Kidney International: 人工智能在罕见遗传性肾脏疾病中的应用前景与挑战

近年来，随着大数据与人工智能（AI）技术的深度融合，生物医学领域迎来了前所未有的变革，尤其在疾病机制解析与临床诊疗优化方面展现出巨大潜力。然而，在肾脏病学这一复杂且多因素的学科中，AI的应用仍面临诸多挑战，尤其是在罕见遗传性肾脏疾病领域。这类疾病种类超过150种，涉及超过625个相关基因，具有高度的临床异质性和遗传多样性，导致表型重叠、诊断困难、数据稀缺等问题，进一步限制了AI模型的发展与应用。尽管如此，AI在缩短患者诊断周期、发现新的致病基因与通路、推动精准医疗方面仍具有不可替代的价值。

在方法层面，本文系统回顾了AI在罕见遗传性肾脏疾病中的应用现状与关键技术路径。首先，在疾病表征方面，强调了高质量多模态数据的重要性。肾病学因其丰富的组织样本、功能参数和临床数据资源，为AI提供了良好的数据基础。然而，罕见病数据尤其稀缺，需通过国际合作与标准化数据管理（如遵循FAIR原则）来提升数据可用性。例如，欧洲罕见肾脏病参考网络（ERKReg）和多囊肾疾病基金会登记系统等平台，促进了数据的共享与利用。此外，联邦学习作为一种分布式机器学习范式，允许模型在本地数据中心训练而不共享原始数据，已在德国MIRACUM联盟中成功应用于罕见病诊断支持系统的构建。

在表型深度刻画方面，电子健康记录（EHR）中大量非结构化文本数据成为宝贵资源，通过自然语言处理（NLP）技术可提取细微、早期或否定性临床表现，弥补结构化数据的不足。近年来，大型语言模型（LLM）如GPT系列在罕见病识别和表型本体提取方面显示出优越性能，甚至在少量标注样本下即可达到或超越传统模型。然而，其输出存在一定的不确定性和潜在偏差，需结合临床专家进行严格验证。在基因型-表型关联分析中，无监督机器学习方法被用于从大队列数据中识别疾病模块和表型集群，例如在肾单位痨症和相关纤毛病中发现了基于纤毛模块的基因型-表型相关性，而Fabry病的研究则结合了无监督探索与有监督预测模型，通过血浆蛋白质组学数据揭示其分子特征。

在临床决策支持方面，AI主要用于诊断辅助与预后建模。针对诊断挑战，已有多种工具如GDDP、PubCaseFinder和Exomiser等，通过整合表型本体和遗传数据库，帮助医生进行变异 prioritization 和疾病匹配。然而，这些工具在罕见肾脏病中的特异性仍有待提高。近期研究通过真实世界EHR数据评估了这些工具在纤毛病诊断中的表现，指出其在实际临床应用中的复杂性与局限性。为进一步提高诊断效率，疾病中心化筛查策略被提出，包括基于患者相似性模型和监督分类方法从未标注的大规模临床数据中识别潜在患者。相似性模型尤其适用于数据稀缺场景，仅需少数典型病例即可实现有效筛查，而监督方法则能利用更广泛的模式提升分类性能，两者在高度不平衡的数据集中均显示出互补价值。

在预后建模与慢性肾病管理方面，由于罕见肾病进展速度和严重程度差异巨大，通用模型如肾小球滤过率估算公式在罕见病中的适用性有限。近期基于英国国家罕见肾病登记系统的研究发现，28种罕见肾病在肾功能下降、肾衰竭和死亡风险方面存在显著差异，强调需开发融合疾病特异性参数（如肾外并发症和分子数据）的预测模型。此外，数字孪生技术作为新兴方向，通过整合机制模型、AI与患者数据，构建个体化虚拟模型，用于模拟疾病进展和治疗反应，尤其在患者稀少的罕见病中具有潜在优势，可辅助临床试验设计与个性化治疗策略制定。

在更广泛的实施层面，AI在罕见遗传性肾脏病中的应用还面临法规、伦理与社会等多重挑战。欧盟《通用数据保护条例》（GDPR）和《人工智能法案》对数据隐私和AI系统透明度提出严格要求，医疗AI系统需具备可解释性、安全性和鲁棒性。模型的可解释性与医生信任度密切相关，一些研究显示AI可能依赖无关特征（如图像中的标尺）进行预测，导致结果不可靠，因此必须引入领域专家参与特征选择和模型验证。此外，可视化交互工具能够帮助医生理解聚类结果和特征重要性，提升AI在临床实践中的可用性和接受度。

伦理与公平性也是不可忽视的问题。罕见病患者数据再识别风险较高，需加强数据安全保护。同时，现有知识和AI模型多基于欧美人群构建，缺乏全球多样性，可能导致模型在其他人群中的泛化能力下降甚至引入偏见。近期研究还指出，大型语言模型也可能 perpetuating 种族与性别偏见，因此在医疗AI开发中必须加强伦理审查与多样性考量。

为实现AI在罕见遗传性肾脏病中的全面推广，建议整合多模态数据资源，采用融合多种数据类型的分析方法，并全程引入临床专家参与模型开发与验证。此外，还需加强医生AI素养培训，提升其数据利用能力和模型交互效率，从而真正实现AI辅助下的精准诊疗与转化研究。

总之，人工智能为罕见遗传性肾脏病的研究与临床管理带来了新的希望，但其成功应用依赖于高质量数据、跨学科合作、严格的模型验证以及合理的伦理与法规框架。只有通过临床、科研与工程三方的紧密协作，才能开发出透明、公平且有效的AI工具，最终改善罕见病患者的诊疗体验和生存质量。

原始出处：

Chen, X., Burgun, A., Boyer, O., Knebelmann, B., & Garcelon, N. (2025). Artificial intelligence and perspective for rare genetic kidney diseases. Kidney International, 108, 388–393. https://doi.org/10.1016/j.kint.2025.03.033

本文相关学术信息由梅斯医学提供，基于自主研发的人工智能学术机器人完成翻译后邀请临床医师进行再次校对。如有内容上的不准确请留言给我们。