0 引言

       慢性肾病（chronic kidney disease, CKD）是全球性重大公共健康问题，患病率和发病率持续上升，已造成严重的社会经济负担^[1]。无论病因如何，CKD通常伴随异常修复过程，导致纤维形成与降解失衡，进而发展为肾纤维化（renal fibrosis, RF）^[2]。RF在CKD进展中起关键作用，其严重程度与不良预后密切相关。因此，准确评估RF程度对疾病监测与疗效评估至关重要。目前，肾活检仍是评估RF的金标准，但有创性、取样偏倚及难以反映纤维化空间异质性，限制了其临床重复应用。常用血液指标如血清肌酐（serum creatinine, SCr）和估算肾小球滤过率（estimated glomerular filtration rate, eGFR）虽可反映整体肾功能，但存在滞后性，且无法评估单肾状态^[3]。因此，亟需一种无创、准确、可重复的方法用于RF评估。

       功能性磁共振成像（magnetic resonance imaging, MRI）作为无创评估肾功能的有力手段，近年来受到广泛关注^{[4, 5, 6]}。其中，体素内不相干运动（intravoxel incoherent motion, IVIM）基于双指数拟合模型可同时反映组织水分子扩散与微循环灌注特征^{[7, 8, 9]}，在揭示RF相关的微循环障碍和组织缺氧方面具有潜力^{[10, 11, 12]}。但传统分析方法难以捕捉纤维化的细微及空间异质性改变。影像组学技术可从图像中提取高通量定量特征，更全面反映组织微结构与病理状态^[13]。已有研究显示，超声^{[14, 15, 16]}和电子计算机断层扫描^{[17, 18, 19]}影像组学在RF及相关肾病评估中具有价值。但基于IVIM-MRI影像组学的列线图模型评估RF严重程度的价值尚不明确。本研究旨在构建并验证结合IVIM-MRI影像组学和临床参数的列线图模型，用于无创、准确评估CKD患者RF严重程度，优化临床动态监测策略。

1 材料与方法

       本研究遵守《赫尔辛基宣言》，经苏州大学附属第三医院伦理委员会批准，批准文号：2023-053，受试者在接受检查前签署了泛知情同意书。

1.1 研究对象

       回顾性收集苏州大学附属第三医院2016年9月至2022年7月经病理证实为CKD患者的临床及影像学资料。纳入标准：（1）年龄在18至75岁之间；（2）根据全球肾脏病预后组织（Kidney Disease: Improving Global Outcomes, KDIGO）2024指南^[20]确诊为CKD的患者；（3）接受了经皮肾活检；（4）在肾活检前1周内完成IVIM-MRI检查；（5）在MRI扫描当天采集血清和尿液样本。排除标准：（1）有肾移植史；（2）MRI显示肾脏存在占位性病变且最大截面病灶直径超过1 cm；（3）MRI图像质量差（如存在明显运动伪影、信号丢失或失真、呼吸配准不良，导致肾实质边界无法清晰分辨）。采用随机数表法将纳入患者按7∶3比例随机分为训练集和测试集。

1.2 临床资料

       收集患者的临床资料，包括年龄、性别、身体质量指数（body mass index, BMI）、SCr、eGFR、血尿素氮（blood urea nitrogen, BUN）、24小时尿蛋白、血清白蛋白、总蛋白以及空腹血糖。

       对所有患者的肾穿刺活检样本进行Masson三色染色，由一位具有11年CKD研究经验的放射科医师采用盲法，通过ImageJ软件（Fiji版本，美国国立卫生研究院，马里兰州）量化纤维化面积百分比（纤维蓝染面积/视野总面积，%）。根据Oxford MEST-C评分系统中的T评分^[21]对RF严重程度进行分类：轻度纤维化（T0，≤25%），中重度纤维化（T1~T2，>25%），见图1。

点击查看大图

图1  肾穿刺活检Masson三色染色（×100）。1A：轻度肾纤维化，间质蓝染区域面积百分比≤25%；1B：中重度肾纤维化，间质蓝染区域（黄色星号）面积百分比>25%。
Fig. 1  Masson's trichrome staining of renal biopsy specimens (× 100). 1A: Mild renal fibrosis, with the percentage of blue-stained interstitial area ≤ 25%; 1B: Moderate-to-severe renal fibrosis, with the percentage of blue-stained interstitial area (indicated by yellow asterisks) > 25%.

