磁共振成像（DCE-MRI）早期检测 AcR。在随后的 3 项研究中，同一小组在计算机辅助诊断（CAD）系统内使用深度学习（DL）算法，利用扩散加权磁共振成像（DW-MRI）预测 AcR。[24–26] 实验室数据，包括血清肌酐和肌酐清除率，也被纳入其中。这些 CAD 系统在 AcR 检测中达到了约 90% 的总准确率。

移植物功能延迟（DGF），定义为 KT 后 1 周内需要透析，与更高的排斥率、短期发病率和死亡率、住院率和成本有关。[27] 预测 DGF 对于改善患者预后很重要，几种人工智能方法已应用于此任务。[17] Liu 等人 [28] 进行了一项儿科 KT 的单中心回顾性队列研究，涉及 140 名受者及其相应的供者。收集了供者和受者的人口统计学、临床和实验室数据。使用单因素 logistic 回归识别与 DGF 相关的特征，随后使用机器学习方法的组合构建了 DGF 风险评分。高密度脂蛋白胆固醇、循环死亡后捐献、热缺血时间、冷缺血时间、性别匹配和供者肌酐与 DGF 显著相关（p < 0.05）。在评估的 97 个机器学习模型中，随机森林模型——调整参数为 mtry = 5（每次分裂随机采样的变量数）——使用 75:25 的训练与验证数据划分，达到了最佳的预测性能。该模型在整体队列中产生的曲线下面积（AUC）值为 0.983，训练集为 1.000，验证集为 0.905，支持了其临床实用性。[28] 此外，一项回顾性研究探讨了使用基于人工智能的计算机断层扫描体成分分析来预测老年患者的肾移植存活率。关键变量包括体质指数（BMI）、肌肉量指数（PMI）、骨骼肌质量指数（SMI）和脂肪组织测量值。PMI 和 SMI 降低显著影响 1 年和 3 年肾移植存活率，而肌少症和肥胖也影响存活率。作者得出结论，基于人工智能的体成分分析可用于预测肾移植的短期和长期预后。[29]

表 2 总结了上述研究的主要特征。

表 2 用于手术辅助和早期移植物结果预测（包括 DGF）的人工智能和机器学习模型

| 研究 | 国家 | 研究类型 | 数据量 | 对象 | 干预措施 | 证据级别 |
| :--- | :--- | :--- | :--- | :--- | :--- | :--- |
| Piana 等人 [19] | 意大利 | 前瞻 | 19 | 使用 3D 成像重建与 AR 在 KT 关键步骤中术中定位斑块。 | 包括 AR 在内的 AI 增强成像 | 4 级 |
| Fritsche 等人 [20] | 德国 | 回顾 | 102 | 开发一种技术在无法定义正常范围时从实验室结果中识别关键情况。 | 基于案例的推理，以动态时间规整作为相似度度量 | 3 级 |
| Pineda 等人 [21] | 美国 | R | 37 | 通过 RNA 测序基于转录组分析识别可能区分排斥表型的蛋白编码和非编码基因。 | 高级机器学习方法 | 4 级 |
| Hamilton 等人 [22] | 沙特阿拉伯王国 | 回顾 | 31 | 评估解释卡托普利移植肾图的最适当标准。 | ANN | 4 级 |
| El-Baz 等人 [23] | 埃及 | 回顾 | 30 | 引入一种自动方法，使用 DCE-MRI 对正常和 AcR 移植进行分类。 | CAD 系统 | 4 级 |
| Shehata 等人 [24] | 美国 | R | 100 | 开发一种 CAD 系统，使用 3D 和 b 值 DW-MRI 数据早期检测 AcR。 | 使用基于 DL 的分类器，采用堆叠非负约束自动编码器区分被拒绝和未被拒绝的肾移植 | 使用基于 DL 的分类器，采用堆叠非负约束自动编码器区分被拒绝和未被拒绝的肾移植 4 级 |
| Abdeltawab 等人 [25] | 阿拉伯联合酋长国 | 回顾 | 56 | 提出一种 CAD 系统，通过融合影像标志物（DW-MRI）与临床生物标志物早期无创检测肾排斥。 | 基于 DL 的 CAD 系统 | 3 级 |
| Shehata 等人 [26] | 美国 | 前瞻 | 47 | 开发一种新颖的自动化肾脏计算机辅助诊断系统（Renal-CAD），用于移植后早期和精确诊断 AcR。 | CAD 系统 DL 基于堆叠自动编码器 | 3 级 |
| Liu 等人 [28] | 中国 | 回顾 | 140 | 开发一种模型，通过整合供者和受者特征预测儿科 KT 后的 DGF。 | 使用机器学习方法的组合构建的 DGF 风险评分 随机森林 | 3 级 |
| Beetz 等人 [29] | 德国 | 回顾 | 42 | 调查使用基于 CT 的体成分分析预测患者和肾移植物存活率。 | 基于 AI 的组织分割 | 3 级 |

