人工智能在糖尿病肾脏病中的研究进展

人工智能在糖尿病肾脏病中的研究进展【摘要】糖尿病肾脏病（DKD）是糖尿病严重的微血管并发症，给全球公共卫生带来沉重负担。近年来，人工智能（AI）技术在DKD的诊疗中展现出极大潜力。该文系统梳理了AI技术在该领域的研究进展，包括疾病预测与风险评估，如利用随机森林算法构建高精度预测模型；影像分析，涵盖肾脏病理的自动化识别与定量；生物标志物发现和药物靶点预测，通过组学数据挖掘潜在分子标志物与药物靶点；以及临床决策支持与管理，如临床决策支持系统部署。同时分析了当前面临的数据标准化不足、模型可解释性差、外部验证缺失等挑战，展望了多模态数据集成、可解释性AI、个性化治疗等未来方向。AI有望推动DKD诊疗模式向精准化、个体化转变，但其临床转化仍需克服多重障碍。【关键词】糖尿病肾病；人工智能；机器学习；深度学习；临床决策支持最新的糖尿病患病地图显示，过去30年全球成人糖尿病患者数量从约2亿例激增至8.28亿例；2022年中国成年糖尿病患者数量约为1.48亿例，占全球总数的18%［1］。糖尿病肾脏病（diabetickidneydisease，DKD）是糖尿病常见且严重的微血管并发症，也是终末期肾病（endstagerenaldisease，ESRD）的主要原因［2］。我国糖尿病患者约20%~40%最终发展为DKD［3］。DKD给患者个人、家庭和社会带来沉重负担。然而，常规的DKD诊断和预后分析多依赖临床经验及有限的指标，难以全面捕捉疾病的复杂性和个体差异。近年来，人工智能（artificialintelligence，AI）在医学领域的应用已遍及基础研究与临床实践的各个环节，为应对上述挑战提供了新的方向。其中机器学习（machinelearning，ML）与深度学习（deeplearning，DL）技术的进步尤其显著：ML能够从数据中学习规律性的信息，进而作出判断、预测或决策；DL则能通过多层神经网络从原始数据中自动提取深层特征，对处理医疗领域的图像、文本等非结构化数据尤为有效。AI在DKD的应用主要包含以下4个方面：（1）疾病预测和风险评估；（2）影像分析，包括肾脏病理和视网膜影像；（3）生物标志物发现与药物靶点预测；（4）临床决策支持与患者管理。本文结合近年来文献报道总结了AI应用于DKD诊疗各环节的研究进展，详细论述了当下研究的优势及不足，并进行未来研究方向的展望。一、疾病预测与风险评估早期发现、精准预测DKD的发生与发展是干预DKD发展进程、延缓病程进展及改善患者结局的前提。多项研究基于临床和实验室数据，利用ML算法构建了DKD进展为ESRD的预测模型。Ou等［4］比较了多种ML模型预测新诊断2型糖尿病患者发生ESRD的风险，其中极端梯度提升（extremegradientboosting，XGBoost）模型性能最佳［曲线下面积（areaunderthecurve，AUC）0.953］，并识别出基线血清肌酐、诊断前1年平均血清肌酐、高敏C反应蛋白、尿蛋白/肌酐比值及女性为关键预测特征；Zou等［5］针对经肾活检确诊的2型糖尿病合并DKD患者构建ESRD风险模型，随机森林算法表现最优（AUC0.90），且识别出胱抑素C、血清白蛋白、血红蛋白、24h尿总蛋白和估算的肾小球滤过率（estimatedglomerularfiltrationrate，eGFR）为主要预测因素。除了预测ESRD，AI也被用于更广泛肾功能下降的预测。Chan等［6］开发并验证了一个结合生物标志物和电子病历数据的ML风险评分（KidneyIntelX™），预测DKD患者5年内eGFR持续下降或肾衰竭的复合结局，该模型（AUC0.77）显著优于仅使用临床模型（AUC0.61），并能对患者进行有效风险分层。传统预测模型主要依赖eGFR、血糖、血压等少数几个指标，难以捕捉多维度数据中复杂的非线性关系，因此在分析具有高度异质性的DKD表型时容易出现模型误差。相比之下，基于AI的预测模型在多方面展现出显著优势。AI模型能整合数十至数百个临床特征，系统揭示多因素之间复杂的交互作用，并识别出传统评估中未被充分重视的如胱抑素C、血清白蛋白、血红蛋白和高敏C反应蛋白等关键因素［45］。AI还能够处理时间序列数据，通过综合分析eGFR最小值、极差和尿蛋白动态变化等时序特征使预测结果更准确［7］。