الذكاء الاصطناعي وأبحاث السرطان ── 2026-10-14
أبحاث جديدة عن السرطان والذكاء الاصطناعي، تُجمع من تغذيات المجلات العلمية وPubMed (بحث عبر جميع المجلات) وOpenAlex (فهرس عام يُستخدم بدلًا من Google Scholar)، ويحكم عليها Jev (ذكاء اصطناعي يُصدر أحكامًا لغوية): بحث أصلي، الذكاء الاصطناعي محوري، أي من 13 موضوعًا، علاج أو تجارب، ثم تُرتّب حسب الأهمية حتى حد يومي. لا تُصفّى المجلات بحسب معامل التأثير؛ ويعرض كل بحث ما يعادل معامل التأثير لمجلته (متوسط الاستشهادات لعامين في OpenAlex) وتاريخ تلك القيمة. ويعرض كل إدخال الملخص الأصلي الكامل.
القراءة حسب نوع السرطان: بيولوجيا السرطان（2） · الثدي（2） · الرئة（1） · البنكرياس（0） · البروستاتا（0） · ACC（0） · الدماغ（1） · المبيض（0） · بطانة الرحم（0） · المعدة（0） · الكبد（0） · الكلى（0） · المثانة（0）
البيولوجيا الجزيئية للسرطان والذكاء الاصطناعي
- الملخص
الخلفية: لقد فتح التقارب بين التنميط متعدد الأوميكس (multi-omics) والأوميكس الإشعاعي (radiomics) وتعلّم الآلة المتقدم آفاقًا جديدة في علم الأورام الدقيق. وعلى الرغم من هذا التقدم، ما زالت الأطر الحاسوبية الحالية ساكنة، ولا تستطيع دمج بيانات المرضى المتغيرة أو محاكاة نتائج العلاج ديناميكيًا. ويقدّم نظام التوأم الرقمي ذاتي التطور حلًا من خلال المزامنة المستمرة بين النماذج الافتراضية الخاصة بكل مريض والمسارات السريرية الواقعية. الهدف: تطوير والتحقق من صحة نظام بيئي للتوأم الرقمي ذاتي التطور يدمج البيانات السريرية والجينومية والنسخية والبروتيومية والإشعاعية والمرضية للكشف المبكر عن السرطان، والتنبؤ بتطور المرض، وتحسين العلاج المخصّص عبر سرطانات الثدي والرئة والقولون والمستقيم والمبيض. الطرق: تم تجميع دراسة أترابية رجعية متعددة المراكز شملت 400 مريض (الثدي n=120، الرئة n=100، القولون والمستقيم n=100، المبيض n=80؛ الفئة العمرية 25-75 عامًا). تم بناء إطار توأم رقمي من ست طبقات، يضم نموذجًا تأسيسيًا من نوع المحوّل عابر الوسائط (cross-modal transformer) إلى جانب نماذج المقارنة Random Forest وXGBoost والشبكة العصبية العميقة. شملت مقاييس الأداء الرئيسية الدقة (accuracy) والضبط (precision) والاستدعاء (recall) ومقياس F1 والمساحة تحت منحنى ROC (AUC). كما أُجريت محاكاة تجارب سريرية افتراضية وتحليلات لأهمية الميزات. النتائج: حقق النموذج التأسيسي أداءً متفوقًا في جميع المقاييس (الدقة 0.921، AUC 0.947) مقارنةً بـ Random Forest (0.812/0.847) وXGBoost (0.841/0.879) والشبكة العصبية العميقة (0.873/0.906). برزت مرحلة الورم وطفرة TP53 وطفرة EGFR بوصفها أكثر الميزات تنبؤًا. وحدّد تقسيم المخاطر 148 (37.0%) مريضًا منخفضي الخطورة، و153 (38.3%) متوسطي الخطورة، و99 (24.8%) مرتفعي الخطورة. وأظهرت محاكاة التجربة الافتراضية تحسنًا بنسبة 23.4% في البقاء الخالي من التطور المتوقع للمجموعة الفرعية عالية الخطورة. الخلاصة: يتفوق نظام التوأم الرقمي ذاتي التطور بشكل ملحوظ على أساليب تعلّم الآلة التقليدية، ويوفّر منصة تكيفية قابلة للتطبيق سريريًا لدعم القرار في علم الأورام الدقيق في الوقت الفعلي عبر أنواع متعددة من السرطان.
