《Frontiers in Oncology》：Deep learning in renal ultrasound: applications, challenges, and future outlook
编辑推荐：
本综述系统阐述了人工智能（AI），特别是深度学习（DL）技术，在提升肾脏超声（Renal Ultrasound）工作流程客观性与自动化方面的巨大潜力。文章详细总结了DL在肾脏分割（Segmentation）、体积测量、功能预测（如估算肾小球滤过率eGFR）及疾病诊断（如慢性肾脏病CKD、急性肾损伤AKI）等关键任务中的应用，并评估了卷积神经网络（CNN）、Transformer等模型的性能。同时，文章也指出了当前面临的数据质量、模型可解释性、泛化能力及临床整合等挑战，并对未来与多模态数据、大模型、联邦学习等新兴技术的融合前景进行了展望。
引言
肾脏疾病已成为全球公共卫生领域的重大挑战，慢性肾脏病（CKD）影响着全球超过8.5亿人，是导致死亡的主要原因之一。肾脏超声因其无创、实时、经济等优势，成为诊断和治疗肾脏疾病的核心影像学方法。它能清晰显示肾脏结构（大小、形态、皮质厚度）和集合系统状态，对肾积水、肾结石等结构异常具有高敏感性。多普勒技术还能评估肾脏血管血流动力学，辅助诊断功能性病变。在疾病检测方面，超声可探测多种肾脏病变，如先天异常、结石、囊肿和肿瘤性病变。对于肾移植患者，超声在评估移植肾功能和血管并发症方面不可或缺。超声弹性成像等新技术还能定量评估肾纤维化程度。
然而，传统超声存在显著局限性：高度依赖操作者，不同医师判断小肿瘤的一致性低；主要依赖定性评估，缺乏弹性参数等客观定量指标；对复杂病例的诊断效率有限。
近年来，人工智能（AI）技术为克服传统诊断的局限性提供了革命性解决方案。在肾脏超声领域，AI已从传统机器学习演进至深度学习，显著提升了图像分析的准确性和效率。卷积神经网络（CNN）在局部特征提取方面表现出色，在肾脏图像分类和分割任务中表现良好。ResNet通过残差连接解决了深层网络中的梯度消失问题，提高了复杂肾脏边界的识别精度。Transformer模型的自注意力机制能捕获全局特征关联，有助于分析肾脏与周围组织的空间关系。随着深度学习算法的优化，肾脏超声诊断正从依赖经验的模式转向智能化、标准化模式，为提高肾脏疾病诊疗效果提供了新路径。
技术基础
人工智能在肾脏超声领域的技术基础主要依赖于有监督学习、无监督学习、迁移学习和多任务学习等核心算法范式。
目前，有监督学习是主流方法，其核心在于利用专家标注的数据训练模型学习输入与输出之间的映射关系。在肾脏超声图像分析中，几种深度神经网络架构发挥着关键作用：U-Net及其变体（如UNet++、nnU-Net）已成为肾脏分割的基准模型。CNN出色的局部特征提取能力显著促进了肾脏超声图像的分类和分割性能。研究表明，CNN在肾脏自动分割和体积测量等任务中表现良好，特别是在肾积水的自动识别方面，基于CNN的模型能准确捕捉图像中的特征表现，有效提高诊断一致性。ResNet通过引入残差连接缓解了深层网络的梯度消失问题，提高了复杂解剖结构的识别精度。DenseNet通过密集连接促进特征复用，在训练样本有限的情况下显示出显著优势。针对超声图像特点，Attention U-Net引入注意力机制以突出关键区域；U-Net++通过嵌套跳跃连接提高了小目标的分割能力；nnU-Net通过自动配置策略成为多中心研究的基准模型。Transformer模型的自注意力机制解决了CNN全局特征捕获不足的痛点，能有效捕获全局上下文关系，显著提升了对肾脏与周围组织空间关系的建模能力，推动诊断从“局部特征依赖”升级为“全局关系建模”。
