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

原發性局灶性節段性腎小管硬化症（pFSGS）是一種嚴重的腎臟疾病，常導致腎衰竭，且移植後復發風險高。近期研究利用腎臟類器官技術，探討pFSGS患者血漿對腎臟類器官的影響。結果顯示，pFSGS血漿會損害腎小管上皮細胞，並引發炎症反應。相對而言，非復發患者的血漿則無此影響。接受治療性血漿置換的患者，其血漿對類器官的損害減少，顯示腎臟類器官在預測FSGS復發風險方面的潛力。 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

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

這項多中心研究開發並驗證了一套用常規血液檢查數據（像是Scr、eGFR、PTH、BNP及性別）的機器學習模型和臨床風險預測圖，可準確預測慢性腎臟病患者的腎臟纖維化嚴重度，提供一個可取代侵入性腎臟切片的實用工具，且在不同驗證隊列中表現都很穩定，未來有望成為臨床上動態、非侵入性評估纖維化的新方法。 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

IgA腎病變（IgAN）患者的足細胞受損和流失，會讓蛋白尿、血尿和腎臟纖維化更嚴重。IgAN和minimal change disease（MCD）患者的足細胞密度都比健康者低，蛋白尿越多，密度越低。足細胞流失主要是細胞壞死和有絲分裂災難造成的，跟細胞凋亡無關；自噬則有保護作用。這些變化和病情嚴重度有關，未來有助診斷和治療。 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

FSGS是一種會導致腎衰竭的嚴重腎臟病，目前主要靠腎臟切片診斷，但有其侷限。近年發現血液和尿液中的miRNA可作為穩定的生物標記，有助提升診斷準確度、監測病情、預測預後，還能協助判斷類固醇治療效果，推動更個人化的治療。 PubMed DOI