ما يعادل معامل التأثير للمجلة: 0.0 (متوسط الاستشهادات لعامين في OpenAlex، القيمة بتاريخ 2026-10-07، جرى الاسترجاع في 2026-10-08؛ وليس معامل التأثير الرسمي من Clarivate)المرجع: [لم يُذكر المؤلفون]. أنظمة التوأم الرقمي ذاتية التطور للكشف المبكر والإدارة الدقيقة لسرطانات الثدي والرئة والقولون والمستقيم والمبيض. IJDDT. 2026 Oct 12;16(65s). doi:10.25258/ijddt.16.65s.22.تم التحقق: الملخص فقط - الملخص
يُعدّ فهم المحددات غير الجينية لمصير الخلية أمرًا بالغ الأهمية لتطوير العلاجات السرطانية وتحسينها، إذ يمكن للخلايا المتطابقة وراثيًا أن تُظهر نتائج متباينة في ظل ظروف العلاج نفسها. في هذا العمل، نقدّم نهجًا قائمًا على التعلم العميق للتنبؤ بمصير الخلية انطلاقًا من تسجيلات خام طويلة الأمد للخلايا الحية لمجموعات من الخلايا السرطانية تحت العلاج الكيميائي. تم تدريب نموذج Transformer الخاص بنا على التنبؤ بمصير الخلية مباشرةً من تسلسلات الصور الخام، دون الاعتماد على سمات شكلية أو جزيئية محددة مسبقًا. وإلى جانب التصنيف، نقدّم إطارًا شاملًا للقابلية للتفسير لتأويل الإشارات الزمانية والشكلية التي توجّه تنبؤات النموذج. ونبيّن أنه يمكن التنبؤ بنتائج الخلايا اعتمادًا على الفيديو وحده، إذ يحقق نموذجنا دقة متوازنة تبلغ 0.94 ودرجة F1 تبلغ 0.93. كما تشير تجارب الانتباه والإخفاء إلى أن الإشارة التنبؤية بمصير الخلية لا تتركز حصريًا في الإطارات الأخيرة من مسار الخلية، إذ يمكن الحصول على تنبؤات موثوقة قبل الحدث بما يصل إلى 8 ساعات. ويكشف تحليلنا عن توزيع زمني متمايز للمعلومات التنبؤية في تسلسلات الانقسام الخيطي والموت الخلوي المبرمج، وكذلك عن دور شكل الخلية وإشارات p53 في تحديد نتائج الخلايا. وتُظهر هذه النتائج مجتمعةً أن النماذج الزمانية القائمة على الانتباه تتيح التنبؤ الدقيق بمصير الخلية، مع تقديم رؤى قابلة للتفسير بيولوجيًا حول المحددات غير الجينية لاتخاذ القرار الخلوي.
معامل التأثير المكافئ للمجلة: 4.7 (متوسط الاستشهادات على مدى عامين وفق OpenAlex، القيمة بتاريخ 2026-10-13، تم الاسترجاع في 2026-10-14؛ ليس معامل التأثير الرسمي من Clarivate)المرجع: Bürger F, Dias Gomes M, Granada AE, Moreau N, Bozek K. فهم قرارات مصير الخلية باستخدام الانتباه الزمني. PLoS Comput Biol. 2026 Oct 12;22(10):e1014813. doi:10.1371/journal.pcbi.1014813.تم التحقق: الملخص فقط
عرض جميع أبحاث بيولوجيا السرطان (2) →
سرطان الثدي: العلاج والتجارب السريرية والذكاء الاصطناعي
- الملخص
الخلفية: يُعد التقييم الدقيق لحالة HER2 قبل الجراحة أمرًا بالغ الأهمية لتوجيه العلاج الموجَّه، لكن الطرق التقليدية القائمة على الخزعة تدخلية ومحدودة بسبب عدم تجانس الورم. ويُعد التصوير الشعاعي للثدي وسيلة تصوير متاحة على نطاق واسع وفعّالة من حيث التكلفة، وتُجرى بشكل روتيني قبل الجراحة. هدفت هذه الدراسة إلى تطوير نموذج راديومكس قائم على التعلم العميق وصوره الماموغرافيا والتحقق من صحته للتنبؤ غير التدخلي بحالة تعبير HER2 في سرطان الثدي.
