糖尿病腎病（DKD）是2型糖尿病的一大併發症，對全球健康影響深遠。及早檢測DKD對改善病人結果至關重要。近期，人工智慧（AI）和機器學習（ML）在醫療領域的進展，特別是在預測DKD方面，顯示出良好潛力。研究顯示，AI和ML在預測DKD進展上表現優於傳統模型，並能整合遺傳數據，增進對疾病的理解及個性化治療。儘管面臨數據需求和標準化挑戰，AI和ML仍有潛力改變DKD的管理方式，未來應專注於開發臨床應用的AI工具。 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

深度學習在數位腎臟病理學中展現出潛力，但缺乏標註良好的數據集限制了其發展。本研究使用無標籤自我蒸餾（DINO）方法，分析了384個PAS染色腎臟活檢切片的10,423張腎小球圖像。DINO模型的ROC-AUC達到0.93，優於ImageNet的0.89，且在標註數據稀缺時，DINO模型仍保持在0.88，顯示出更高的穩定性和準確性。這表明DINO在無標註的腎小球圖像中有效提取組織學特徵，對疾病分類有重要貢獻。 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

這項研究探討了利用深度學習技術預測狼瘡性腎炎的治療反應，透過分析腎臟活檢切片進行。研究對象為接受環磷酰胺或美克洛寧的患者，主要結果為12個月內的完全反應，依據尿蛋白水平和腎小球過濾率定義。研究涵蓋245名患者的模型開發和71名患者的外部測試，使用多種染色方法。深度學習模型在不同染色切片上訓練，顯示良好預測性能，並強調某些特徵為重要預測因子。結論認為深度學習能有效預測治療反應，但需進一步驗證。 PubMed DOI

這項研究開發了一個深度學習模型，旨在根據Berden分類法對抗中性粒細胞自體抗體（ANCA）相關腎小管腎炎的腎小管病變進行分類。模型訓練基於80名患者的腎臟活檢切片，達到93%的高預測準確率。研究中使用可解釋的人工智慧技術（如Grad-CAM）來增強模型的透明度，並讓病理學家分析熱圖，確認模型與他們的判斷一致。這項研究展示了深度學習與可解釋性技術結合的潛力，能提升診斷準確性並提供推理見解。 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

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