无监督学习在肾脏超声标注数据稀缺的场景中具有独特价值。该方法通过挖掘未标注数据中的内在模式，有效拓展了有监督学习的边界。主要技术路径包括：1) 聚类分析，可用于识别肾皮质、髓质等组织特征，或区分不同阶段的慢性肾脏病人群；2) 自编码器（AE），通过编码-解码结构学习紧凑表示，其衍生模型如去噪自编码器（DAE）可提升图像质量，变分自编码器（VAE）可生成符合真实分布的合成样本以扩充数据；3) 生成对抗网络（GAN），通过生成器与判别器的博弈机制可合成逼真的病理图像，缓解样本不足的问题。2020年，跨模态融合技术趋于成熟，CycleGAN等生成模型实现了从CT到超声的域转换，克服了肾脏超声标注数据稀缺的瓶颈，提升了小样本场景下的分割精度。
迁移学习是缓解标注数据短缺的另一个重要途径。其核心思想是将在大规模源域上预训练的通用特征迁移到肾脏超声任务中。常见策略包括：1) 特征提取：固定预训练模型的卷积层权重作为特征提取器；2) 微调：部分解锁网络层，利用目标数据进行迭代优化。实践表明，该方法能显著减少对标注规模的依赖，加速收敛，并提高泛化性能。例如，通过利用跨模态迁移学习方法，即使在有限标注条件下也能实现肾脏超声图像的精确分割。此外，域适应技术通过对齐源域（标注数据）和目标域（未标注临床数据）之间的分布，进一步增强了模型在不同设备或中心间的鲁棒性。
多任务学习（MTL）通过共享底层特征并同时优化多个相关任务（如分割、分类和体积测量），有效利用标注信息。在肾脏超声中，MTL具有三大优势：一是利用任务相关性（如利用分割辅助体积估算）提升整体性能；二是通过知识迁移增强泛化能力；三是减少多模型部署的资源消耗。自2023年以来，大模型与多模态数据的深度融合，通过预训练大模型与跨模态对齐技术的结合，实现了超声、CT和基因组数据的深度融合，提升了对罕见肾脏病的诊断准确性，推动技术从“单任务优化”向“全周期肾病管理”拓展。
AI技术在肾脏超声中的应用
肾脏分割与体积测量
肾脏超声图像分割及其衍生的体积测量技术共同构成了AI分析肾脏疾病的核心技术体系，在临床应用中呈现出紧密的基础与延伸关系。分割是精确测量的前提，其准确性直接决定了体积量化、形态评估和病灶定位的可靠性。反过来，体积测量的临床需求又推动分割算法向精准化和场景迭代化发展，形成了从形态识别到功能评估的完整链条。
精确的分割和测量具有多重协同意义。首先，通过自动分割可实现肾皮质、髓质和集合系统的三维重建，从而精确计算总肾脏体积和皮质厚度，为评估CKD进展和监测移植肾功能提供关键定量指标。研究表明，肾皮质体积与肾小球滤过率（GFR）呈显著正相关，进行性体积减小是CKD进展的独立预测因子。其次，通过分割获得的肾盂与肾实质体积比，可为肾积水患者的手术干预时机提供重要依据，该比率与肾功能损伤程度显著相关。第三，在肿瘤消融计划等临床操作中，精确分割是病灶定位和分型的基石，而监测动态体积变化可早期提示移植排斥或功能障碍。
传统方法（如阈值法、区域生长法和主动轮廓模型）受限于超声图像灰度不均、噪声干扰和边界模糊等问题，难以满足体积测量对边界精度的要求。近年来，深度学习技术推动了这两种方法的突破性进展。
在分割算法创新方面，Song等人和Guo等人利用跨模态数据增强技术（CycleGAN、CUT网络），通过从CT到超声的域转换，有效缓解了标注数据稀缺的问题。针对低分辨率图像，Khan等人提出的MLOU-Net引入了深度监督注意力机制和混合损失函数，在低分辨率肾脏超声图像上实现了90.21%的Dice系数。Alex等人设计了结合长短跳跃连接机制的边界特征增强网络YSegNet，在弱边界挑战下Dice系数仍达到97%。Chen等人设计了多尺度特征融合架构（MSIP和MOS）以聚合不同尺度的肾脏特征，Dice指数达95.86%。Nipuna等人利用3D和多模态融合技术（3D U-Net融合B模式和能量多普勒数据）实现了胎儿肾脏的高精度体积分割。
