编者按

眼睛是窥视肾脏健康的“显微镜”。近年来，随着人工智能（AI）、眼底影像学以及多模态大数据技术的发展，“从眼看肾”逐渐成为肾脏疾病无创筛查、预后评估的新兴研究方向。在第二十五届北京肾脏病学术会议上，山西省人民医院周晓霜教授系统阐述了眼肾同源的生理病理机制，梳理各类眼部影像技术联合人工智能在肾脏疾病中的应用研究，分析现阶段行业痛点并展望了未来发展趋势。

一、眼与肾脏结构及发病机制的共通点

肾脏和眼睛在解剖结构、胚胎起源及病理生理机制上存在广泛的共性。二者均为高度血管化的器官，现有研究发现，慢性肾脏病（CKD）与许多眼部疾病的主要机制均与基因、心脏代谢危险因素、炎症和氧化应激、内皮及微血管功能障碍、动脉粥样硬化有关[1]，由此提出了眼肾“共同土壤”假说（图1）[2]。同时，中医理论中的“瞳神属肾”、“肝肾同源”以及“肾虚血瘀”等思想，也早已从传统医学角度支持眼作为肾脏健康之窗的观点。


图1. 眼肾疾病常见病理生理机制及“共同土壤”假说[1,2]

内皮及微血管功能障碍是连接眼肾损伤的核心环节。吸烟、高血压、糖尿病等因素导致的内皮损伤，会引发微血管功能障碍，进而损害肾脏（出现蛋白尿）、心脏及眼睛（视网膜及黄斑病变）[3]。重要的是，微血管结构和功能的改变发生于终末器官损伤之前，且在疾病早期具有一定可逆性。通过眼部微血管成像，可以早于器官损伤前提示全身性疾病的存在，包括CKD。

基底膜的同源性是另一关键证据。眼布鲁赫膜（Bruch膜）与肾小球基底膜（GBM）都包含α3、α4和α5 IV型胶原链网络。涉及IV型胶原蛋白的遗传性或获得性疾病（如Alport综合征）会同时影响眼肾，抗GBM疾病患者可并发脉络膜缺血[3]；Ⅱ型膜增生性肾小球肾炎中，电子致密物沉积在Bruch膜和肾小球基底膜均可发生。此外，补体系统失调是膜增生性肾小球肾炎中的沉积以及年龄相关性黄斑变性中Bruch膜上的沉积形成的关键驱动因素。

脉络膜视网膜微循环与肾脏微循环在发育、微结构和功能上高度相似（图2）[3]。脉络膜血管和肾小球内皮均由祖细胞分化生成，均呈现窗孔状内皮结构，血管通透性调节机制相似，眼肾微循环都承受着高灌注、高流量的血流，对血压和血流速度变化敏感，脉络膜血管改变可能有肋于更早识别早期疾病。脉络膜微血管(而不是视网膜血管)可能更准确地反映肾脏微血管，特别是在以过度交感神经激活为特征的疾病中，如慢性肾病。


图2. 脉络膜视网膜微循环与肾脏微循环的血流调节[3]

其他病理生理通路还包括：氧化应激与炎症作为系统性损伤介质，通过共同代谢途径连接了眼肾损伤；纤毛功能障碍从遗传学层面解释了眼肾共病，如Senior-Loken综合征同时表现为肾单位痨和视网膜变性；生物钟系统则通过协同调控氧化应激、炎症和纤维化三大通路，实现眼肾病理过程的时序协同。

中医的“精-血-津液”理论与现代微循环概念相呼应，为基于眼部影像的肾脏疾病无创预测提供了科学解释框架，也为多靶点干预(如补益肝肾、活血化瘀)防治眼肾共病开辟了新思路。

二、从眼发现肾脏疾病的相关工作

01、眼底彩照：从量化分析到大规模数据集

眼底彩照是研究最多的眼部影像模态。研究已从小规模手工特征分析，演进为依托大规模数据集的深度学习自动诊断系统，实现了从风险预测到病灶识别、从图像分类到多模态融合的任务全覆盖，并积累了如UK Biobank、CC-FII等大规模、多中心、多模态数据库（表1）。

表1. 眼底图像常见数据库

眼底彩照量化分析主要分为两类：一是管径类指标（如视网膜中央小动脉等效值[CRAE]、小静脉等效值[CRVE]、动静脉比值[AVR]；二是几何形态量化指标（如分形维数[Df]、扭曲度和分岔）。视网膜小动脉狭窄、小静脉变宽及视网膜病变以及视网膜Df均能较好预测心血管疾病，而CKD患者的视网膜血管较稀疏，Df值较低[3,4]。

