「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

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

這篇評論指出，腎臟活檢的處理方法不一致，影響了組織學解讀和器官分配決策。隨著人工智慧（AI）在數位病理學的應用，這為解決這些問題提供了機會，特別是在器官短缺的情況下。活檢技術、處理方式和病理學家的專業知識差異，妨礙了研究的比較和重現性。雖然AI工具在標準化評估上有潛力，但因缺乏與移植後結果的驗證，臨床應用仍有限。未來研究應聚焦於大型數據集和嚴謹驗證的縱向研究，以確立AI工具的臨床效用。 PubMed DOI

電子顯微鏡（EM）一直是觀察腎臟結構的主要工具，但其樣本準備繁瑣、樣本大小有限、結果多為定性，且易受切片角度影響，限制了其在研究和診斷中的應用。隨著影像技術進步，超解析顯微鏡（如3D-SIM）成為有力替代，能達到低於100納米的解析度。本文探討各種超解析技術，特別是PEMP測量程序，能量化足細胞足突的變化，並在蛋白尿前識別異常，結合mRNA檢測和深度學習，為腎臟研究和個性化診斷提供新機會，推動腎臟病學的發展。 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

腎臟缺氧和多種腎病有關，MRI雖能非侵入性評估腎臟氧合，但目前診斷效果有限，因為無法完全反映腎臟氧合的複雜性。多數研究僅為描述性，臨床應用受限。未來需深入探討MRI指標與實際氧合的關聯，並考慮腎臟大小、血容量等因素，同時推動跨領域合作，標準化檢查流程與參考值。 PubMed DOI

這項研究開發出一套流式細胞儀方法，能用尿液檢測特定腎小管上皮細胞（TECs），其中CD227/CD326⁺ TEC數量和急性腎損傷（AKI）嚴重度有關，能有效區分AKI、健康人及腎絲球疾病患者。這種檢測方式具特異性且非侵入性，有助於監測AKI時的腎小管損傷。 PubMed DOI

慢性腎臟病常見腎小球硬化、腎小管萎縮和間質纖維化，但相關分子機制還不明。空間代謝體學能分析組織內代謝物分布，協助找出導致這些病變的細胞路徑。本文探討如何用這技術研究CKD病理變化及發展代謝體標誌時遇到的挑戰。 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

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