此外AI模型展现出阶段特异性识别能力，如在晚期DKD患者中，其分析提示应更加关注肾功能、营养、贫血和蛋白尿等指标，而非传统所重视的年龄、性别或血糖、血压控制［5］。总体来说，AI模型不仅能达到较高的预测性能，更能从多维度数据中识别出超越传统认知的关键预测因素，并依据疾病阶段的不同动态调整预测重心，进而实现更精准、更具个体化的风险评估。二、影像学分析与肾脏病理诊断影像学和病理学是DKD诊断、分期、疗效评估等环节的重要手段，但传统的影像阅片及病理诊断高度依赖专家的主观经验，耗时且费力。AI技术在图像识别与分析方面具有优势，为肾脏影像、病理等图像的自动化分析带来了新的解决方案。目前AI在肾脏病理图像分析中主要应用于病理特征识别、定量分析及疾病分型。Kitamura等［8］首次发现，DL模型仅基于肾脏病理免疫荧光图像就足以诊断DKD，其中部分卷积神经网络程序的诊断性能较高（AUC1.00），远超肾脏病理医师（AUC0.758），提示AI能够捕捉人眼难以识别的细微特征。Lei等［9］利用解析肾脏病理系统对DKD患者肾小球病变进行定量分析和辅助病理分期，精准识别出肾小球类型以及肾小球固有细胞，且对系膜区面积等病理特征进行定量检测。这体现出AI在对肾脏病理图像的自动定量分析和辅助病理分期方面具有广阔前景，有助于降低人为主观性、提高工作效率。除了免疫荧光，AI也被应用到更精细的病理图像分析中。Smerkous等［10］提出了一套基于DL的自动方法，通过检测肾活检中的电子显微镜图像估算出足细胞足突宽度，其测量结果与专业医师的手工测量高度相关且差异无统计学意义，且测量速度远快于人工。Li等［11］将ML应用于肾脏电子显微镜图像，成功区别了伴有和不伴有微小病变的DKD患者。该模型通过对足细胞足突形态的差异进行诊断，单幅图的准确率可达93.3%，多幅图高达98%。这些数据表明，AI在不同类型的病理图像中均能实现精准分析，不仅能辅助常规诊断，亦可发现新的病理特征、实现常规难以量化的指标分析。AI在肾脏病理图像分析中的另一个应用是鉴别诊断。Fan等［12］建立了基于Masson染色图像的AI模型，用于鉴别DKD和IgA肾病。DKD和IgA肾病在光镜下经常表现有系膜区增殖，难以区分，而该AI模型总体准确性为73.24%，且鉴别诊断速度快于肾脏病理医师，体现了AI在特定鉴别诊断方面的优势。Yabe等［13］则运用DL聚类分析和可视化技术解读DKD光镜图像中微小而新颖的病理改变，如相对较小的肾小球体积和肾小球毛细血管外周病变等，以更深入地理解DKD的早期病理改变。综上，AI在DKD影像学及病理学分析已展现出多模态、多任务的广泛应用能力。AI不仅能够自动完成病理图像的分类判别与定量分析等传统任务，还可以挖掘出人眼难以察觉的影像学新特征，提升对疾病的预测与诊断效能，为DKD的精准识别与病理研究提供了新的技术支撑。三、生物标志物发现与药物靶点预测DKD的病理机制十分复杂，涉及多种分子路径、不同种类的细胞，缺少特异性的早期生物标志物和药物靶点是当前DKD诊断和治疗面临的主要难题。AI能通过解析多种组学如基因组、转录组、蛋白质组、代谢组、微生物组等的数据来发现与DKD的发生发展相关联的分子通路，进而挖掘新型的生物标志物和药物靶点。近年来，随着高通量组学技术的发展，AI分析复杂数据的优势已经得以充分体现。Mavrogeorgis等［14］采用ML处理尿液肽组学数据，实现了包括DKD在内的多种慢性肾脏病病因的无创鉴别诊断。尿液肽作为一种易于获取的样本，其组学数据结合AI分析为DKD的无创诊断和分期提供了新的潜在生物标志物。除蛋白及尿液肽之外，基因表达谱也是AI进行生物标志物发现的重要数据来源。Wu等［15］、Fan等［16］分别关注糖酵解在DKD中的作用，从转录组数据中利用ML方法和加权基因共表达网络分析（weightedgenecoexpressionnetworkanalysis，WGCNA）发现了与DKD发生相关的糖酵解诊断特征，揭示中性粒细胞和非经典单核细胞参与DKD的发生，提示糖酵解异常会影响肾脏免疫微环境。Fan等［16］进一步鉴定出11个差异表达的糖酵解相关基因，并通过XGBoost等算法筛选出了甘氨酸脒基转移酶（glycineamidinotransferase，GATM）、蝶呤4α甲醇胺脱水酶1（pterin4alphacarbinolaminedehydratase1，PCBD1）和葡萄糖6磷酸酶催化亚基（glucose6phosphatasecatalyticsubunit，G6PC）等核心基因。