1.3 图像采集及后处理

       MRI扫描在3.0 T扫描仪（GE Discovery 750W，美国）上完成，使用32通道相控阵体线圈。IVIM-MRI扫描参数：TR 2000 ms，TE 112 ms，层厚5 mm，视野360 mm×360 mm，矩阵64×32，带宽125 Hz/像素，b值0、50、100、150、200、300、500、800、1000和1300 s/mm²，扫描时间202 s。

       使用MITK软件（医学影像工具包，德国癌症研究中心）进行图像后处理，生成真实扩散系数（true diffusion coefficient, D）、伪扩散系数（pseudo-diffusion coefficient, D^*）和灌注分数（perfusion fraction, f）的参数图。

1.4 图像分割

       由两位分别具有8年和5年肾脏功能MRI研究经验的放射科副主任医师和主治医师盲法使用ITK-SNAP软件（3.8.0版本；http://www.itksnap.org）独立完成图像分割。在b=0 s/mm²的扩散加权图像上逐层手动勾画右肾实质轮廓（排除肾窦和血管），然后映射至D、D^*和f参数图上，并自动生成三维感兴趣体积（volume of interest, VOI），详见图2。

点击查看大图

图2  使用ITK-SNAP软件，在b=0 s/mm²的扩散加权图像（DWI）上逐层手动勾画右肾实质轮廓，并自动生成三维感兴趣体积（VOI）。
Fig. 2  The contour of the right renal parenchyma was manually delineated layer by layer on the diffusion-weighted images (DWI) with b = 0 s/mm², and the three-dimensional volume of interest (VOI) was automatically generated.

1.5 影像组学特征提取和筛选

       （1）影像组学特征提取：首先将所有图像重采样为统一的体素大小（1 mm×1 mm×1 mm）。然后使用PyRadiomics（Python开源软件包，3.7.12版本；https://pyradiomics.readthedocs.io）分别从两位医师勾画的VOI中提取影像组学特征。提取的特征包括一阶特征、形状特征、灰度共生矩阵、灰度依赖矩阵、灰度游程长度矩阵、灰度大小分区矩阵以及邻域灰度差异矩阵特征。从D、D^*、f参数图上各提取了1197个影像组学特征。

       （2）影像组学特征筛选：首先计算观察者间相关系数（intra-class correlation coefficient, ICC），保留ICC>0.75的稳定影像组学特征。随后对特征进行Z分数归一化处理。然后使用Mann-Whitney U检验筛选出轻度和中重度RF组之间具有统计学差异的特征。再通过Pearson相关系数（阈值≥0.9）去除高度相关的特征。最后使用十折交叉验证的最小绝对收缩及选择算子回归，选择用于模型构建的非零系数特征。

1.6 模型构建

       （1）影像组学模型构建：采用逻辑回归（logistic regression, LR）、随机森林（RandomForest）和多层感知机（multilayer perceptron, MLP）机器学习算法构建影像组学模型：Rad_D、Rad_D^*、Rad_f、Rad_D_D^*_f。为确保算法公平比较，所有模型在训练集上均使用十折交叉验证进行训练，并以平均受试者工作特征曲线下面积（area under the curve, AUC）选择最佳算法进行测试集验证。

       （2）临床模型构建：采用t检验或Mann-Whitney U检验（连续变量）、卡方检验或Fisher精确检验（分类变量）筛选组间差异具有统计学意义的临床指标纳入后续临床模型的构建，并进行多重共线性验证。

       （3）列线图模型构建：通过对影像组学和临床模型的三种算法的效能比较，将最佳影像组学模型与临床模型融合，按回归系数加权生成Logit值，并通过逻辑函数转换为预测概率，构建可视化列线图用于个体化RF风险评估。

1.7 统计学分析

       统计学分析使用SPSS软件（26.0版本，美国芝加哥）、Python（3.7.12版本）和R软件（4.1.3版本；https://www.r-project.org/）。通过Shapiro-Wilk检验变量的正态性。连续变量使用独立样本t检验或Mann-Whitney U检验进行比较。分类变量通过卡方检验或Fisher精确检验进行分析。采用AUC、敏感度、特异度、阳性预测值、阴性预测值、精确度、召回率和F1分数评估模型性能。不同模型之间的AUC比较采用DeLong检验。决策曲线分析（decision curve analysis, DCA）用于评估模型的临床净获益。校准曲线评估模型的校准度和可靠性。采用ICC评估观察者间的一致性。P<0.05为差异具有统计学意义。

2 结果

2.1 临床特征

       最终纳入了132例CKD患者病例，男71例，女61例，年龄18~73（45±14）岁，按7∶3比例随机分为训练集（92例）和测试集（40例）。轻度RF共68例，其中训练集44例，测试集24例；中重度RF共64例，其中训练集48例，测试集16例。训练集和测试集的临床指标比较见表1。组间差异性分析显示eGFR、BUN和SCr在轻度与中重度RF之间差异存在统计学意义（P均<0.05）。

