目的：使用基于SMI的放射组学机器学习模型在非侵入性中评估IgA肾病的新月体状态。

方法：我们前瞻性收集了2022年6月-2023年10月的进行肾脏穿刺活检的IgAN患者，肾活检前一天进行超声和SMI检查。入选患者按7:3的比例随机分为训练组和测试组。我们从二维超声和超微血流成像图片中提取了放射组学特征，构建放射组学的特征，进一步使用LR和Xgboss建立ML模型，以判断新月体状态。使用接收器操作特征、校准和决策曲线分析评估了所提出模型的效用。应用SHapley Additive exPlanations (SHAP) 方法来解释性能最佳的 ML 模型

结果：总共147名IgAN患者被纳入研究，其中训练队列103例和测试队列44例. 其中基于US-SMI的xgoost获得了最好的结果，训练组的AUC为0.839 (0.756-0.910)，准确率为78.6%。测试组的AUC为0.859 (0.721-0.964)，准确率为81.8%，结果明显优于单一模态的ML模型和隐血建立的临床模型。同时，在训练组和测试组中，DCA 证明Xgboost临床模型有着更高的整体净收益。

结论：基于超微血流的放射组学机器学习模型能准确判断IgAN患者的新月体状态，可以为临床治疗决策提供有效的帮助。