這項研究針對慢性腎病（CKD）患者在接受冠狀動脈手術後的急性腎損傷（PC-AKI）進行預測。研究團隊在2015至2021年間招募了989名CKD患者，發現12.6%出現PC-AKI。他們使用隨機森林算法和六個機器學習模型進行比較，結果顯示深度神經網絡（DNN）模型表現最佳，術前變數的AUROC為0.733，術中變數則為0.770，超越傳統Mehran評分（AUROC 0.631）。此外，研究還利用SHAP方法提升模型可解釋性，並開發網頁工具協助醫生評估PC-AKI風險，顯示出良好的臨床應用潛力。 PubMed DOI

深度學習在數位腎臟病理學中展現潛力，但需依賴標註良好的數據集，這類數據集通常稀缺。為了解決這個問題，我們採用了自我蒸餾無標籤學習（DINO）的方法，分析了384個腎臟活檢切片中的10,423張腎小球影像。透過主成分分析（PCA），我們可視化了DINO模型提取的特徵，並進行分類任務。結果顯示，DINO模型在疾病分類上達到0.93的ROC-AUC，優於ImageNet模型，特別是在標註數據有限的情況下，DINO模型的表現更為穩定。這證實了DINO在無標註影像中有效提取組織學特徵的潛力。 PubMed DOI

這項研究探討了利用深度學習技術預測狼瘡性腎炎的治療反應，透過分析腎臟活檢切片進行。研究對象為接受環磷酰胺或美克洛寧的患者，主要結果為12個月內的完全反應，依據尿蛋白水平和腎小球過濾率定義。研究涵蓋245名患者的模型開發和71名患者的外部測試，使用多種染色方法。深度學習模型在不同染色切片上訓練，顯示良好預測性能，並強調某些特徵為重要預測因子。結論認為深度學習能有效預測治療反應，但需進一步驗證。 PubMed DOI

這項研究開發了一個多模態超音波深度學習模型，目的是自動分類慢性腎病（CKD）患者的早期纖維化。研究對象為2022年接受各種超音波檢查的患者，根據病理分數分為最小纖維化組和輕度纖維化組。數據集分為訓練集和測試集，並創建了整合三種超音波特徵的深度學習模型。結果顯示，多模態模型的AUC達到0.86，顯著優於單一模式模型，顯示其在預測CKD早期纖維化的有效性。 PubMed DOI

深度學習在數位腎臟病理學中展現出潛力，但缺乏標註良好的數據集限制了其發展。本研究使用無標籤自我蒸餾（DINO）方法，分析了384個PAS染色腎臟活檢切片的10,423張腎小球圖像。DINO模型的ROC-AUC達到0.93，優於ImageNet的0.89，且在標註數據稀缺時，DINO模型仍保持在0.88，顯示出更高的穩定性和準確性。這表明DINO在無標註的腎小球圖像中有效提取組織學特徵，對疾病分類有重要貢獻。 PubMed DOI

這項研究評估了四種深度學習分類演算法——決策樹、隨機森林、支持向量機和極端梯度提升（Xgboost），用於500名原發性腎小球疾病患者的原發性膜性腎病（PMN）鑑別診斷。結果顯示，322名患者為PMN，178名為非PMN。Xgboost模型表現最佳，對PMN的敏感度達92%，特異度達96%。因此，這項研究成功建立了PMN的鑑別診斷模型，Xgboost是臨床上最有效的選擇。 PubMed DOI

一種新的自動化技術利用深度學習已被開發出來，用於估計腎臟疾病中的足細胞足突寬度（FPW）。這個模型能夠準確地測量電子顯微鏡圖像中的FPW，並已在各種患者群體中進行驗證。這種方法比傳統技術更快速、更易取得，使其成為研究和臨床應用中的寶貴工具。 PubMed DOI