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

利用機器學習演算法分析CKD患者的腎臟纖維化程度，XGBoost模型表現優異，AUC達0.97。SHAP方法有助於解釋模型輸出，顯示腎小球過濾率對預測影響最大。這有助於臨床醫生制定CKD患者的治療策略。 PubMed DOI

研究利用AI-LLMs提取臨床資訊，改善影像分析，預測膀胱癌患者手術後五年存活率。共有781位患者資料，AI-LLMs從醫療記錄中提取臨床描述符。開發了多模態預測模型CRD，準確率達74%至97%。CRD模型表現良好，AUC值範圍0.83至0.89。研究顯示AI-LLMs提取臨床資訊可改善膀胱癌患者預測模型。 PubMed DOI

這項研究比較了三種放射組學模型（邏輯回歸、隨機森林和支持向量機）與臨床預測圖在預測前列腺癌患者淋巴結侵犯（LNI）的表現。分析包含95名接受mp-MRI及根治性前列腺切除術的患者，收集影像學、臨床及組織學數據。手動分割病變後，提取了343個特徵，隨機森林模型在DWI和ADC的預測準確率上表現最佳，顯示出比臨床預測圖更高的診斷準確性。 PubMed DOI

這項研究探討胸部電腦斷層掃描（CT）對於接受透析的COVID-19患者預後的影響。分析了326名透析患者，發現21.5%在住院期間死亡。主要發現包括18.1%的患者肺部受累超過10%，且肺部受累超過2.7%、胸腔積液、結節性實變和斑片狀浸潤與死亡率增加相關。研究強調即使是輕微的肺部受累也可能提高死亡風險，建議特定CT特徵可作為預測患者結果的重要指標。 PubMed DOI

英國去世捐贈者腎臟移植結果預測工具（UK-DTOP）運用先進的人工智慧，分析了2008至2022年間的29,713例移植數據，評估三種機器學習模型。結果顯示，XGBoost模型表現最佳，協調指數達0.74，遠超傳統的腎臟捐贈者風險指數（KDRI）0.57，顯示出更高的預測準確性。該工具不僅提升了移植前的決策質量，還可能對全球的器官移植實踐帶來正面影響。 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

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

這項研究針對慢性腎病（CKD）患者在接受冠狀動脈手術後的急性腎損傷（PC-AKI）進行預測。研究團隊在2015至2021年間招募了989名CKD患者，發現12.6%出現PC-AKI。他們使用隨機森林算法和六個機器學習模型進行比較，結果顯示深度神經網絡（DNN）模型表現最佳，術前變數的AUROC為0.733，術中變數則為0.770，超越傳統Mehran評分（AUROC 0.631）。此外，研究還利用SHAP方法提升模型可解釋性，並開發網頁工具協助醫生評估PC-AKI風險，顯示出良好的臨床應用潛力。 PubMed DOI