3D = 三维，AcR = 急性排斥，ANN = 人工神经网络，AR = 增强现实，CAD = 计算机辅助诊断，DCE-MRI = 动态对比增强磁共振成像，DGF = 移植物功能延迟，DW-MRI = 扩散加权磁共振成像，KT = 肾移植，P = 前瞻性，R = 回顾性。

3.4. 免疫抑制治疗
KT 后的免疫抑制治疗复杂且个体化。它涉及多种药物的组合，需要仔细监测和管理以防止排斥并最小化不良反应。这些药物包括皮质类固醇、钙调磷酸酶抑制剂（他克莫司和环孢素）、mTOR 抑制剂（依维莫司和西罗莫司）以及抗增殖剂，如霉酚酸酯。[30]

3.5. 他克莫司
1991 年，McMichael 等人 [31] 是最早开发智能给药系统的人员之一，这是一个基于早于机器学习的经典人工智能技术的“专家系统”。该系统通过分析大型患者队列的历史给药数据来估计药物剂量和由此产生的血液浓度。该算法随后在临床使用中经过验证，在预测他克莫司剂量与血浆浓度关系方面显示出 95% 的准确率。
使用 1995 年至 2008 年收集的 KT 受者数据，Seeling 等人 [32] 开发了一种回归树模型，作为预测他克莫司水平的临床决策支持工具。
2015 年在挪威进行的一项前瞻性研究直接比较了计算机辅助和传统给药方法以达到目标他克莫司浓度。研究人员纳入了 78 名 KT 受者，并随机将其分配至计算机辅助给药组或传统给药组。与传统给药相比，计算机辅助给药的他克莫司浓度在目标治疗范围内的比例显著更高。这种差异在标准风险患者（分别为 90% [95% CI, 84%–95%] 对比 78% [95% CI, 76%–82%]；p < 0.001）和高风险患者（分别为 77% [95% CI, 71%–80%] 对比 59% [95% CI, 40%–74%]；p = 0.04）中均有观察到。[33] 作者建议该模型可作为常规工具广泛采用，以支持他克莫司管理。[33]
在一项涉及中国 1045 名 KT 受者的大规模研究中，研究人员比较了多元线性回归与 8 种机器学习算法在确定稳定他克莫司剂量方面的预测准确性。评估的机器学习技术包括人工神经网络（ANN）、回归树、多元自适应回归样条、提升回归树、支持向量回归、随机森林回归、Lasso 回归和贝叶斯加性回归树。该研究强调了人工智能驱动方法在实现个体化他克莫司治疗中的重要性。[34]
最后，Thishya 等人 [35] 构建了一个 ANN 模型，基于 ABCB1 和 CYP3A5 基因多态性的影响来预测他克莫司的生物利用度。他们的发现表明，年龄较小、男性和理想体质指数等特征与他克莫司生物利用度较低有关。
使用 RF 算法，Cai 等人 [36] 调查了 182 名肾移植受者中他克莫司水平、内源性 CYP3A4 表型、CYP3A5 基因型和临床因素之间的关系。内源性 CYP3A4 表型是他克莫司浓度和所需剂量的最强预测因子。RF 模型显示出卓越的拟合度77 和预测性能，表明其在优化移植后免疫抑制剂剂量方面的潜在效用。

