近日，OpenAI公司旗下的ChatGPT引起了一片浪潮。它与其他AI、聊天机器人或搜索引擎相比，多了一丝“精明”少了一点“刻板”。大家普遍认为ChatGPT引领的AI新浪潮可以改变许多传统行业，其中包括了医疗行业。有人甚至认为AI可以在未来取代医生，参与诊疗。那么，AI真的正在悄然改变医疗行业吗？

事实上，近年来已经有一些已经获批的“AI+医疗”设备用于临床，甚至是肾内科。本文总结了已用于肾内科的已经获批的“AI+医疗”设备和“AI+医疗”相关研究，并解析了“AI+医疗”存在的不足与可能的解决方案。

一、“AI+医疗”设备

2022年至2023年年初，已经有2款最新的“AI+医疗”设备通过了美国食品药品监督管理局（FDA）的批准，它们分别是VIDAS Nephrocheck和Minuteful Kidney，其中Minuteful Kidney已经正式投入临床实践。此外，NVIDIA Clara也已经通过了IEC 60601、62304医疗行业规范，可赋能医学影像检查，让医生直观的、360度观察到患者肾脏。

01.VIDAS Nephrocheck

急性肾损伤（AKI）是一种常见的并发症，影响7%~18%的住院患者和50%的高危患者。虽然，目前已经确认了一些AKI相关风险因素或患者特征，但并不足以预测AKI的发生风险。

VIDAS Nephrocheck是一种创新检测仪，可预测患者在8h内发生AKI的风险。值得注意的是，及时干预可以避免患者发生AKI，因此VIDAS Nephrocheck具有非同一般的临床使用意义。VIDAS Nephrocheck不仅可检测包括降钙素在内的各种生物标志物，更可以实现自动化检测，在减少实验室人员的工作量的同时，不降低风险预测的准确率。

更重要的是，Nephrocheck可以与VIDAS的其他检测仪器一起进行检验，综合分析检验结果，进一步提高预测AKI发生风险的准确率。美国FDA已在2022年批准了该检测仪器的相关测试，并预计2023年会全面进入美国市场1。

02.Minuteful Kidney

AI与信息技术的发展催生了远程医疗，特别是远程筛查与诊断。Minuteful Kidney是一款app+自助检测试纸的产品，主要有两部分组成：尿液检测试纸与手机app（图1）。检测步骤共分为3步：

①将尿液试纸插入尿液，并等待几分钟；

②通过手机和照相功能，将尿液试纸的正面拍照，并将相片上传至Minuteful Kidney app中；

③手机在联网模式下，可以通过app得知尿液中的白蛋白水平。

图1 Minuteful Kidney产品图

备注：红圈内为尿液检测试纸

FDA已批准了该产品的上市申请，该产品的上市可为广大人群提供慢性肾脏病（CKD）和蛋白尿的相关筛查服务，甚至可以纳入CKD管理，为患者提供远程医疗服务2。

03.NVIDA Clara

肾脏体积是诊断肾病的重要方法。目前，如NVIDIA Clara 平台可以根据CT检查结果形成肾脏以及其他器官的3D模型（图2，图3），除了可以从各角度观看以外，还可以提供包括肾脏体积在内的一系列相关数据3。简而言之，NVIDIA Clara 平台可以更直观地评估患者的肾脏。

图2 NVIDIA Clara-Monia转换方法

备注：NVIDIA Clara平台的Monia程序可以将普通的CT图像进行分类整理，通过GT和UNETR两个步骤将CT图像转换为彩色3D模型，允许医生多角度观看（图3）。同时，NVIDIA Clara可以精确估算脏器体积，明确是否有肿瘤以及肿瘤的体积。

图3 经NVIDIA Clara-Monia 转换后的CT 3D模型

二、“AI+医疗”的相关研究

目前“AI+医疗”大部分还处于研究阶段，但刘志红院士和Kaufman的研究表明，“AI+医疗”大有可为。

01.肾活检评估

肾活检是肾病确诊的金标准。目前，肾活检样本的诊断与鉴别皆由人工完成，但AI在这方面却有独特优势。2020年，Journal of Pathology发布了一项来自刘志红院士及其团队的研究4。该研究纳入了400例中国IgA肾病患者，应用深度卷积神经网络（CNN）和生物医学图像处理算法来定位肾小球，并识别肾小球病变，如全局和节段性肾小球硬化、新月体以及无病变。

