编辑推荐：
为解决 SPECT 测量肾功能存在放射性、操作复杂及成本高的问题，研究人员开展利用人工智能（AI）结合非增强 CT 估算单肾肾小球滤过率（GFR）和分肾功能（SRF）的研究。结果显示该方法可行，且估算值与 SPECT 测量值显著相关，有望降低风险、提高效率和减少成本。
在肾脏疾病的诊疗领域，准确评估肾功能对于制定科学的治疗方案至关重要。肾小球滤过率（Glomerular Filtration Rate，GFR）作为衡量肾功能的关键指标，其中单肾 GFR 对于萎缩肾或肾积水患者的术前评估意义重大 ，而分肾功能（Split Renal Function，SRF）在泌尿外科手术决策中起着关键作用。传统上，单光子发射计算机断层扫描（Single-Photon Emission Computed Tomography，SPECT）是测量单肾 GFR 和 SRF 的金标准，但它存在放射性危害、操作复杂以及成本高昂等问题，这在一定程度上限制了其临床应用。此外，以往使用的增强 CT（Contrast-Enhanced CT，CECT）虽可用于评估肾功能，但注射碘造影剂会增加肾毒性风险，不适用于肾功能恶化或有造影剂过敏史的患者。还有研究尝试基于非增强 CT 的肾实质体积（Renal Parenchymal Volume，RPV）来估算肾功能，但仅依靠 RPV 难以全面评估肾脏组织健康状况，且 RPV 计算依赖人工分割，效率低下，临床推广困难。
为了解决这些难题，上海交通大学医学院附属第九人民医院、复旦大学附属华山医院以及中国科学院苏州生物医学工程技术研究所等机构的研究人员开展了一项具有创新性的研究。他们利用人工智能（Artificial Intelligence，AI）技术结合非增强 CT，旨在实现单肾 GFR 和 SRF 的自动估算，并评估其在区分不同健康状态肾脏方面的临床实用性。该研究成果发表在《Insights into Imaging》上，为肾脏疾病的诊断和治疗开辟了新的道路。
研究人员在此次研究中运用了多种关键技术方法。首先，收集了两个中心的患者数据，包括 128 例来自中心 I 的患者作为训练集，117 例来自中心 II 的患者作为测试集。这些患者均患有萎缩肾或肾积水，且在 SPECT 成像前后 30 天内进行了非增强 CT 扫描。其次，使用深度学习模型 UNETR 对肾实质和肾积水区域进行自动分割，该模型以 U-Net 结构为基础，结合 Transformer 作为编码器，能有效提取不同尺度的图像特征。最后，通过影像组学技术从分割区域提取大量特征，并结合临床特征，利用多变量线性回归（Multivariable Linear Regression，MLR）等方法来估算单肾 GFR 和 SRF 。
下面来看具体的研究结果：
- 患者队列特征：对训练集和测试集患者的基线特征进行比较，发现除 RPV 和单肾 GFR 外，其他特征无显著差异。这表明两个队列具有一定的可比性，为后续研究提供了可靠基础。
- 自动分割性能：以手动分割为参考标准，自动肾实质分割在训练集和测试集的平均 Dice 相似系数（Dice Similarity Coefficient，DSC）分别为 0.893±0.105 和 0.844±0.132，自动肾积水分割的平均 DSC 分别为 0.732±0.323 和 0.686±0.305 。而且，自动分割平均处理时间仅为 3.4 秒 / 例，相比手动分割的 1477.9 秒 / 例，效率大幅提高。这说明深度学习模型能高效且较为准确地完成肾实质和肾积水区域的自动分割。
- GFR 的估算：从 CT 图像中提取的影像组学特征经处理后，最终得到 rGFR 公式。rGFR 与 SPECT 测量的 GFR 相关性良好（r=0.72，p<0.001），但一致性系数（Lin’s Concordance Coefficient，CCC）为 0.60 。进一步结合年龄和 rGFR 得到 rcGFR，rcGFR 与 SPECT 测量的 GFR 相关性更强（r=0.75），平均绝对误差（Mean Absolute Error，MAE）更小（10.66 mL/min/1.73 m2），CCC 更高（0.70）。Bland-Altman 图显示，估算的 GFR 与 SPECT 测量值的差异大多在一致性界限（Limits of Agreement，LoA）内，表明二者一致性良好。
- SRF 的估算：rcSRF、pSRF、hSRF 经多变量线性回归组合形成 rcphSRF。rcphSRF 与 SPECT 测量的 SRF 相关性最强（r=0.92，p<0.001） ，MAE 最小（7.87%），CCC 最高（0.88）。Bland-Altman 图表明，估算的 SRF 与 SPECT 测量值的差异超 90% 在 LoA 内，一致性较好。
- 区分不同健康状态肾脏的性能：rcGFR 和 rcphSRF 在区分不同健康状态肾脏时，总体表现出较高的受试者工作特征曲线下面积（Area Under the Receiver Operating Characteristic Curve，AUC）、准确性和特异性，但在识别无功能肾或需肾切除术的肾脏时敏感性较低。不过，在区分肾功能受损或正常、肾功能较低或正常、非优势肾或优势肾时，二者性能相对平衡。
研究结论和讨论部分指出，深度学习模型可实现非增强 CT 中肾实质和肾积水区域的自动分割，基于此提取的影像组学特征能有效估算单肾 GFR 和 SRF，且在区分不同健康状态肾脏方面具有较高准确性和特异性。该研究首次尝试基于非增强 CT 利用 AI 评估肾功能，模型具有良好的泛化能力。但研究也存在一些局限性，如 5mm 层厚的非增强 CT 可能受部分容积效应影响影像组学特征提取；研究队列未纳入血尿素氮和血肌酐测量数据；自动分割在估算 SRF 时与手动分割存在误差，自动分割准确性有待提高。
尽管如此，这项研究依然意义重大。它为萎缩肾或肾积水患者肾功能评估提供了一种新的、可行的方法，有望减少患者接受放射性检查的风险，提高诊断效率，降低医疗成本。未来研究可进一步优化模型，纳入更多临床指标，改进自动分割技术，从而推动肾脏疾病诊断和治疗的发展，为患者带来更多福祉。