Zhong等［17］则聚焦N7甲基鸟苷（N7methylguanosine，m7G）修饰，从基因表达公共数据库（geneexpressionomnibus，GEO）中利用多种ML方法识别了甲基转移酶样蛋1（methyltransferaselike1，METTL1）、细胞质FMR1相互作用蛋白2（cytoplasmicFMR1interactingprotein2，CYFIP2）、真核翻译起始因子3亚基D（eukaryotictranslationinitiationfactor3subunitD，EIF3D）、nudix水解酶4（nudixhydrolase4，NUDT4）等m7G相关调控因子，认为它们可作为DKD的潜在诊断性生物标志物，并分析了其与免疫微环境的关系：基于上述4个调控因子的表达水平可将DKD样本分为两个m7G相关聚类，其中高m7G评分聚类的免疫细胞浸润程度更显著；CYFIP2表达与调节性T细胞浸润相关，NUDT4表达与静息自然杀伤细胞水平相关，且这些调控因子相关通路富集了免疫相关通路，共同参与DKD免疫微环境的调控。Dong等［18］通过WGCNA等方法从GEO数据库的基因表达数据中筛选出血管性血友病因子（vonwillebrandfactor，VWF）和DNA酶1样蛋白3并确定为DKD的潜在核心基因及诊治靶点。单样本基因集富集分析显示，这两个基因与趋化因子、核因子κB等免疫调控通路功能高度相关，且VWF的高表达还会加剧DKD中的炎症反应，进一步印证了其与免疫机制的紧密联系。除了宿主体内自身分子的改变，微生物组也被认为是影响DKD发生发展的重要因素。Wu等［19］在利用ML方法进行DKD患者的肠道菌群16SrRNA基因测序数据挖掘后，发现包括Gemmigerspp在内的新型菌群生物标志物，并鉴定出其与宿主代谢紊乱等的潜在相互作用关系。结果表明，DKD患者中Gemmigerssize在碳水化合物代谢和支链氨基酸生物合成方面显著富集，且循环中的支链氨基酸水平增加，提示肠道肾脏轴在对DKD中发挥作用，体现出AI在挖掘微生物组数据中潜在复杂的跨系统交互关系方面的独有优势。此外，AI通过整合多组学数据和多种算法精准识别关键分子并筛选潜在治疗化合物，在DKD药物靶点预测中正发挥着日益关键的作用。在Li等［20］的研究中，研究者结合批量单细胞RNA测序数据，运用最小绝对收缩与选择算子回归和随机森林两种ML算法从纤维化相关基因中筛选出促纤维化的膜突蛋白1（prominin1，PROM1）和抗纤维化的胸腺细胞表面抗原1（thymocyteantigen1，THY1）两个作用相反的关键靶点，随后通过分子对接技术从ZINC化合物库中虚拟筛选出分别靶向这两个蛋白的潜在治疗小分子ZINC402830和ZINC3830400。类似地，胡鑫等［21］通过蛋白微阵列初步锁定CXCL1为关键炎症因子后，利用生物信息学网络分析算法确定了以CXCL1为核心的枢纽基因网络（包括ALB、LUM、MMP7等），并借助ConnectivityMap数据库预测了包括蛋白酪氨酸磷酸酶抑制剂Ⅳ在内的10种能够逆转该基因表达谱的潜在小分子治疗药物。在更宏观的层面，如Limonte等［22］的综述所展望，由美国国家糖尿病、消化与肾脏疾病研究所资助的肾脏精准医学项目等联盟正牵头推动DKD的精准医学研究。该联盟系统性收集DKD、高血压肾病等常见慢性肾病患者的肾脏活检样本，运用单细胞RNA测序、空间转录组、近单细胞蛋白质组、空间代谢组/脂质组、表观遗传学技术及三维组织成像等多模态技术对肾脏组织开展深度分子和结构表型分析，同时整合标准化的临床表型、预后数据与血/尿生物标志物信息。研究团队应用AI和强化学习方法进行高维数据降维，挖掘潜在分子模式/网络，并将多组学数据与组织病理、临床数据多尺度整合，明确了DKD肾小球内皮细胞中血管生成相关基因富集、肾小管细胞发生代谢重编程等DKD细胞的特异性分子变化，发现了以线粒体功能障碍为主导、以炎症反应和脂质代谢紊乱为辅的DKD亚型，发掘了氧化应激、核因子κB、丝裂原活化蛋白激酶信号通路和脂质代谢调控等方面的机制性药物靶点，为进一步开展DKD精准诊断及靶向治疗奠定基础。