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

放射組學在臨床決策中越來越重要，尤其是乳腺腫瘤的診斷與治療。近期大型語言模型（LLMs）的進展有助於提升放射組學的分析。本研究透過整合LLM的臨床知識，改善乳腺攝影中良性與惡性腫瘤的分類。我們提取了放射組學特徵，並利用提示工程創建輸入序列，經過微調的LLaMA模型處理後，於VinDr-Mammo和INbreast數據集上表現優於傳統方法，準確率分別達到0.671和0.839。這顯示LLMs在放射組學中的潛力，特別是在乳腺攝影分析上。 PubMed DOI

本研究探討了深度學習模型在預測晚期上皮性卵巢癌患者手術結果的有效性，特別是使用非結構化的手術筆記。評估了RoBERTa和GatorTron兩個模型，結果顯示GatorTron在大多數任務中表現優於RoBERTa，顯示專為醫療設計的模型在理解醫療語言上有明顯優勢。不過，兩者在預測術後併發症和住院時間時仍面臨挑戰，顯示手術文本不足以全面反映術後恢復的複雜性。這些發現對提升患者護理質量的醫療AI系統發展至關重要。 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

Radiomics 透過醫學影像萃取數據，能提升肺癌診斷、治療規劃和預後預測的準確度。結合深度學習後，對腫瘤偵測和分期表現更勝傳統方法。未來若搭配大型語言模型和可解釋 AI，臨床應用將更精準、個人化，有望徹底改變肺癌照護模式。 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