3.6. 环孢素
Camps-Valls 等人 [37] 探索了使用人工神经网络来个体化 KT 受者的环孢素 A 剂量。他们使用 32 名移植受者的数据训练了一个 ANN 模型，展示了其可靠预测适当剂量和稳态血液浓度的能力。
在一种相关方法中，G?ren 等人 [38] 使用 Takagi–Sugeno 型自适应网络模糊推理系统来估计移植受者血液样本中的环孢素 A 浓度。使用 138 名肾受者和 20 个参数的数据，作者建议该模型可以帮助临床医生在日常临床实践中确定最佳药物剂量。

3.7. 霉酚酸酯
2021 年，Woillard 等人使用机器学习技术预测霉酚酸暴露量，用于治疗药物监测。他们的预测模型是使用来自 6884 名移植受者的 12,877 个 AUC 测量值开发的。该模型使用了在指定时间点（给药后 20 分钟、1 小时和 3 小时）获得的 2 或 3 个霉酚酸浓度测量值。当在独立的药代动力学数据集中验证时，机器学习模型的表现优于传统的贝叶斯最大后验估计，表明其在常规剂量调整和暴露评估方面的潜在效用。[39]
此外，还推出了一款在线风险评估工具，即 CISTEM 免疫抑制并发症排斥系统，通过纳入供者和受者数据来评估与免疫抑制治疗相关的并发症。[17]

表 3 总结了上述研究的主要特征。

表 3 机器学习在移植后免疫抑制治疗中的应用

| 研究 | 国家 | 研究类型 | 数据量 | 对象 | 干预措施 | 证据级别 |
| :--- | :--- | :--- | :--- | :--- | :--- | :--- |
| McMichael 等人 [31] | 美国 | 前瞻 | 32 | 通过分析大型患者队列的历史给药数据来估计药物剂量和由此产生的血液浓度。 | 使用随机开环控制理论的 IDS（“专家系统”） | 4 级 |
| Seeling 等人 [32] | 瑞士 | 回顾 | 492 | 从临床数据集中识别他克莫司治疗的适应规则。 | RT 模型 | 4 级 |
| Tang 等人 [34] | 中国 | 前瞻 | 1045 | 比较 MLR 和 8 种 ML 技术用于基于药物遗传算法预测他克莫司稳定剂量。 | ANN, RT, MARS, BRT, SVR, RFR, LAR, 和 BART | 4 级 |
| Thishya 等人 [35] | 印度 | 前瞻 | 129 | 探索 ABCB1 和 CYP3A5 基因多态性在预测他克莫司生物利用度和移植后糖尿病风险中的作用。 | ANN | 4 级 |
| Cai 等人 [36] | 中国 | 回顾 | 182 | 评估一种整合方法，基于内源性 CYP3A4 表型、CYP3A5 基因型和临床变量预测个体他克莫司浓度和剂量。 | 一种 RF 算法，纳入内源性 CYP3A4 表型、CYP3A5 × 3 基因型以及他克莫司处置的其他临床决定因素 | 4 级 |
| Camps-Valls 等人 [37] | 西班牙 | 回顾 | 32 | 个体化 KT 受者的环孢素 A 剂量。 | 在 2 个链式模型中的神经网络和神经网络集成，第一个模型预测的浓度作为剂量预测模型的输入 | 4 级 |
| G?ren 等人 [38] | 土耳其 | 回顾 | 138 | 预测 KT 受者血液样本中的环孢素 A 浓度。 | 用于预测环孢素 A 浓度的 Takagi–Sugeno 型 ANFIS Type ANFIS 用于预测环孢素 A 的浓度。 | 4 级 |
| Woillard 等人 [39] | 法国 | 回顾 | 6884 | 使用 2 或 3 个血液浓度和其他预测因子估计器官移植受者的霉酚酸间隔曲线下面积（AUC 0–12 h），并在外部验证数据集中与 MAP-BE 比较性能。 | 基于 ML 的 AUC 预测模型（或用于 AUC 估计的机器学习算法） | 4 级 |