视网膜眼底彩照和深度学习模型已能高效检测糖尿病视网膜病变、视盘水肿、青光眼、年龄相关性黄斑变性等多种眼病，并预测系统性生物标志物及CKD[5]。

2021年澳门科技大学医学院张康、清华大学计算机科学与技术系陈挺等联合多家医疗、科研机构，利用ResNet-50，使用中国眼底影像检查联盟的57 672例患者的总共115 344张视网膜眼底照片进行训练和验证，发现视网膜眼底照有望可靠无创筛查CKD病和糖尿病，并实现智能手机居家检测[6]。

2023年推出的商用工具Reti-CKD[7]，以及2018-2024年北京协和医院牵头开发的基于超广角眼底图像（UWF）的UWF-CKDS模型，均证实了眼底图像在CKD筛查中的价值，尤其UWF-CKDS模型融合UWF图像特征、微血管参数、临床指标、病史资料等多模态数据可预测CKD 3期及以上，AUC达0.81[8]。

2025年，清华大学黄天荫团队等全球多学科团队开发的DeepDKD系统，更是首次实现了基于眼底图像的糖尿病肾病（DKD）与非糖尿病肾病（NDKD）的无创精准鉴别，突破了DKD传统筛查对血液和尿液检测的依赖，有效解决了肾脏穿刺活检在DN和NDKD鉴别诊断中的有创性和复杂性难题，有望实现“一次成像，双病筛查”[9]。同年，中山大学中山眼科中心林浩添教授团队与中山大学附属第一医院肾病科陈崴教授团队开发的KIDS模型，不仅实现了CKD早期筛查（AUC 0.839~0.993），还能准确识别五种常见肾脏病理类型（AUC 0.790~0.932），准确度比肾病学专家高出26.98%[10]。

02、视网膜光学相干断层扫描（OCT）：高分辨率断层成像的独特价值

作为CKD监测和预后标志

视网膜OCT可提供接近组织学细节的高分辨率断层图像。相关研究主要聚焦于视网膜各层厚度、完整性及形态学改变与肾功能的相关性。量化指标包括视网膜厚度、黄斑体积、神经纤维层（RNFL）厚度、脉络膜厚度及各层完整性[3]。研究显示，CKD患者视网膜脉络膜变薄与较低的eGFR、较高的CRP和较高的蛋白尿有关，且视网膜及脉络膜厚度与2年内eGFR下降独立相关[11,12]。2023年中山大学研究发现，肾功能差与较低的视网膜神经节-内丛状层(GCIPL)基线厚度和更快的下降速率有关[13]。2025年墨西哥研究则表明，糖尿病黄斑水肿患者的外界膜和椭圆体带完整性缺失与蛋白尿严重程度呈正相关[14]。

辅助疾病诊断

伦敦大学学院等开发的视网膜基础模型RETFound，通过自监督学习在160万张未标注图像上训练，能高效适应多种疾病检测和预测任务[15]。

早期预测Alport综合征

上海交通大学医学院附属新华医院开发的DEEP-ASK系统，利用OCT图像诊断Alport综合征，平均AUC达0.95，显著优于传统指标颞侧视网膜厚度（AUC=0.63）[16]。

03、视网膜OCTA：微血管功能的三维可视化

光学相干断层扫描血管成像（OCTA）是一种无创、高分辨率的眼部血管成像技术，能对视网膜毛细血管丛进行三维可视化与微循环定量分析。基于视网膜OCTA可以更早更精确地检测局部和全身微血管疾病。研究显示，CKD患者的FAZ明显变宽，分支模式紊乱，提示血管稀疏和微血管损伤[3]。山西省人民医院团队2022年的研究首次揭示视网膜微循环损害存在“由深及浅”趋势，旁中心凹深层毛细血管丛血管密度（DCP-VD）与DKD分期相关性最强（rs=-0.712），可作为预测DKD严重程度的无创敏感指标[17]。中山大学眼科中心2023年的大样本研究证实，视盘旁血管密度（PVD）与eGFR呈显著正相关，与微量白蛋白尿呈负相关，可用于独立评估肾功能障碍[18]。

三、当前痛难点以及未来发展趋势

基于眼部影像的无创肾病预测仍面临三重瓶颈：疾病复杂、技术局限、转化鸿沟（图3）。

图3. 基于眼部影像的无创肾病预测的瓶颈

针对上述挑战，未来可从四个层面推进，最终构建覆盖筛查、分型、预后的眼肾共病精准诊疗体系（图4）：

技术层面：融合多组学与因果推断，借助自监督学习与联邦学习突破数据瓶颈，结合时序分析与可解释AI提升临床可信度。

临床转化层面：应用、人机协同并积累真实世界证据。

政策标准层面：制定标准、创新监管、推动医保覆盖与数据共享。

中西医协同层面：构建中医眼底特征体系，融合四诊信息并践行治未病理念。


图4. 构建眼肾共病精准诊疗体系的发展趋势

山西省人民医院现已配备超广角眼底相机、OCT、OCTA图像采集设备，搭建科研大数据中心，依托小程序采集患者饮食、运动、睡眠等生活数据。开展的工作包括糖尿病视网膜病变与糖尿病肾病早期预测及干预、CKD患者生活管理、血透智能管理、肾病无创诊疗与管理以及中西医结合管理。团队联合信息处、眼科、内分泌科、数据分析团队，致力于搭建多模态、时序研究数据库，推动眼肾智能诊疗技术临床转化。