这些分割技术的创新直接赋能了体积测量应用。Jaidip M等人报道，基于2D U-Net和迁移学习的3D超声自动测量常染色体显性多囊肾病（ADPKD）患者的分割结果与MRI高度一致（Dice=80%）。Oghli等人提出的fast-unet++能实现矢状面和横轴面的高精度分割（DSC>95%），并同时预测肾长、宽、厚及体积等多维参数。Kim等人开发了一种U-Net与主动轮廓模型相结合的混合学习方法，用于儿童肾脏体积的自动计算，其结果与CT测量结果高度相关（ICC = 0.925）。Esser等人通过半自动3D超声分割验证了在评估儿童肾积水方面良好的观察者间一致性（ICC 0.83–0.94）。
现有研究多集中于正常肾脏结构，对于肿瘤、囊肿、严重肾积水等病理状况的泛化能力尚未得到充分验证。此外，这些方法普遍依赖单中心数据，缺乏大规模外部数据集以及跨设备、跨机构的前瞻性临床试验验证。未来的工作应侧重于开发针对异常肾脏的鲁棒分割算法，构建多疾病、多中心的协作数据集，推动肾脏超声AI系统从单中心研究向真实临床场景转化，并通过多中心临床试验验证其作为常规诊疗工具的可行性与安全性。
肾功能预测
肾功能预测是肾脏疾病诊疗的关键环节。传统方法主要依赖血清肌酐、尿素氮等生化指标，并使用CKD-EPI等公式估算肾小球滤过率（eGFR）。然而，这些指标易受肌肉量、饮食等因素影响，对早期肾损伤敏感性较差。传统超声判读主观性强，缺乏定量分析能力。近年来，DL技术通过深度融合多模态超声数据与临床指标，显著提升了肾功能评估的客观性和效率，减少了人为误差。
纹理分析可用于从图像中提取功能信息，克服形态学限制，实现对纤维化、微血管病变等微观结构的定量描述。在CKD中，DL模型可整合电子病历、影像组学和生物标志物等多源数据，预测eGFR年下降速率≥5 mL/min/1.73 m2的快速进展风险。在急性肾损伤（AKI）中，DL系统可在生化指标发生变化前识别高危患者。
Ziman Chen等人利用影像组学提取大量定量特征，并结合临床指标构建预测模型，实现了中重度肾纤维化的无创评估（AUC = 0.85）。Han Yuan等人利用超声粘弹性成像技术，通过Emean和Vmean等力学参数有效评估肾功能及纤维化程度（AUC = 0.91）。Xinyue Huang等人融合临床数据、常规超声、剪切波弹性成像和平面波超敏感血流成像，构建了Fisher判别模型，成功区分了不同纤维化分级（最高准确率达84.7%）。Yidan Tang等人整合常规超声、超声造影和弹性成像，构建了用于脓毒症相关急性肾损伤风险预测的多模态超声知识图谱和AI预测模型。Ahmed M等人的XAI-CKD系统基于极端树分类器并结合SHAP可解释性分析，在CKD分类中达到了近乎完美的性能（AUC = 1.0）。Shuyuan Tian等人整合ResNet34深度特征和传统纹理特征（GLCM+HOG）实现了CKD诊断，尤其在G5期表现突出（AUC = 0.931）。Minyan Zhu等人利用SVM整合各类超声图像信息，成功预测了肾间质纤维化程度（当IFTA > 50%时，AUC = 0.943）。Fuzhe Ma和Fu Ying分别提出了基于HMAN的检测模型和基于PCNN的图像增强算法，提升了图像质量和诊断可靠性。Chin-Chi Kuo等人结合ResNet-101和XGBoost实现了eGFR和CKD分级的自动估算（AUC = 0.904）。