由于研究模型是一个二元分类模型，即该组织是否为肾小球，是否出现相关病变，因此使用精准度、召回率进行验证，并使用Cohen’s Kappa统计系数进行统计。

该研究训练后的模型精度较好，肾小球定位的精准度为93.1%，召回率为94.9%，Cohen’s Kappa统计系数为0.912（95% CI，0.892~0.932）。模型对于全局（Cohen’s Kappa = 1.0；95% CI，1.0~1.0）、节段性肾小球硬化（Cohen’s Kappa = 0.776；95% CI，0.727~0.825）和新月体（Cohen’s Kappa =0.861；95% CI，0.824~0.898）的识别均较高（图4）。设计良好的神经网络可以精准识别上述3种肾小球病变，准确率为92.2%，该准确率显著超过初级病理学家，两组差异约5%~11%（P＜0.001）。

图4 AI准确识别肾活检图像结果

备注：图4 A为未处理肾活检图像，图4 B为AI处理后的肾活检图像；NOA：无病变、GS：全局性硬化、SS：节段性硬化、C新月体。

在诊断速度方面，AI更是无人可及。对于初级病理科医生而言，评估每个肾小球的病理情况最快需要至少32秒，平均评估时间为43±11秒。AI则仅需0.6秒，而且随着算法和硬件的提升，这一时间还会进一步缩短。

02.CKD风险预测

预测CKD患者的结局是AI/机器学习在肾内科的另一个主要目标。今年1月Adv Kidney dis Health公布了Kaufman等人的一项研究。该研究发现，无监督的机器学习算法可以通过估算肾小球滤过率（eGFR）下降速率有效预测CKD结局，特别是接受血液透析患者的短期（＜90d）死亡率与住院率5-6。

该研究共计纳入2341例CKD患者，42%为女性，平均年龄64.9（12.3）岁，这些患者在基线时并未进展至终末期肾脏病（ESKD），但在随访2年后均进展为ESKD。毫无疑问，在随访期间，eGFR下降较快的患者，更容易进展至ESKD。然而，eGFR下降速率与初始透析后90天内的死亡率和住院率密切相关，并且2年间的eGFR下降速率可以预测患者进入透析后的死亡率与住院率。研究人员提示，延缓eGFR下降速率不仅能推迟透析，更能够减少透析初始时的死亡率与住院率。

三、“AI+医疗”的现有不足与潜在解决方案

尽管，“AI+医疗”发展迅速，但是在实际生活和工作中，还是能感受到AI的不足，这些不足被专家归类为以下2点，即数据库的偏倚问题和人机交互。

01.数据库的偏倚问题

不论是采用何种算法，都需要原始数据，如刘志红院士研究中的400例IgA肾病患者。Park和Hu深入了研究了人工智能可能出现的偏倚问题。简而言之，巧妇难为无米之炊。如果使用的数据库是有缺陷或不完整的，则算法可能无法消除这些偏倚，甚至会放大偏倚，进而做出不恰当甚至错误的提示或决策5。

Peter和Girish等人认为，“AI+互联网”可以有效消除数据库的偏倚问题。以AKI的风险预测为例，单一医疗机构的患者数据较难准确预测患者AKI的发生风险，同时，大部分研究使用的数据是静态的，如术前或入院时的相关检查数据。然而，疾病是进展的，更是动态的，如血压和心率会随着时间发生变化7。

为了应对这一问题，联邦学习（FL）应运而生。FL可以访问多个医疗机构的数据库，并聚合学习，进行自动迭代。这一特性也可用于分析动态数据，如血压或心率的监测。如果能将所有医疗机构的数据库纳入并实时更新，则几乎可以完全地消除偏倚。医生很难独立学习如此大样本量的数据，但对于AI而言，则是有可能的。