综上，AI技术可为DKD生物标志物的发现以及药物靶点预测提供强大助力。不同类型组学的数据经由AI分析后发现了相对于传统方法学可能不会注意的尿液肽、特异性的基因、菌群等潜在生物标志物，揭示了糖酵解、m7G修饰、肠道肾脏轴等潜在特异性分子通路，为开发更灵敏、特异的诊断手段提供了有力的理论基础与目标方向。在药物靶点预测方面，AI通过整合多组学数据和多种算法，能够精准识别与纤维化、炎症等病理过程相关的关键基因及蛋白，并借助分子对接、网络药理学等方法高效筛选潜在治疗化合物，从而推动DKD针对性治疗策略的开发与个性化用药的进展。四、临床决策支持与患者管理AI在DKD领域的核心目标，是将研究成果转化为能够辅助临床决策并赋能患者自我管理的实用工具。临床决策支持系统（clinicaldecisionsupportsystem，CDSS）是实现这一目标的重要路径，其通过融合患者数据、医学知识与AI模型，为医师提供诊断、治疗及预后预测支持。Fu等［23］成功开发并全国部署的DKD进展预测模型（AUC0.88）已在国家层面用于患者风险分层与长期护理计划制定，为基层医疗提供了可靠的风险管理工具，此为AI辅助CDSS的一大成功范例。多项研究揭示了AI在DKD基层管理中的多元价值。在治疗优化层面，Datar等［24］的研究表明，AI辅助诊断能推动更积极且个体化的药物应用如钠葡萄糖共转运蛋白2抑制剂/胰高糖素样肽1受体激动剂，此举在延缓疾病进展的同时，也因显著节约成本为社区用药提供了经济学依据；在风险预警方面，AI模型通过整合时序数据，展现出精准预测急性肾损伤等肾功能恶化风险的潜力，为早期干预创造了条件［7］；此外，AI的应用也延伸至患者支持领域，Ebrahimi等［25］研究发现，AI在回答患者常见问题方面与专家具有较高的一致性，可作为基层场景下可靠的信息补充工具；结合传感器与智能设备的AI远程监测系统［2627］能够实时追踪血压、血糖、尿蛋白等关键指标，为社区随访和居家管理提供了动态的数据支持。这些应用共同表明，AI技术有望在慢性病下沉至社区的管理模式下成为基层医师实施个体化、综合性DKD管理的有力辅助工具。上述AI在DKD各领域的典型应用与模型特点总结对比如表1所示，该表系统横向梳理了不同应用场景下核心AI模型的数据源、性能指标、技术优势及局限性，为理解各细分领域的技术现状提供了精准参考。在此基础上，图1从整体层面展示了临床数据、影像数据、组学数据等多模态信息与AI技术的融合路径，以及DKD诊疗全流程各环节的内在关联。五、挑战与未来展望尽管AI在DKD的研究中取得了显著进展，但其临床转化仍面临多重挑战。首先，数据质量与标准化是基础性难题。训练可靠的AI模型依赖于高质量、大规模且标准化的多中心数据集，而现实中临床数据往往存在结构异质性、标注不一致与样本选择性偏差等问题，这在高度依赖专家标注的病理图像等领域尤为突出［2830］。其次，模型的可解释性普遍不足。许多性能优异的DL模型如同“黑箱”，其决策逻辑不透明，限制了临床医师的信任与应用［3132］。再次，模型的泛化能力有待验证。当前多数研究仅停留在内部验证阶段，缺乏在独立、多中心队列中进行的外部验证，其实际效能与普适性因此存疑［2930］。最后，临床整合与伦理合规是落地难点，需要跨学科的深度协作，并必须妥善解决数据隐私、安全监管、责任认定等一系列法规与伦理问题［33］。未来研究应聚焦于以下方向以推动AI的临床转化：（1）应致力于多模态数据的深度整合，融合临床信息、影像学特征与组学数据，构建能够全面反映疾病本质的系统模型；（2）大力发展可解释AI，揭开模型决策的“黑箱”，提升其透明度与临床可信度；（3）必须开展严谨的前瞻性、多中心临床验证，客观评估AI模型对诊疗流程的实际改善效果，夯实其应用基础；（4）探索基于AI的个体化治疗策略，依据精准的分子分型与风险分层为患者制定定制化方案；（5）积极利用AI驱动药物发现，加速新靶点与新疗法的研发；（6）需持续优化CDSS的实用性与友好度，推动其在真实医疗场景中的广泛部署与整合。综上所述，DKD是全球面临的严峻公共卫生挑战。AI技术凭借其在数据分析、模式识别和预测建模方面的强大能力，为DKD的早期诊断、预后预测、生物标志物识别和临床决策支持带来了前所未有的机遇。近年来，基于临床数据、影像学特征和多组学数据的AI模型在DKD领域取得了显著进展，显示出超越传统方法的潜力。