ANFIS = 自适应网络模糊推理系统，BART = 贝叶斯加性回归树，BRT = 提升回归树，IDS = 智能给药系统，LAR = Lasso 回归，MAP = 最大后验，MARS = 多元自适应回归样条，ML = 机器学习，MLR = 多元线性回归，P = 前瞻性，R = 回顾性，RFR = 随机森林回归，RT = 回归树，SVR = 支持向量回归，TSD = 他克莫司稳定剂量。

3.8. 机器学习方法的比较分析
对纳入研究的横断面分析揭示了模型复杂性与临床可解释性之间明显的权衡。
预测性能：深度学习（DL）模型，特别是用于组织病理学评估的卷积神经网络（CNN），与传统模型相比，始终表现出更高的准确率和 AUC 值（范围，0.88–0.94）。然而，它们的“黑箱”性质仍然是床边临床整合的障碍。
临床实用性和可解释性：基于树的集成方法，如随机森林（RF）和极限梯度提升（XGBoost），成为移植物存活预测中最平衡的工具。与 DL 模型不同，这些方法允许进行特征重要性分析（例如，识别冷缺血时间或供者年龄为主要预测因子），这与临床决策更为一致。
传统模型与机器学习模型：从供者选择到长期随访的所有阶段，机器学习模型都显著优于 KDPI 等传统评分。虽然 KDPI 提供静态风险估计，但机器学习架构整合了动态变量，使 DGF 的预测敏感性提高了 15%–20%。

3.9. 质量评估和偏倚风险（预测模型偏倚风险评估工具）
使用 PROBAST 评估了 26 项纳入研究的方法学质量和偏倚风险。总体评估显示，在 4 个领域中存在相当大的异质性。
- 参与者领域：大多数研究被评为低偏倚风险，因为它们使用了大型国家登记处或具有适当纳入和排除标准的明确界定的前瞻性或回顾性队列。
- 预测因子领域：该领域始终显示低偏倚风险。大多数模型依赖于标准化的临床变量（例如，KDPI、供者和受者年龄以及 HLA 错配）或在不了解结果的情况下评估的良好记录的影像学和组学数据。
- 结局领域：所有研究在该领域均被评为低偏倚风险。

## 临床终点定义

临床终点（如延迟性移植物功能、急性排斥反应及移植物存活）依据国际共识标准（如Banff标准）定义，并基于客观医疗记录确定。

- **分析域**：这是最关键的分析域，其中92%的研究被归类为存在高偏倚风险。主要问题包括：缺乏在独立地理或时间队列中的外部验证，因预测变量与事件比例过高而可能导致的过拟合，以及缺失数据管理报告的不足。这些发现表明，尽管AI/ML模型在肾移植中具有应用前景，但其向常规临床实践的转变仍需更严格的外部验证。

## 4. 讨论

肾移植的临床决策传统上依赖于中心特定的算法和临床经验，而这些方法往往无法预测供体与受者相关变量之间的复杂交互作用。人工智能和机器学习方法提供了数据驱动的替代方案，能够改善移植全流程中的个体化决策。

