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

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

「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

研究目的是提升對CAKUT胎兒腎臟存活的超聲波預測能力。通過組織學分析，幫助標準化超聲波解讀。研究發現減少羊水量、發育不良和囊腫是最佳預測指標。整合這些因素成演算法可提高預測準確性。發育不良和囊腫雖相關，但起源不同，解釋了它們聯合預測的效果。標準化並結合超聲波解讀可增進CAKUT懷孕的臨床建議。 PubMed DOI

人工智慧在器官分割和腫瘤檢測領域有重大進展，得益於豐富的 CT 資料集。然而，現有模型在靈活性和擴展性上仍有挑戰。為因應此挑戰，提出了一個新模型框架，利用語言嵌入和輕量、特定頭部來提升效能。該模型經過多資料集訓練，在醫學分割任務中表現優異。這個通用模型計算效率高，適用於不同醫院並可輕鬆適應新類別。更多資訊請參考 https://github.com/ljwztc/CLIP-Driven-Universal-Model。 PubMed DOI

建立歐洲白人/高加索裔兒童腎臟體積正常值，男性腎臟較大，身體表面積是最強預測因子。共1396名0-19歲兒童參與研究，無腎臟疾病。結果可提供兒童腎臟體積參考值。 PubMed DOI

開發了一種人工智慧（AI）方法，用於測量患有常染色體顯性多囊腎病（ADPKD）的患者的總腎容積（TKV）。AI演算法顯示與手動分割相當的表現，左右腎的TKV誤差中位數為-1.8％，DICE分數中位數為0.96。該演算法在真實世界的臨床案例中被發現是快速且精確的，適合用於臨床使用。 PubMed DOI

研究開發了深度學習演算法，能快速又精確地分割腎臟影像中的髓質金字塔。結果顯示腎臟結構特徵與臨床因素有關，對慢性腎臟疾病機制提供了洞察。大的皮質體積與較佳的腎臟健康相關，大的金字塔則與較高的腎臟問題風險相關。金字塔數量與患者特徵相關。研究顯示腎臟結構變異可能影響腎功能和疾病風險。 PubMed DOI

CT引導的腎臟穿刺活檢是安全有效的方法，適用於特定患者。研究顯示CT引導相較於超聲引導可提供診斷，但較易出血。整體而言，對於不適合超聲引導的患者，CT引導的腎臟穿刺活檢是有價值的選擇。 PubMed DOI

已開發並驗證了一種基於模板的半自動影像分割方法（SAM），用於測量常染色體優勢多囊腎病（PKD）模型中的總腎容積（TKV）。SAM在老鼠和大鼠PKD模型中顯示出與手動方法和其他臨床替代方法相比的高準確性和效率。SAM是在PKD的臨床前研究中確定TKV的快速準確方法。 PubMed DOI