這項研究探討多參數磁共振成像（MRI）在評估腎動脈狹窄（RAS）患者腎功能的效果。研究對象為62名患者，使用3.0 T的Philips Ingenia CX MRI機器，並採用多種掃描技術。結果顯示，MRI在識別單側腎功能障礙方面具顯著效能，特別是平均腎動脈血流的靈敏度高達0.93，AUC為0.864。結合皮質腎血流和T1值的診斷效能最佳，AUC達0.92。總之，多參數MRI對於檢測RAS患者的腎功能障礙具有潛力，能改善診斷與預後。 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

這項研究回顧了人工智慧（AI）和機器學習（ML）在預測住院病人急性腎損傷（AKI）的表現。共分析了4,816篇文章，最終納入95篇，涵蓋380萬次住院紀錄。最常用的AKI定義是KDIGO-AKI標準。識別出302個預測模型，以邏輯回歸模型最為普遍。預測AKI的關鍵因素包括年齡、性別、糖尿病等。預測模型的AUC顯示出潛力，但臨床應用仍面臨挑戰，因為研究間存在顯著異質性和偏差風險。 PubMed DOI

這項研究提出了一種創新的AI方法，利用眼底影像檢測視網膜動脈阻塞（RAO），首次將深度學習應用於此病症。研究者採用自我監督學習框架，並透過SimCLR克服標記數據不足的問題。經過預訓練的ResNet50模型在兩個外部數據集上顯示出高達0.924和0.988的診斷準確率，展現其穩健性。 此外，研究還引入了一個基於ChatGPT-4的AI聊天機器人，結合Grad-CAM技術，提供模型預測的詳細解釋，幫助醫生理解決策過程，增進信任。這個AI模型有助於早期識別眼部及全身血管風險，強調了眼底影像在心血管風險評估中的潛力。 PubMed DOI

研究團隊開發了一套深度學習模型，能結合實驗室數據和臨床紀錄，準確預測住院成人48小時內發生中重度急性腎損傷（AKI）的風險，效果比只用結構化資料的模型更好，有助醫師及早發現高風險病人並介入治療。 PubMed DOI

這項研究用四家醫院的資料，開發並驗證一個機器學習模型，能預測洗腎病人心臟瓣膜鈣化的風險。模型根據五個臨床指標建立，最後發現邏輯迴歸的表現最穩定。這工具有助於早期發現高風險患者，提升洗腎病人心臟瓣膜鈣化的篩檢和管理效率。 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

這項研究用DARWIN-Renal資料，開發並比較四種機器學習模型來預測第二型糖尿病患者腎功能惡化風險。結果發現，納入病患過去的就診紀錄後，預測準確度明顯提升，尤其是循環神經網路表現最好。這說明利用病患的長期資料，有助於及早找出高風險族群。 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

這項回溯性研究分析MIMIC-IV資料庫2,842位病患，發現較高的ePWV（脈波傳導速度估算值）會獨立增加接受冠狀動脈血運重建手術後發生急性腎損傷（AKI）的風險。這個關聯性在不同族群都很明顯，顯示ePWV有機會成為AKI風險分層的非侵入性評估工具。 PubMed DOI