尽管数据标准化、模型可解释性、外部验证和临床整合等挑战依然存在，但随着技术的不断成熟和多学科的交叉融合，AI有望在未来深刻改变DKD的诊疗模式，实现更早的诊断、更精准的预测、更有效的干预和更个体化的管理，最终减轻疾病负担，改善患者预后。未来的研究应聚焦于克服现有挑战，推动AI技术从实验室走向临床，为全球数亿糖尿病患者带来福音。参考文献[1]NCDRiskFactorCollaboration(NCD-RisC).Worldwidetrendsindiabetesprevalenceandtreatmentfrom1990to2022:apooledanalysisof1108population-representativestudieswith141millionparticipants[J].Lancet,2024,404(10467):2077-2093.DOI:10.1016/S0140-6736(24)02317-1.[2]JiaW,YuR,WangL,etal.PrevalenceofchronickidneydiseaseamongChineseadultswithdiabetes:anationwidepopulation-basedcross-sectionalstudy[J].LancetRegHealthWestPac,2025,55:101463.DOI:10.1016/j.lanwpc.2024.101463.[3]中华医学会糖尿病学分会微血管并发症学组.中国糖尿病肾脏病防治指南(2021年版)[J].中华糖尿病杂志,2021,13(8):762-784.DOI:10.3760/115791-20210706-00369.[4]OuS,TsaiM,LeeK,etal.Predictionoftheriskofdevelopingend-stagerenaldiseasesinnewlydiagnosedtype2diabetesmellitususingartificialintelligencealgorithms[J].BioDataMin,2023,16(1):8.DOI:10.1186/s13040-023-00324-2.[5]ZouY,ZhaoL,ZhangJ,etal.Developmentandinternalvalidationofmachinelearningalgorithmsforend-stagerenaldiseaseriskpredictionmodelofpeoplewithtype2diabetesmellitusanddiabetickidneydisease[J].RenFail,2022,44(1):562-570.DOI:10.1080/0886022X.2022.2056053.[6]ChanL,NadkarniGN,FlemingF,etal.Derivationandvalidationofamachinelearningriskscoreusingbiomarkerandelectronicpatientdatatopredictprogressionofdiabetickidneydisease[J].Diabetologia,2021,64(7):1504-1515.DOI:10.1007/s00125-021-05444-0.[7]WatanabeM,MeguroS,KimuraK,etal.Amachinelearningmodelforpredictingworseningrenalfunctionusingone-yeartimeseriesdatainpatientswithtype2diabetes[J].JDiabetesInvestig,2025,16(1):93-99.DOI:10.1111/jdi.14309.[8]KitamuraS,TakahashiK,SangY,etal.Deeplearningcoulddiagnosediabeticnephropathywithrenalpathologicalimmunofluorescentimages[J].Diagnostics(Basel),2020,10(7):466.DOI:10.3390/diagnostics10070466.