一份全面总结，详述了本综述中所有研究的基特征、方法学、AI/ML模型及性能指标，呈现于讨论部分末尾（表4）。

### 表4 人工智能在肾移植中的主要应用（按移植阶段分类）

| 肾移植阶段 | 临床目标 | AI/ML方法 | 关键变量/数据来源 | 相比传统方法的主要优势 | 代表性研究 |
|---|---|---|---|---|---|
| 术前评估 | 器官分配 | 供体-受者选择与器官分配 | 监督式ML、贝叶斯网络 | 供体年龄、死亡原因、缺血时间、受者人口学特征及合并症 | 改善个体化风险预测；减少对静态评分（KDPI和EPTS）的依赖；可能减少器官废弃率 | Ali et al.[12]; Bae et al.[8]; Kilambi et al.[10]; Mark et al.[11]; Ali et al.[12] |
| 移植活检 | 器官质量与损伤评估 | 深度学习 | 组织病理图像、分子生物标志物 | 提高诊断准确性和可重复性；减少观察者间变异及器官废弃率 | Marsh et al.[14]; Salvi et al.[15,16] |
| 术中阶段 | 手术引导与解剖可视化 | AI成像、增强现实和手术数据科学 | 术前影像、术中视频及空间数据 | 增强实时可视化；可能减少技术错误和并发症 | Kotsifa and Mavroeidis[17] |
| 术后监测 | 急性排斥反应 | 检测急性排斥反应 | 模式识别和转录组ML模型 | 血清肌酐趋势、基因表达谱 | 比传统监测更早检测排斥反应；无创评估 | Fritsche et al.[20]; Pineda et al.[21] |
| 延迟性移植物功能 | 检测延迟性移植物功能 | 计算机辅助诊断系统、ML分类器及回归式ML模型 | 动态对比增强磁共振成像、扩散加权磁共振成像、影像数据、供体类型、缺血时间、血脂谱、体成分 | 诊断准确性高；改善风险分层及围手术期规划 | El-Baz et al.[23]; Shehata et al.[26]; Abdeltawab et al.[25]; Shehata et al.[26]; Liu et al.[28]; Beetz et al.[29] |
| 免疫抑制治疗 | 个体化药物剂量与暴露量控制 | 回归树、人工神经网络、药物基因组学ML | 药物浓度、人口学特征、遗传学（CYP3A4）及体重指数 | 增加治疗范围内的时间；减少毒性和排斥风险 | McMichael et al.[31]; Seeling et al.[32]; St?rset et al.[33]; Thishya et al.[35]; Cai et al.[35] |

**缩写说明：** AcR = 急性排斥反应；AI = 人工智能；ANN = 人工神经网络；AR = 增强现实；BMI = 体重指数；CAD = 计算机辅助诊断；DCE-MRI = 动态对比增强磁共振成像；DGF = 延迟性移植物功能；DL = 深度学习；DW-MRI = 扩散加权磁共振成像；EPTS = 估算的移植后生存评分；KDPI = 肾供体概况指数；KT = 肾移植；ML = 机器学习；RT = 回归树；SDS = 手术数据科学。

### 4.1 已证实的优势

在术前阶段，ML算法已展现出优于传统风险评分（如KDRI、KDPI和EPTS）的优势。尽管这些指数提供了标准化的风险分层，但其使用可能无意中导致潜在可用器官的废弃。相比之下，Bae et al.[8]、Kilambi et al.[10]、Mark et al.[11]和Ali et al.[12]开发的监督式ML算法可同时整合多个供体和受体变量，改善预后预测并支持更加细致的分配决策。同样，Brown et al.[9]开发了一种贝叶斯信念网络，能够准确预测1年和3年的移植物失败，展示了概率型ML模型超越静态评分系统的能力。

人工智能在肾活检的组织病理学评估方面也展现出显著优势。基于组织学和分子数据训练的模型提高了诊断准确性和可重复性。值得注意的是，Marsh et al.[14]开发了一种深度学习模型来量化供体活检中的肾小球硬化程度，其表现优于专家病理学家，并使器官废弃率降低了37%。此外，Salvi et al.[15,16]开发的纤维化和血管厚度快速评估（REFAST）以及肾小管萎缩和肾小球硬化稳健评估（RETAGS）算法支持了血管和基质损伤的识别，进一步巩固了AI作为决策支持工具（而非取代专家评估）的角色。

在手术方面，AI驱动的成像和增强现实技术已成为有价值的辅助工具。在手术数据科学的框架下，这些工具能够实现实时解剖可视化和空间引导，有望提高术中精确度并减少肾移植期间的技术并发症。[17]

在术后阶段，基于AI的方法已被应用于急性排斥反应和移植物功能障碍的早期检测。基于纵向肌酐趋势[20]以及与免疫激活相关的转录组特征[21]的模型，比传统监测更早地识别了排斥反应。此外，使用动态对比增强磁共振成像和扩散加权磁共振成像的计算机辅助诊断系统在检测急性排斥反应方面达到了近90%的高准确率，凸显了其作为无创诊断工具的潜力。[23-26]

AI的另一个重要应用是延迟性移植物功能的预测。通过整合临床、生化和影像衍生特征，ML模型的预测性能优于传统回归方法。纳入供体类型、缺血时间、血脂谱和体成分分析的研究强调了AI细化风险分层和指导围手术期管理的能力。[28,29]