点击查看表格

表1  训练集和测试集轻度与中重度肾纤维化患者临床指标比较
Tab. 1  Comparison of clinical indices between patients with mild and moderate-to-severe renal fibrosis in the training and test sets

2.2 临床模型的构建和验证

       构建的临床模型中，测试集上LR算法获得了最高的诊断效能（AUC=0.630，95% CI：0.442~0.819），优于RandomForest算法（AUC=0.592，95% CI：0.414~0.771）和MLP算法（AUC=0.487，95% CI：0.291~0.683）。多重共线性分析显示eGFR、BUN、SCr的方差膨胀因子值均<10（分别为2.63、1.61、3.27），不存在显著共线性。

2.3 影像组学模型的构建和比较

       ICC分析结果显示，两名医师的分割结果一致性良好，ICC>0.75，其中30例的分割层面Dice系数为0.88±0.02，表明分割一致性良好。影像组学特征筛选后，分别保留了9个、8个、11个和12个特征构建影像组学模型：Rad_D、Rad_D^*、Rad_f和Rad_D_D^*_f。影像组学模型比较显示，Rad_D_D^*_f模型在区分轻度与中重度RF方面表现最佳。算法的比较显示，在测试集中Rad_D_D^*_f模型在LR算法下获得了最高的效能（AUC=0.812，95% CI：0.675~0.950），优于RandomForest（AUC=0.732，95% CI：0.575~0.889）和MLP（AUC=0.810，95% CI：0.671~0.949）算法（表2）。

点击查看表格

表2  各影像组学模型训练集和测试集的三种算法效能比较
Tab. 2  Comparison of the performance of three algorithms for radiomics models in the training and test sets

2.4 列线图构建与效能评估

       经上述组学模型和算法比较，采用LR算法构建的结合临床模型和Rad_D_D^*_f模型可视化列线图（图3）显示，在训练集中的AUC=0.942（95% CI：0.896~0.989），测试集中AUC=0.820（95% CI：0.687~0.954），均优于Rad_D_D^*_f模型和临床模型（图4）。临床模型、影像组学模型和列线图三种算法的效能评估参数见表3。

       DeLong检验表明，训练集中列线图和影像组学模型的诊断效能均显著优于临床模型，测试集中列线图的诊断效能显著优于临床模型（P<0.05）（图5）。DCA显示，列线图和Rad_D_D^*_f模型在测试集中均为临床决策提供了更大的净收益，其中列线图模型的净收益最高（图6）。此外，校准曲线表明，影像组学和列线图均有较好的拟合优度，拟合效果优于临床模型（图7）。

点击查看大图

图3  结合IVIM-MRI影像组学和临床指标构建的区别轻度和中重度肾纤维化的列线图。列线图由影像组学模型（Rad_D_D^*_f）、估算的肾小球滤过率（eGFR，单位为mL/min/1.73 m²）、血尿素氮（BUN，单位为mmol/L）及血清肌酐（SCr，单位为mmol/L）组成。
Fig. 3  Nomogram constructed to differentiate mild and moderate-to-severe renal fibrosis by integrating IVIM-MRI radiomics features and clinical indicators. The nomogram consists of the radiomics model (Rad_D_D^*_f), estimated glomerular filtration rate (eGFR, mL/min/1.73 m²), blood urea nitrogen (BUN, mmol/L), and serum creatinine (SCr, mmol/L).

点击查看大图

图4  临床模型、影像组学模型及列线图鉴别轻度和中重度肾纤维化的受试者工作特征（ROC）曲线。4A：训练集；4B：测试集。AUC：曲线下面积；CI：置信区间；Rad_D_D^*_f：影像组学模型。
Fig. 4  Receiver operating characteristic (ROC) curves of the clinical model, radiomics model, and nomogram for distinguishing between mild and moderate-to-severe renal fibrosis. 4A: the training set; 4B: the test set. AUC: area under the curve; CI: confidence interval. Rad_D_D^*_f: radiomics model.

点击查看大图

图5  各模型受试者工作特征曲线下面积比较的DeLong检验。Rad_D_D^*_f：影像组学模型。
Fig. 5  Comparison of the areas under receiver operating characteristic curves among models using DeLong's test. Rad_D_D^*_f: radiomics model.

点击查看大图

图6  各模型预测肾纤维化严重程度的决策曲线分析（DCA）。Rad_D_D^*_f：影像组学模型。
Fig. 6  Decision curve analysis (DCA) for predicting the severity of renal fibrosis. Rad_D_D^*_f: radiomics model.

