這項研究發現，利用進階CT影像分析（radiomics）可以比傳統腎臟體積測量更準確預測多囊腎病患者腎功能惡化。特定radiomic特徵的預測準確度較高，但還需要更多研究來證實這項技術的實用性。 PubMed DOI

這篇統合分析發現，改良版Bosniak分級在兒童複雜性腎囊腫的診斷上，敏感度高（0.88），但特異度只有中等（0.74），尤其對中度風險病灶的判斷較不準，約有24%會被誤判為良性。因此，臨床醫師在評估時，建議還是要結合其他臨床資訊，不要只依賴mBosniak分級。 PubMed DOI

這項研究發現，ChatGPT-4能用於肝臟超音波影像分析，準確率達76%、敏感度83%，表現接近傳統軟體，但分析速度快40%。雖然診斷準確率還有進步空間，但展現出AI自動化醫學影像分析的潛力。 PubMed DOI

在癌症病人身上，把電腦斷層（CT）量出來的腎臟總體積（TKV）加進原本用抽血計算的CKD-EPI腎功能公式，可以大幅提升預測實際腎功能（mGFR）的準確度。這代表腫瘤科醫師在評估腎功能時，若有加上TKV，會更精確。 PubMed DOI

隨著影像檢查普及，腎細胞癌被診斷的案例增加，分辨腎臟良性或惡性病灶變得更重要。AI技術（像機器學習、深度學習）已廣泛應用於腎臟病灶的偵測與分類，協助診斷和個人化治療。雖然AI展現潛力，但仍面臨資料差異、可解釋性及發表偏差等挑戰。 PubMed DOI

這項研究開發了一套全自動化系統，運用深度學習和電腦視覺技術，能從TEM影像中快速又準確地分割和量測腎小球基底膜厚度。結果顯示，這系統和人工量測高度相關（R² = 0.85），還能有效分類厚度，有助於臨床腎臟病診斷，省時又減少人為誤差。 PubMed DOI

這項研究評估了肌肉超音波（MUS）在急性腎損傷（AKI）且需要持續腎臟替代療法（CKRT）的重症病人中，對肌肉萎縮的評分者間可靠性。研究由多位專家進行，並透過經驗豐富的物理治療師訓練臨床醫師。分析了九位病人的54張MUS影像，結果顯示肌肉厚度和橫截面積的測量可靠性極佳，但回聲強度的可靠性較差。整體而言，MUS可作為評估AKI-CKRT病人肌肉大小的可靠工具，有助於早期診斷和管理肌肉萎縮。 PubMed DOI

這篇評論強調了解健康腎臟組織的自然變異性對生物醫學研究的重要性。文章探討了不同健康參考組織來源在結構和組學研究中的優缺點。大型研究聯盟正利用組學技術分析病變與正常腎臟，強調納入健康參考組織的必要性。創新方法如人工智慧和多組學分析，增進我們對健康腎臟結構和分子多樣性的理解，並揭示新見解。選擇健康參考組織的來源對於獲得高品質研究結果至關重要。 PubMed DOI

這項研究旨在提升腎臟腫瘤切除後患者的存活率預測，採用結合K-means聚類和Transformer特徵轉換的新方法。研究使用C4KC-KiTS-2019數據集，分析210名患者的術前CT影像，從中提取放射組學特徵，最終選出11個關鍵特徵。透過預訓練的Transformer模型和K-means聚類，模型在預測1年、3年和5年存活率方面表現優異，AUC值分別為0.889、0.841和0.926。此外，SHAP算法分析了特徵的重要性，顯示這種非侵入性方法對臨床決策有助益，可能改善患者的管理與治療策略。 PubMed DOI

這項研究探討非增強型電腦斷層掃描（NECT）放射組學（RDX）在評估慢性腎臟病（CKD）的應用，並與腎臟體積（KV）測量進行比較。研究分析了64名腎功能受損患者和60名正常對照者的NECT掃描。結果顯示，腎功能受損組的腎臟體積顯著低於對照組，且腎臟體積與eGFR呈強正相關。RDX模型的表現優於傳統的KV測量，顯示其在識別CKD高風險患者方面的潛力。 PubMed DOI

「Galileo」AI工具的開發目的是幫助病理學家解讀腎臟活檢，因為專家人數有限。一項多中心研究收集了腎臟活檢的影像，並訓練深度學習演算法來識別重要的病理特徵。該模型在訓練集上達到高精確度（81.96%）和靈敏度（94.39%），雖然驗證集的結果稍低，但仍然令人鼓舞。這個AI工具能將解讀時間縮短至2分鐘，相較於人類病理學家的22至31分鐘，顯著提高效率，可能改善腎臟移植的存活率。 PubMed DOI