AI在肾移植中最成熟的应用之一是根据个体患者的反应实现免疫抑制治疗的个体化，从而最小化不良事件风险并改善移植物存活。早期的他克莫司剂量预测模型为更高级的ML和人工神经网络方法奠定了基础，后者持续增加了患者处于治疗范围内的时间。随后纳入药物基因组学数据和内源性CYP3A4活性的研究进一步提高了剂量预测的准确性。[36] 环孢素也报告了类似的获益，而新兴的基于ML的霉酚酸酯暴露量估算模型也优于传统的贝叶斯MAP方法，支持了其常规临床应用的潜力。

### 4.2 当前证据的局限性

尽管成果令人鼓舞，但若干局限性阻碍了AI在肾移植中的广泛应用。许多模型是使用回顾性单中心数据集开发的，这限制了其通用性和外部有效性。此外，临床终点的异质性定义以及各中心间数据质量的差异使得模型比较和验证变得复杂。

实际障碍同样存在，包括AI工具与临床工作流程的有限整合、与电子健康记录的互操作性不足，以及对专用基础设施和培训的需求。重要的是，目前大多数AI系统作为决策支持工具运行，而非完全自主系统，因此需要临床医生持续监督。

### 4.3 伦理挑战与未来展望

AI在移植领域的应用引发了重要的伦理和法律问题。关于AI驱动决策的责任归属、算法输出的透明度以及监管监督等问题仍未解决。此外，算法偏倚是一个主要关注点，因为基于非代表性数据集训练的模型可能会持续甚至加剧移植获取和预后方面的现有差异。

未来研究应聚焦于前瞻性多中心验证研究、改进模型可解释性，以及将AI系统整合到实时临床决策平台中。临床医生、数据科学家和伦理学家之间的跨学科合作对于确保AI安全、公平且具有临床意义地部署至关重要，从而最终改善肾移植预后。[40] 最终，AI应增强而非取代临床问责；临床决策的责任必须牢牢掌握在移植医生手中，他们应得到算法工具的支持而非替代。

目前，大多数模型是在特定本地数据集上训练的，不易移植到其他医院。未来的工作应侧重于使用更广泛的多中心数据训练算法，以确保其在不同患者群体和手术方案中保持有效。此外，需要更高的报告透明度以确保可重复性。这包括共享算法背后的具体逻辑和使用的确切变量。清晰记录数据清洗和模型训练阶段将使其他研究团队能够独立验证这些工具，这对于建立其在移植单元中广泛应用所需的临床信任至关重要。

### 4.4 临床整合路径

为了成功地将ML模型从理论验证转变为常规肾移植管理，必须建立清晰的运营路径。首先，未来的部署需要通过自动化管道与现有电子健康记录无缝整合；要求临床医生手动将数据输入独立计算器会造成工作流程摩擦，阻碍临床采纳。其次，这些工具应作为后台实时临床决策支持系统运行，提供概率性警报而非刚性指令，从而保留医生自主权。最后，医学教育需要根本性转变。将基础数字素养和AI可解释性培训纳入肾脏病学和移植进修项目是必要的，以帮助临床医生批判性地解读算法风险评估、识别潜在偏倚，并管理与AI增强决策相关的法律和伦理责任。

## 5. 结论

人工智能提供了强大的工具来改善肾移植，从供体-受者匹配到术后监测。机器学习模型在预测预后和支持临床决策方面展现了前景，尽管伦理问题、工作流程整合和算法偏倚等挑战依然存在。尽管AI无法取代医生的专业知识，但其负责任地采纳可能显著改善患者预后和肾移植的未来。

## 致谢

无。

## 伦理声明

不适用。

## 利益冲突声明

作者声明无利益冲突。

## 资金来源

本研究未获得公共、商业或非营利部门任何资助机构的专项拨款或财务支持。

## 作者贡献

IP, JGR, BGH, LI, SI, MIG, MC, DT, LEOP：概念化、方法学、初稿撰写、数据整理、形式分析；VGDS：概念化、方法学、初稿撰写、数据整理、形式分析、监督、验证、修改与编辑；JBR, JMS：监督、验证、修改与编辑。

## 数据可用性

本研究中生成或分析的所有数据均包含在本已发表的文章中。