深度学习模型赋能胸片预测中重度肾功能下降风险的前瞻性研究

《Journal of Imaging Informatics in Medicine》：Prediction of Future Risk of Moderate to Severe Kidney Function Loss Using a Deep Learning Model–Enabled Chest Radiography

为解决慢性肾脏病(CKD)早期预测难题，研究人员开发了一种基于胸片(CXR)的深度学习模型(DLM)，通过79,219例患者数据验证，该模型在内部和外部验证集的C-index分别达0.903和0.851，能有效识别5年内进展至CKD 3b期的高危人群(HR达16.88)，为临床早期干预提供了创新性影像学工具。

　　慢性肾脏病(CKD)仍是全球公共卫生重大挑战，亟需更精准的早期预测工具。这项突破性研究构建了基于胸片(CXR)的深度学习模型(DLM)，通过对79,219例eGFR 65-120患者的多中心数据分析，将受试者分为开发集(n=37,983)、调优集(n=15,346)、内部验证集(n=14,113)和外部验证集(n=11,777)。该模型先通过CXR-报告对进行预训练，再经开发集微调。研究采用2011年4月至2022年2月回顾性数据，最长随访5年，主要终点包括CKD 3b期进展、终末期肾病(ESRD)/透析和死亡率。令人振奋的是，模型在内外验证集的C-index分别高达0.903(95%CI 0.885-0.922)和0.851(95%CI 0.819-0.883)。高危组5年内进展至CKD 3b期的发生率(19.2%和13.4%)显著高于中危组(5.9%和5.1%)和低危组(0.9%和0.9%)。经年龄、性别和eGFR校正后，高危组相较低危组的风险比(HR)飙升至16.88(95%CI 10.84-26.28)和7.77(95%CI 4.77-12.64)。进一步分析揭示，高危组患者并发症和血/尿标志物异常发生率显著增高。这项研究开创性地证明，常规胸片蕴含的深层生物学特征可转化为预测肾功能恶化的"数字生物标志物"，为CKD精准防控开辟了新途径。