点击查看大图

图7  各模型预测肾纤维化严重程度的校准曲线。Rad_D_D^*_f：影像组学模型。
Fig. 7  Calibration curves for predicting the severity of renal fibrosis. Rad_D_D^*_f: radiomics model.

点击查看表格

表3  LR算法下临床模型、影像组学模型和列线图识别肾纤维化严重程度的效能
Tab. 3  Performance of the clinical model, radiomics model, and nomogram in identifying the severity of renal fibrosis using the logistic regression algorithm

3 讨论

       本研究基于IVIM-MRI影像组学特征，结合临床参数，构建了一个用于无创预测RF严重程度的列线图模型。该模型在训练集和测试集中均表现出良好的区分度、校准度和临床实用性，优于单纯影像组学模型和临床模型，能够有效区分轻度和中重度RF。

3.1 影像组学模型在RF评估中的诊断效能

       HU等^[22]通过多种扩散MRI方法评估肾间质纤维化的严重程度，发现IVIM-f参数图的诊断性能超过了0.8。然而，传统参数分析可能因肾脏复杂的结构而无法捕捉纤维化的真实空间分布。既往研究已证明IVIM影像组学在评估肿瘤淋巴血管浸润、预测治疗反应等方面具有较高的临床价值^{[23, 24, 25]}。本研究中，Rad_D_D^*_f模型共筛选出12个特征，其中包括来自IVIM-D的6个特征、IVIM-D^*的4个特征，以及IVIM-f的2个特征。Rad_D_D^*_f模型在训练集中的AUC为0.900（95% CI：0.839~0.961），在测试集中为0.812（95% CI：0.675~0.950），表明其在RF分级中的表现相对稳健。此外，Rad_D_D^*_f模型的效能在训练集和测试集中均优于Rad_D、Rad_D^*和Rad_f模型。Rad_D_D^*_f模型从组织扩散和微灌注角度更全面地描绘了CKD患者肾脏微循环损伤的情况。

3.2 临床指标在RF评估中的联合应用价值

       为了构建临床模型，我们纳入了三个血清生物标志物（eGFR、BUN和SCr），这些标志物在轻度与中重度RF之间差异具有统计学意义。其中，eGFR是目前最广泛使用的肾功能实验室指标。虽然它不能直接反映RF，但RF的严重程度与肾功能下降显著相关^{[26, 27]}。因此，eGFR在列线图对RF的评估中占有重要贡献。此外，eGFR与RF呈负相关，而Rad_D_D^*_f评分则呈正相关。这些发现表明，过滤功能损伤和微循环损伤共同促进了RF的进展。

3.3 列线图模型在RF风险评估中的应用价值

       本研究中，我们构建的列线图模型在训练集和测试集中均显著优于临床模型，AUC分别为0.942（95% CI：0.896~0.989）和0.820（95% CI：0.687~0.954）。相比之下，临床模型的表现从训练集（AUC=0.765，95% CI：0.666~0.864）到测试集（AUC=0.630，95% CI：0.442~0.819）明显下降，提示可能存在过拟合或泛化能力有限。尽管Rad_D_D^*_f模型在两组数据集中均有较好的诊断准确性，但其性能仍不及列线图。DeLong检验进一步证实列线图较临床模型有显著的性能提升，DCA也表明列线图在临床净收益上具有优势。总体而言，列线图是一个直观且全面的工具，用于个体化RF风险评估。

3.4 本研究的局限性及展望

       本研究存在一些局限性：首先，这是一项单中心研究，且样本量相对较小，可能会限制列线图模型的泛化能力。然而，所有纳入的病例均进行了金标准的肾活检病理学确认。未来将开展多中心、大样本及前瞻性研究，以进一步验证模型的稳定性和适用性。其次，本研究图像分割过程中未区分肾皮质与肾髓质。这主要是由于在IVIM图上难以界定皮髓质的分界，特别是严重纤维化患者肾实质菲薄。为保证影像特征与病理金标准的对应一致性，本研究仅分析了右肾影像特征，未验证左右肾特征差异对模型的影响。最后，列线图模型在训练集和测试集中的AUC存在一定差异，测试集敏感度下降提示模型在小样本及类别分布不均情况下可能存在轻度过拟合，但测试集AUC仍保持在较高水平，说明模型整体性能仍具临床参考价值。未来需结合更多外部验证数据，以进一步减少过拟合风险并提升临床应用价值。

4 结论

       结合基于微循环的IVIM影像组学与临床指标的列线图模型在CKD患者个体化评估RF严重程度方面具有巨大潜力和临床应用前景，可为疾病的动态随访提供无创的影像学依据。