总结

与存在出血、取样误差等局限性的传统血清学指标以及侵入性肾活检金标准相比，眼底影像技术凭借其无创、可及性高、可显示全身微血管床的独特优势，正开辟出一条全新的肾脏疾病管理路径。眼肾同源的理论基础与快速发展的AI技术，正推动该领域迈向多模态、可解释、强临床关联的精准管理新阶段。未来，在医学界、工程界、产业界和政策制定者的共同努力下，更多精准模型将落地临床，助力构建“无创、精准、可及”的肾脏疾病管理新范式，让眼底影像中蕴含的“微血管密码”成为守护人类肾脏健康的可靠工具。

专家简介


周晓霜 教授
山西省人民医院肾内科

主任医师，博士生导师，博士后导师，省优专家
山西省人民医院肾病中心主任、肾内科主任、肾移植科主任
山西省肾脏病质控部主任
山西省肾脏病大数据中心主任
医学博士，美国贝勒医学院肾内科博士后
太原理工大学大数据学院博士后
主持国家及省部级科研项目二十余项
获国家级科研奖励2项、省级科研奖励5项
任中华医学会肾脏病学分会委员、研究型医院学会肾脏病学分会常委

参考文献
[1] Wong, Chee Wai et al. "Kidney and eye diseases: common risk factors, etiological mechanisms, and pathways." Kidney international vol. 85,6 (2014): 1290-302.
[2] Guo X et al. Impacts of Chronic Kidney Disease on Retinal Neurodegeneration: A Cross-Cohort Analysis[J]. American Journal of Ophthalmology, 2024, 258: 173-182. 
[3]  Farrah, Tariq E et al. "The eye, the kidney, and cardiovascular disease: old concepts, better tools, and new horizons." Kidney international vol. 98,2 (2020): 323-342.
[4] Cheung, Carol Y., et al. "Retinal imaging in Alzheimer’s disease." Journal of Neurology, Neurosurgery & Psychiatry 92.9 (2021): 983-994.
[5] Cheung, Carol Y et al. "A deep learning model for detection of Alzheimer's disease based on retinal photographs: a retrospective, multicentre case-control study." The Lancet. Digital health vol. 4,11 (2022).
[6] Zhang, Kang et al. "Deep-learning models for the detection and incidence prediction of chronic kidney disease and type 2 diabetes from retinal fundus images." Nature biomedical engineering vol. 5,6 (2021): 533-545.
[7] Joo et al. Non-invasive chronic kidney disease risk stratification tool derived from retina-based deep learning and clinical factors. npj Digit. Med. 6, 114 (2023). 
[8] Zhao X, Gu X, Meng L, et al. Screening chronic kidney disease through deep learning utilizing ultra-wide-field fundus images. NPJ Digit Med. 2024;7(1):275. Published 2024 Oct 7. 
[9] Meng, Ziyao et al. “Non-invasive biopsy diagnosis of diabetic kidney disease via deep learning applied to retinal images: a population-based study.” The Lancet. Digital health vol. 7,5 (2025): 100868. 
[10] Wu, Qianni et al. “A noninvasive model for chronic kidney disease screening and common pathological type identification from retinal images.” Nature communications vol. 16,1 6962. 29 Jul. 2025.
[11] https://link.springer.com/article/10.1186/s12886-023-02802-x
[12] Farrah TE, Pugh D, Chapman FA, et al. Choroidal and retinal thinning in chronic kidney disease independently associate with eGFR decline and are modifiable with treatment. Nat Commun. 2023;14(1):7720. 
[13] Guo X et al. Impacts of Chronic Kidney Disease on Retinal Neurodegeneration: A Cross-Cohort Analysis[J]. American Journal of Ophthalmology, 2024, 258: 173-182. 
[14] https://www.sciencedirect.com/science/article/pii/S2173579425000878?via%3Dihub
[15] Zhou Y, Chia MA, Wagner SK, et al. A foundation model for generalizable disease detection from retinal images. Nature. 2023;622(7981):156-163. 
[16] Deep Learning-Based Screening of Alport Syndrome Using Retinal Optical Coherence Tomography Images,  https://www.asn-online.org/education/kidneyweek/2025/program-abstract.aspx?controlId=4352709
[17] 李小豪,张丽,李慧,等. OCTA检测糖尿病肾病患者黄斑区及视盘周围的微循环和结构改变.国际眼科杂志, 2022,22(2):280-286.
[18] Guo, Xiao et al. “In Vivo Visualization and Quantification of Optic Disc Microvasculature for Assessing Renal Dysfunction.” Ophthalmology science vol. 4,1 100358. 3 Jul. 2023.