[9]LeiQ,HouX,LiuX,etal.Artificialintelligenceassistsidentificationandpathologicclassificationofglomerularlesionsinpatientswithdiabeticnephropathy[J].JTranslMed,2024,22(1):397.DOI:10.1186/s12967-024-05221-8.[10]SmerkousD,MauerM,TøndelC,etal.DevelopmentofanautomatedestimationoffootprocesswidthusingdeeplearninginkidneybiopsiesfrompatientswithFabry,minimalchange,anddiabetickidneydiseases[J].KidneyInt,2024,105(1):165-176.DOI:10.1016/j.kint.2023.09.011.[11]LiX,ZhangP,JiangS,etal.Utilizingpodocytefootprocessmorphologyfortheidentificationofdiabeticnephropathywithorwithoutminimalchangedisease:establishmentofanartificialintelligence-assisteddiagnosticmodel[J].DiabetesMetabSyndrObes,2025,18:2141-2153.DOI:10.2147/DMSO.S525765.[12]FanZ,YangQ,XiaH,etal.ArtificialintelligencecanaccuratelydistinguishIgAnephropathyfromdiabeticnephropathyunderMassonstainingandbecomesanimportantassistantforrenalpathologists[J].FrontMed(Lausanne),2023,10:1066125.DOI:10.3389/fmed.2023.1066125.[13]YabeT,TsuruyamaY,NomuraK,etal.Exploringthesubtleandnovelrenalpathologicalchangesindiabeticnephropathyusingclusteringanalysiswithdeeplearning[J].SciRep,2025,15(1):2018.DOI:10.1038/s41598-024-84588-6.[14]MavrogeorgisE,HeT,MischakH,etal.Urinarypeptidomicliquidbiopsyfornon-invasivedifferentialdiagnosisofchronickidneydisease[J].NephrolDialTransplant,2024,39(3):453-462.DOI:10.1093/ndt/gfad200.[15]WuX,GuoB,ChangX,etal.Identificationandvalidationofglycolysis-relateddiagnosticsignaturesindiabeticnephropathy:astudybasedonintegrativemachinelearningandsingle-cellsequence[J].FrontImmunol,2024,15:1427626.DOI:10.3389/fimmu.2024.1427626.[16]FanC,YangG,LiC,etal.Uncoveringglycolysis-drivenmolecularsubtypesindiabeticnephropathy:aWGCNAandmachinelearningapproachfordiagnosticprecision[J].BiolDirect,2025,20(1):10.DOI:10.1186/s13062-025-00601-6.