Oh和Nadkarni回顾了FL的安全性。FL虽然会访问多地数据，但不会失控，也就是说A医院的医生并不会通过程序看到完整的B医院数据，从而一定程度地保护了患者隐私。当然，学者们认为，FL模型的合理化运用还需要更多的研究7。

02.人机交互

目前，对于有与聊天机器人互动经验（如网络购物的机器人客服）的人来说，是较容易分辨对方是否为机器人。如果对方是机器人，则很容易丧失与其聊天的动力。在医疗中，患者必须与医生密切联系，决不能丧失诉说病情的动力。同时，医生也不能仅陈述客观事实，必须通过各种策略说服患者。那么如何保证上述2种需求呢？强化学习（RL）模型及其分支或可一试。

Khezeli等人发现，在非医疗环境中，通过RL训练后的AI可以使用各种策略，尝试说服对话对象，也就是我们——人类。在一些复杂游戏中，AI的表现甚至优于人类（例：围棋比赛中的AlphaGo）。

Shickl等人介绍了Chat GPT，或者说Chat Generative Pre-trained Transformer，聊天生成预训练变压器。其中变压器（Transformer）是一种RL分支模型，其定义为大型语言类模型，可模拟人类文字交互。ChatGPT可以根据输入的文本自动生成类似的文本（剧本、歌曲、企划等），也可根据输入的问题自动生成答案，还具有编写和调试计算机程序的能力。同时，由于ChatGPT给出的答案有一定的逻辑性，可以认为其有初步的说服能力。目前，ChatGPT的数据库主要基于互联网镜像，但数据库只纳入了2021年以前的数据，且涉及医疗行业的数据可能并不严谨（可能并未完全排除错误的医疗信息）。虽然，有报道称ChatGPT可以产出具有逻辑的医疗论文，但其专业性和准确性堪忧。专家认为，如果数据样本是专业的医疗数据，涉及医护交流，且经过专业人士的调整（如医疗信息有无错误）。那么，变压器模型可能会帮助AI更好地与患者进行沟通（如指导就诊、询问家族史等工作），甚至可能帮助医生写专业论文5。

对于机器学习感兴趣的人来说，OpenAI公司非常友好。该公司公布了变压器模型的应用程序编程接口（API），感兴趣的读者可下载。该API通过python使用，可让ChatGPT算法学习特定的数据库，如涉及医药的相关对话，诊疗对话，会诊对话等。这意味着大家可以创建属于自己的、个性化的对话机器人。下载地址与示例请见https://openai.com/api/。

总的来说，“AI+医疗”虽然有一定的不足，但是如同初生的婴儿，拥有无穷的潜力。专家们相信，“AI+医疗”一定会在未来的医疗行业中占有一席之地，成为医生不可或缺的武器。因此，肾内科医师应该学习并了解机器学习的一些基础概念与常识，方便日后的研究与临床工作。

参考文献：

1. bioMérieux receives FDA Clearance for NEPHROCHECK® test on VIDAS®. Link: https://www.biomerieux.com/corp/en/journalists/press-releases/biomerieux-receives-fda-clearance-for-nephrocheck--test-on-vidas.html

2. Minetful Kidney. Link：https://minuteful.com/uk/kidney/patients

3. Nividia Clara. Link: https://www.nvidia.cn/clara/

4.Zeng C, Nan Y, Xu F, et al. Identification of glomerular lesions and intrinsic glomerular cell types in kidney diseases via deep learning. J Pathol. 2020 Sep;252(1):53-64.

5. Nadkarni GN. Introduction to Artificial Intelligence and Machine Learning in Nephrology. Clin J Am Soc Nephrol. 2023 Jan 18.

6. Kaufman HW, Wang C, Wang Y, et al. Machine Learning Case Study: Patterns of Kidney Function Decline and Their Association With Clinical Outcomes Within 90 Days After the Initiation of Renal Dialysis. Adv Kidney Dis Health. 2023 Jan;30(1):33-39.

7. Kotanko P, Nadkarni GN. Advances in Chronic Kidney Disease Lead Editorial Outlining the Future of Artificial Intelligence/Machine Learning in Nephrology. Adv Kidney Dis Health. 2023 Jan;30(1):2-3.