近期腎臟病理生理學的進展受到人工智慧（AI）的影響，為腎臟疾病的理解與管理開啟新方向。AI在風險分層、預後評估及腎臟腫瘤學中發揮重要作用，能更準確預測疾病進展。儘管如此，數據整合和倫理問題仍是挑戰。未來需進行實施研究，將AI算法有效轉化為臨床實踐，並整合各類數據，以提升腎臟病的診斷與治療策略。 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

開發了深度學習模型，分析已故捐贈者的腎臟組織活檢樣本，提升器官利用。透過訓練2000個腎臟的異常特徵，並與病理學家的評分和移植結果相關性分析，建立了腎臟捐贈者品質評分（KDQS）。這些模型可幫助預測移植物損失，協助器官選擇，成功預測了腎移植接受者的移植物損失。應用KDQS於被棄置的腎臟，可估計許多腎臟若移植，可能有相似的存活率，改善風險評估和器官利用，潛在減少不必要的器官棄置。 PubMed DOI

全球缺乏供移植使用的死亡捐贈腎臟，導致許多病人在等待名單上等待時死亡。在美國，許多回收的腎臟根據病理學家有限經驗的活檢結果被棄置。《腎臟國際期刊》最近的一項研究顯示，使用人工智慧來評估這些活檢可以提高與移植腎臟存活的相關性，並有可能將器官棄置率降低25%至30%。 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

在腎移植醫學中，改善長期結果很重要。目前診斷和治療排斥反應靠組織活檢，但缺乏早期疾病特異性標記會影響準確診斷。了解晚期移植物失敗的過程對於開發治療很重要。整合大規模方法到活檢分析中，可以提供新見解。然而，在臨床上實施這些工具有障礙。質譜成像是一種未充分利用的技術，有潛力增強移植研究。 PubMed DOI

這篇評論探討了人工智慧（AI）在重症護理腎臟科的進展與應用。AI 演算法能提升早期檢測、風險預測及個性化治療，特別是在急性腎損傷（AKI）管理上。機器學習模型可在血清肌酸酐變化前預測 AKI，而大型語言模型則能自動生成臨床筆記和患者教育材料。儘管如此，為了發揮 AI 的潛力，仍需解決數據質量和倫理等挑戰。成功整合 AI 需要腎臟科醫生、重症醫師與 AI 專家的合作與持續教育。 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

本研究旨在利用人工智慧（AI）演算法，開發一個更有效的風險分層工具，以改善英國活體捐贈腎臟移植的選擇過程。我們分析了2007至2022年間的12,661例術前數據，並測試了四個機器學習模型。結果顯示，XGBoost模型在移植物存活率的預測上表現最佳，顯示出良好的預測能力。這種基於AI的模型有潛力改善捐贈者與受贈者的配對，並提升腎臟配對交換計畫的成效，展現AI在醫療領域的應用價值。 PubMed DOI

本研究針對1993至2023年間的890篇文獻進行分析，探討人工智慧（AI）在腎臟移植中的應用，這對末期腎病（ESRD）治療至關重要。透過CiteSpace和VOSviewer等工具，識別全球趨勢及主要研究領域。美國，特別是梅奧診所，成為主要貢獻者。研究主題包括AI在捐贈者配對、深度學習在移植後監測及機器學習在個性化免疫抑制中的應用。自2017年以來，AI應用顯著增加，未來趨勢指向個性化醫療及遠程醫療。本綜述為研究人員和臨床醫生提供了重要資源，並建議未來研究方向。 PubMed DOI