[17]ZhongJ,XuP,LiX,etal.Constructionofadiagnosticmodelutilizingm7Gregulatoryfactorsforthecharacterizationofdiabeticnephropathyandtheimmunemicroenvironment[J].SciRep,2025,15(1):9208.DOI:10.1038/s41598-025-93811-x.[18]DongB,LiuX,YuS.Utilizingmachinelearningalgorithmstoidentifybiomarkersassociatedwithdiabeticnephropathy:areview[J].Medicine(Baltimore),2024,103(8):e37235.DOI:10.1097/MD.0000000000037235.[19]WuI,LiaoY,TsaiT,etal.Machine-learningassisteddiscoveryunveilsnovelinterplaybetweengutmicrobiotaandhostmetabolicdisturbanceindiabetickidneydisease[J].GutMicrobes,2025,17(1):2473506.DOI:10.1080/19490976.2025.2473506.[20]LiL,TaoM,GaoX,etal.Uncoveringkeymarkersandtherapeutictargetsforrenalfibrosisindiabetickidneydiseasethroughbulkandsingle-cellRNAsequencing[J].JTranslMed,2025,23(1):742.DOI:10.1186/s12967-025-06554-8.[21]胡鑫,王李卓,章尧,等.以CXCL1为关键靶点的糖尿病肾病差异基因分析及潜在药物预测[J].中华内分泌代谢杂志,2023,39(12):1056-1066.DOI:10.3760/311282-20230406-00154.[22]LimonteCP,KretzlerM,PennathurS,etal.Presentandfuturedirectionsindiabetickidneydisease[J].JDiabetesComplications,2022,36(12):108357.DOI:10.1016/j.jdiacomp.2022.108357.[23]FuZ,WangZ,ClementeK,etal.Developmentanddeploymentofanationwidepredictivemodelforchronickidneydiseaseprogressionindiabeticpatients[J].FrontNephrol,2023,3:1237804.DOI:10.3389/fneph.2023.1237804.[24]DatarM,BurchenalW,DonovanMJ,etal.Payerbudgetimpactofanartificialintelligenceinvitrodiagnostictomodifydiabetickidneydiseaseprogression[J].JMedEcon,2021,24(1):972-982.DOI:10.1080/13696998.2021.1960714.[25]EbrahimiN,VakhshooriM,TeichmanS,etal.AgreementbetweenAIandnephrologistsinaddressingcommonpatientquestionsaboutdiabeticnephropathy:cross-sectionalstudy[J].JMIRDiabetes,2025,10:e65846.DOI:10.2196/65846.[26]MenonSP,ShuklaPK,SethiP,etal.AnintelligentdiabeticpatienttrackingsystembasedonmachinelearningforE-healthapplications[J].Sensors(Basel),2023,23(