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

腎病理學中的AI應用快速增加，尤其在影像分析和非腫瘤樣本上。合作跨領域專家對開發有效AI工具至關重要。研究主要在美國進行，並朝向更複雜的任務，如深度學習多染色分類。 PubMed DOI

最近開發了一種新方法，用於在急性腎損傷的啮齒動物模型中可視化和量化腎臟中的葉酸結晶。這個方法包括一個簡單的組織學協議，然後是自動成像和量化。研究發現，這個模型與性別有關，女性顯示出比男性更高的腎臟結晶含量和血漿尿素水平。這個方法有助於了解和控制在研究急性腎損傷治療時葉酸結晶變化。 PubMed DOI

這項研究使用卷積神經網絡來自動分割移植活檢中的腎小球細胞和毛細血管，以評估它們與移植功能的相關性。結果顯示某些細胞密度與腎功能參數之間存在關聯。將這些細胞進行自動分割可能成為未來移植器官失敗風險的潛在標誌。 PubMed DOI

研究提出了一個方法論框架，用於分析實驗性腎炎中的3D影像數據，揭示了蛋白尿和免疫細胞浸潤之間的相關性。研究結果顯示，相鄰腎小球的空間密度可能影響腎臟活檢中觀察到的腎小球損傷嚴重程度。算法流程可適應不同器官和影像模式的參數分析。 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

這項研究評估自動化尿液分析在檢測腎臟疾病相關尿液沉澱物的準確性，並與標準顯微鏡檢查比較。研究涵蓋503個尿液樣本，主要來自腎臟科病患。結果顯示，自動化分析與參考分析的一致性僅42.1%。雖然在檢測血尿和白血球尿方面表現良好，但對病理性管型等的敏感性較低。研究建議，對於複雜病例，仍需進行個性化的手動檢查，以避免誤導性結果。 PubMed DOI

這項研究探討腎小管周圍毛細血管（PTC）特徵與腎小球疾病進展的關聯，特別是間質纖維化和腎小管萎縮（IFTA）。研究分析了344名腎病患者的影像，利用深度學習量化IFTA和PTC特徵。研究人員找出與疾病進展相關的PTC關鍵特徵，並透過機器學習建立風險評分，這些評分與病情結果有關。結果顯示PTC的密度、形狀和結構對理解疾病進展的重要性，並揭示新的數位生物標記及PTC與微環境的互動。 PubMed DOI

低腎元數量與慢性腎病（CKD）及高血壓風險增加有關。為了研究腎元不足的影響，我們創建了一種新型近交大鼠模型（HSRA大鼠），其中75%的後代僅有一個腎臟。研究顯示，這些大鼠的腎元數量減少約20%，並在18個月時出現顯著的蛋白尿，顯示CKD風險增加。透過甲基化測序、單核RNA測序及蛋白質組學分析，我們發現多個基因及366個差異表達的蛋白質，特別是Deptor和Amdhd2基因，可能在腎臟發育中扮演重要角色，未來可用於改善腎元健康及減緩腎病進展。 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