综述：人工智能集成传感技术在非侵入性慢性肾病诊断中的最新进展与未来展望

《Frontiers in Artificial Intelligence》：Recent advancements and future prospects on AI-integrated sensing techniques for non-invasive chronic kidney disease diagnosis: a review

　　

慢性肾病（CKD）已成为全球主要的公共卫生问题，大多数CKD患者直到晚期才出现症状，导致发病率和死亡率不断上升。糖尿病和高血压是CKD发生的主要致病因素，损害肾微循环系统。此外，急性肾损伤（AKI）的影响可能导致恢复或进展为CKD或肾衰竭。传统的诊断技术，如测量血肌酐水平，具有侵入性且耗时，并且可能忽视CKD的早期阶段。随着传感技术领域的发展和人工智能（AI）领域的革命，CKD的无创诊断技术取得了巨大进步。本综述文章涵盖了使用非侵入性生物流体/生物基质（如唾液、呼吸和汗液）进行慢性肾病诊断的无创传感技术。此外，还分析了将机器学习（ML）模型纳入早期CKD自动预测的框架。

**1 Introduction**
慢性肾病（CKD）是一种缓慢进展的疾病，导致肾功能持续下降，全球约8亿成人受影响，患病率在男性中为10.4%，女性中为11.8%。CKD常无症状，直至晚期才被发现，导致心血管疾病等并发症。传统诊断方法如血清肌酐和尿白蛋白-肌酐比值（uACR）虽有验证，但具有侵入性且可能漏诊早期变化。近年来，生物传感技术、呼吸组学和机器学习在肾病领域取得进展，但三者整合的诊断平台仍缺乏。

**1.1 Stages of chronic kidney disease**
CKD根据肾小球滤过率（GFR）分为5期：第1期GFR>90 ml/min/1.73m²（轻微损伤），第2期60-89（轻度下降），第3期30-59（中度受损），第4期15-29（严重受损），第5期<15（完全衰竭）。早期检测（1-3期）可延缓进展，第4期需高度重视，第5期需透析或移植。

**2 Methodology**
按照PRISMA 2020指南进行系统综述，检索PubMed、Scopus、Web of Science和IEEE Xplore数据库（2000年1月至2026年3月），使用关键词如慢性肾病（CKD）、唾液、汗液、呼吸、生物传感器、机器学习（ML）、人工智能（AI）等。纳入同行评审期刊研究，排除编辑评论、综述、会议论文等。初始6809条记录，去除重复和无关后筛选，最终93篇纳入定性综合。

**3 Review on CKD biomarkers**
血清尿素和肌酐是临床验证的CKD生物标志物，其浓度与肾功能下降相关。非侵入性生物流体（唾液、呼吸、汗液）中的生物标志物也受到关注。

**3.1 Salivary biomarker for the detection of CKD**
唾液中CKD相关生物标志物包括尿素、肌酐、胱抑素C、皮质醇、α-淀粉酶、磷酸盐、电解质等。多项研究显示CKD患者唾液尿素和肌酐显著升高，磷酸盐也呈强标志物。唾液导电性作为快速筛查指标，AUC约0.80。但唾液成分浓度低、个体变异，需高灵敏度传感器。

**3.2 Breath-based biomarker for the detection of CKD**
呼气中挥发性有机化合物（VOCs）和氨（NH₃）是CKD潜在标志物。研究采用SIFT-MS、电子鼻、金纳米颗粒传感器等，氨的AUC达0.902，三甲胺（TMA）和丙酮等也具诊断价值。机器学习结合呼吸氨测量可预测CKD，准确率可达91%，但需更大规模验证。

**3.3 Sweat-based biomarker for the detection of CKD**
汗液中含有尿素、肌酐、尿酸、钾、钠、乳酸等，CKD患者浓度升高。可穿戴传感器（如LIG电路、NiCo-MOF复合材料）可检测上述标志物，但多数仍处于概念验证阶段，需长期临床测试。

**4 Review of sensory devices for non-invasive detection of CKD**
生物传感器基于电化学（电位、安培、阻抗、电导）、质量（压电）或光学原理。尿素传感器是重点，包括电位型、安培型等。智能手机光学尿素传感器通过RGB成像检测唾液尿素。纳米材料增强传感器灵敏度。尿液和呼吸检测也有应用，但呼吸氨浓度低需高灵敏度传感器。

**4.1 Biosensor standardization**
缺乏标准化制造、校准和长期稳定性规范。建议采用抗污染表面修饰（如聚乙二醇（PEG）、两性离子聚合物）、自校准和AI辅助漂移补偿，以提高可靠性和可重复性。

**5 Machine learning algorithms with explainable AI (XAI) for early detection of CKD**
机器学习算法如K近邻（KNN）、决策树（DT）、随机森林（RF）、支持向量机（SVM）和卷积神经网络（CNN）用于CKD预测。许多研究使用UCI CKD数据集，RF和AdaBoost达到100%准确率，但需警惕过拟合和数据泄漏。可解释AI（XAI）如SHAP和LIME提高模型透明度，XGBoost等集成方法表现优异。

**6 Discussion**
非侵入性生物流体（唾液、汗液、呼吸）的ROC-AUC值：唾液0.85-0.96，汗液0.80-0.95，呼吸0.86-0.97，混合方法达0.93-0.98。当前研究局限性包括样本量小、单中心、依赖UCI数据集、缺乏外部验证。建议采用联邦学习（FL）和生成对抗网络（GAN）合成数据解决数据稀缺和隐私问题。Agentic AI可增强多步推理和临床决策支持。

**7 Future perspectives**
未来发展方向包括：传感器阵列克服单传感器限制；患者中心方法结合物联网（IoT）和医疗物联网（MIoT）实现连续监测；高级深度学习自动特征提取；以及满足监管要求（FDA、EU MDR、CDSCO）。

**7.1 Impacts on external factors affecting the sensors performance**
温湿度变化影响传感器性能，可采用多传感器阵列和补偿机制（如湿度、温度跟踪）。

**7.2 Patient-centric approaches and personalized care**
通过IoT/MIoT实现持续连接和个性化治疗，改善患者-医生协作和长期管理。

**7.3 Advanced data processing and predictive algorithms**
深度学习模型自动提取特征，但需解决过拟合和欠拟合问题，确保实时检测的鲁棒性。

**7.4 Policies and regulatory requirements for AI-integrated biosensing devices**
需证明分析有效性、临床有效性和临床实用性，满足FDA、EU MDR 2017/745、CE标志、CDSCO等法规。AI模型需评估透明度、可解释性、网络安全、偏见缓解和数据隐私，并遵守ISO 13485和ISO 14971。可解释AI（XAI）结合校准和不确定性估计可增强临床信任。

**8 Conclusion**
非侵入性生物传感结合AI分析是传统血清诊断的补充，而非替代。唾液分析最有前景。AI增强非侵入性传感器适用于筛查、监测和风险分层，但阳性结果需结合临床评估和标准实验室测试。