然而，审视这些代表性研究可以发现该领域面临的核心问题。首先，模型的泛化性普遍存疑。例如，Ahmed M等人报道的近完美性能（AUC = 1.0）在真实医学数据中极为罕见，强烈提示模型可能在特定数据集上过拟合，其跨中心适用性亟需验证。其次，技术的临床转化面临现实瓶颈。例如，Xinyue Huang等人的多模态融合方案虽提升了性能，但其对多种先进成像技术的依赖难以在基层医疗机构普及，实际应用成本高。此外，研究方法局限性亟待克服。Chin-Chi Kuo等人的开创性工作验证了技术可行性，但其单中心设计和缺乏前瞻性验证的局限性仍是许多后续研究的共性问题。总之，尽管当前研究在模型性能上不断取得突破，但普遍受限于单中心数据依赖、跨中心验证不足以及对临床适用性考量不充分等关键瓶颈。
肾脏疾病诊断
超声成像在肾脏疾病诊断中具有不可替代的作用，广泛应用于肾脏形态评估、占位性病变筛查、肾积水诊断、肾移植后监测以及囊实性病变鉴别等领域。尤其在儿童、孕妇和肾功能不全患者中，因其安全性成为首选影像学方法。然而，传统肾脏超声诊断也存在明显不足：结果高度依赖操作者经验和技能，主观性强；对早期肾功能改变或轻微结构变化不敏感；定量分析能力有限，难以精确评估肾纤维化、弥漫性病变或微小血流动力学改变；此外，不同设备和扫描参数标准化程度低也影响了结果的可比性和可重复性。
DL技术在肾脏疾病诊断中展现出巨大潜力。
Miguel Molina-Moreno等人开发了URI-CADS，一个基于多任务卷积神经网络的自动系统，实现了肾脏图像分割和多病理诊断的集成分析，其多病理诊断的AUC达到0.819。Shi Yin等人提出了一个多示例深度学习框架，通过聚类多视角超声图像特征，有效区分了先天性肾脏和尿路畸形（CAKUT）患儿与单侧肾积水患儿。MIL模型的AUC高达0.961。Umar Islam等人设计了一种新颖的双路径卷积神经网络，在肾积水检测方面显著优于VGG16、ResNet50等经典模型，准确率达到99.8%。Jinjin Hai等人整合2D和3D卷积结构构建了CD-ConcatNet，实现了多视角肾脏超声图像的融合特征提取和疾病分类（AUC = 0.8667）。此外，Sudharson等人通过集成多个预训练模型（ResNet-101、ShuffleNet和MobileNet-v2）实现了高精度的四分类任务，准确率达96.54%。Ming-Chin Tsai等人利用迁移学习优化ResNet-50以筛查儿童肾脏异常，模型AUC为0.959。Maosheng Xu等人结合二维超声、彩色多普勒和剪切波弹性成像构建了多模态联合诊断模型，在儿童肾小球疾病分类中AUC达到0.75。
这些研究展示了深度学习在提升肾脏超声诊断自动化、定量化和多病种鉴别能力方面的广阔前景。然而，深入分析也发现了几个关键问题：首先，对模型性能的审慎评估。例如，Umar Islam等人报告的99.8%的准确率在医学图像分析中极为罕见，可能反映了数据集划分不当或过拟合风险。其次，复杂模型的临床实用性存疑。Miguel Molina-Moreno等人的多任务系统功能全面，但其在多中心、不同设备条件下的稳定性尚未验证。而Maosheng Xu等人的多模态方法性能相对有限（AUC = 0.75），提示复杂技术融合未必能提升性能。此外，研究人群代表性不足。多数研究聚焦于儿童常见病症，这些发现对于严重畸形、术后改变等复杂异常肾脏结构的适用性仍有待探究。总之，这些当前研究在技术层面不断创新的同时，在模型泛化能力验证和临床实用性评估方面仍存在明显不足。
DL技术在肾脏超声应用中的挑战
数据相关挑战
数据质量与标注
