「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

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

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

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

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

這項研究開發出一套流式細胞儀方法，能用尿液檢測特定腎小管上皮細胞（TECs），其中CD227/CD326⁺ TEC數量和急性腎損傷（AKI）嚴重度有關，能有效區分AKI、健康人及腎絲球疾病患者。這種檢測方式具特異性且非侵入性，有助於監測AKI時的腎小管損傷。 PubMed DOI

這項研究用ResNet18深度學習模型，訓練超過4,000張腎臟切片EM影像，能自動判斷電子緻密沉積物的位置，AUC高達0.928–0.987，表現比資深醫師還好。團隊也開發網頁工具，讓臨床醫師能快速上傳影像並獲得自動判讀結果，提升效率與一致性。 PubMed DOI

這項研究用深度學習分析FSGS和MCD病人的腎臟切片，萃取出腎小管的細部特徵，發現這些AI計算的數據比傳統肉眼評分或臨床資料更能準確預測病情發展和蛋白尿改善。像基底膜變厚、上皮細胞變扁等變化，和較差預後有關，且會隨纖維化加重。AI分析有助提升風險預測，但臨床應用前還需更多驗證。 PubMed DOI

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