「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

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

大型語言模型正在改變醫療領域，特別是在臨床決策支持和資訊提取方面。這些模型的語言理解能力幫助病理學家從知識庫中檢索準確資訊以進行診斷。我們提出了一個框架，結合檢索增強生成技術與提示工程，並提供了涵蓋腎臟疾病的臨床數據語料庫。透過多樣的提示技術，模型在疾病診斷的表現顯著提升，特別是在上下文相關性上獲得完美的1.0分，顯示出優秀的對話對齊能力。 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

系統性紅斑性狼瘡（SLE）是一種複雜的自體免疫疾病，對患者造成長期挑戰。這項研究探討大型語言模型（LLMs）和生成式人工智慧（genAI）在分析醫療紀錄及評估SLE標準的潛力。研究分析了78名患者的紀錄，結果顯示genAI在某些標準的評估上與臨床分類一致，但在其他標準上準確率較低，整體預測成功率為72%。這表明genAI可能成為醫療專業人員評估SLE的有用工具，但仍需改進以提升準確性。 PubMed DOI

這項研究開發了一套全自動化系統，運用深度學習和電腦視覺技術，能從TEM影像中快速又準確地分割和量測腎小球基底膜厚度。結果顯示，這系統和人工量測高度相關（R² = 0.85），還能有效分類厚度，有助於臨床腎臟病診斷，省時又減少人為誤差。 PubMed DOI

這項研究分析基因表現，找出和氧化壓力有關的關鍵基因，發現在腎小球有CD44、ITGB2、MICB、RAC2四個核心基因，在腎小管間質則有VCAM1、VEGFA兩個核心基因，這些基因和免疫、發炎反應及現有藥物有關，對AAGN的診斷和治療有新啟示。 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

本研究針對AAV-GN病人，發現現有預測腎臟預後的工具效果有限。團隊分析腎臟切片後，找出150個免疫相關基因有顯著變化，並開發出全新12基因分子標記，預測腎臟存活率的準確度大幅優於傳統組織學評分。這項分子標記有望提升AAV-GN病人的個人化治療與預後判斷。 PubMed DOI