肾脏超声图像的数据质量直接影响DL模型的性能。超声图像常见的噪声、伪影和分辨率不一致导致肾脏结构边界模糊、特征不明显，影响模型关键信息提取。研究表明，超声图像信噪比降低30%可使深度学习肾脏分割模型的Dice系数下降8%-12%。高质量标注是训练可靠模型的基础，但肾脏超声标注面临诸多挑战。肾脏与病灶区域边界不清导致不同医生间标注差异大，资深超声医师标注单张图像需10-15分钟。此外，标注标准不一致使得多中心数据难以整合，影响模型泛化能力。研究显示，观察者标注不一致会导致深度学习模型平均精度（AP）显著下降。为提高标注质量，一些研究采用了增强数据标注策略和自动化预标注技术，并通过梯度图评估标注一致性。这些方法有助于提升肾脏超声AI模型的训练效果。
数据不足
在肾脏超声的DL研究中，数据稀缺，尤其是对于肾髓质囊性病或遗传性肾炎等罕见疾病，是核心挑战。小样本易导致模型过拟合和泛化能力差。多中心的数据异质性进一步加剧了数据分布不均的问题。研究表明，基于单中心数据开发的DL模型表现出高度一致性（相关系数>0.9），而在外部多中心验证时，相关系数下降至约0.8。为解决这些问题，研究者采用了数据增强技术（旋转、缩放、加噪等），可将小样本模型准确率提升5%-10%。迁移学习通过迁移通用特征减少对任务特定数据量的依赖，在训练样本减半时仍能保持高分类性能。此外，跨中心数据标准化和合成数据生成（如扩散模型Med-DDPM）也被探索用于缓解数据稀缺和隐私问题。然而，这些方法仍需更多临床验证以解决算法透明度和数据安全等潜在局限性。
技术相关挑战
算法可解释性
目前，在肾脏超声诊断中，尽管深度神经网络等复杂DL算法精度高，但其“黑箱”特性使得决策依据难以理解，严重制约了临床信任和应用。例如，模型无法解释为何将边界不清的肿瘤判定为恶性，迫使医生依赖传统病理检验。研究使用注意力机制突出关键图像区域，使医生信任度提升了35%。特征可视化技术通过展示模型所关注的纹理、回声等特征来揭示决策逻辑。此外，缺乏可解释性会加剧伦理风险，难以评估模型对特定人群（如不同年龄或性别）的潜在偏见。这些挑战凸显了开发可解释人工智能（XAI）方法的重要性。需要通过可视化解释、规则提取等技术增强透明度，并建立标准化伦理审查框架，以促进AI在肾脏超声诊断中的安全应用。
模型鲁棒性与泛化能力
肾脏超声AI模型的鲁棒性和泛化能力面临多重挑战，主要体现在设备差异、操作者因素和个体患者差异三个方面。不同超声设备的成像原理和参数设置导致图像特征分布差异。例如，高端超声设备图像分辨率高、噪声低，而基层医院图像可能存在明显伪影。图像质量也受操作者扫描技术和切面选择的影响。同一患者由不同医生采集的图像可能导致模型分割结果的Dice系数波动5%-7%。儿童肾脏小、结构发育不完全，以及老年患者肾脏萎缩、脂肪浸润等，常导致针对成人训练的模型在儿童数据上性能下降22%。
临床整合挑战
与临床工作流整合
DL技术在肾脏超声数据标准化方面的核心挑战在于多源异构数据缺乏标准化，以及不同医疗机构间设备型号、成像参数和操作规范的差异，限制了AI模型的跨机构泛化能力。调查显示，仅32%的医院使用统一的扫描标准，这严重影响了其临床适用性。有研究探索了将AI整合到临床工作流中，但需要手动上传图像进行分析使单次检查时间延长8-10分钟，不符合临床对效率的要求。本综述揭示，AI辅助诊断可显著提高诊断准确性。AI修正方法对复杂肾脏病的诊断准确率提高了21%，尤其在肾积水自动检测和慢性肾脏病分类方面优势明显，凸显了标准化的优势。当前技术瓶颈包括离线分析模式导致的工作流中断，以及缺乏统一的图像质量评估标准，但由卷积神经网络实现的实时图像分析和计算机辅助诊断系统已显示出优化工作流程的潜力。未来需要建立跨平台数据标准，开发嵌入式AI系统，并解决算法可解释性和临床验证不足等关键问题，以实现从图像采集到诊断报告全流程的智能化整合。
监管与伦理问题
监管和伦理问题不容忽视。有研究报告指出，FD批准的AI/IUI医疗设备中仅3.6%报告了种族/民族信息，99