الأساليب: تم تسجيل ما مجموعه 546 مريضة بسرطان الثدي من مركزين بأثر رجعي: 420 من المركز 1 (294 في مجموعة التدريب و126 في مجموعة التحقق الداخلي) و126 من المركز 2 كمجموعة التحقق الخارجي. جرى تحديد مهمتي تصنيف: ميّزت المهمة 1 بين سرطان الثدي الإيجابي لـHER2 والسلبي لـHER2، وميّزت المهمة 2 بين سرطان الثدي منخفض HER2 (HER2-low) وسرطان الثدي صفري HER2 (HER2-zero). استُخرجت السمات الإشعاعية (Radiomic) باستخدام بنية Visformer. ثم استُخدمت طريقة تجميع بالتصويت الموزون لبناء نموذج التنبؤ، مع تحسين الأوزان داخل مجموعة التدريب فقط باستخدام AUC بالتحقق المتقاطع. وتم تقييم أداء النموذج للمهمتين باستخدام منحنيات خصائص تشغيل المستقبِل (ROC).
النتائج: بالنسبة إلى المهمة 1 (HER2 الإيجابي مقابل HER2 السلبي)، حقق نموذج الرادیومکس قيم AUC بلغت 0.836 و0.763 و0.714 في مجموعات التدريب والتحقق الداخلي والتحقق الخارجي على التوالي. أما بالنسبة إلى المهمة 2 (HER2 المنخفض مقابل HER2 الصفري)، فكانت قيم AUC المقابلة 0.890 و0.785 و0.713. وكشف التحليل السريري والمرضي أن الدرجة النسيجية (OR = 2.28) ومؤشر Ki-67 (OR = 4.71) وفئة BI-RADS (OR = 2.49) كانت عوامل تنبؤ مستقلة بحالة HER2 الإيجابية، بينما كانت حالة PR (OR = 4.48) وفئة BI-RADS (OR = 1.75) وكثافة الثدي (OR = 0.32) عوامل تنبؤ مستقلة بحالة HER2 المنخفضة (جميعها P < 0.05).
الخلاصة: أظهر نموذج الراديوميكس بالتعلم العميق المعتمد على تصوير الثدي الشعاعي (الماموغرافيا) قدرة تمييزية معتبرة في التنبؤ بحالة التعبير عن HER2 في سرطان الثدي، وقد يكون وسيلة مساعدة غير باضعة محتملة لتقييم HER2 قبل الجراحة، مما يستدعي مزيدًا من التحقق المستقبلي. رقم التجربة السريرية: لا ينطبق.
ما يعادل معامل التأثير للمجلة: 3.8 (متوسط الاستشهاد لمدة عامين في OpenAlex، القيمة بتاريخ 2026-10-02، تم الاسترجاع في 2026-10-03؛ وليس معامل التأثير الرسمي من Clarivate)المرجع: Wang H, Liu C, Zhao Y, Fang Y, Kang Z, Deng L, et al. التصوير الشعاعي للثدي المعتمد على التعلم العميق والرادیومکس للتنبؤ بتعبير HER2 في سرطان الثدي: دراسة ثنائية المركز مع التركيز على حالة HER2 المنخفض. BMC Med Imaging. 2026 Oct 12 [Epub ahead of print]. doi:10.1186/s12880-026-02921-z.تم التحقق: الملخص فقط - الملخص
مقدمة: لا يزال سرطان الثدي من الأسباب الرئيسية لحالات الإصابة بالسرطان والوفيات الناجمة عنه بين النساء في جميع أنحاء العالم، مع استمرار التحديات في الكشف المبكر والتشخيص الدقيق وتقدير التنبؤ بسير المرض وتقييم الاستجابة للعلاج. وقد أحرز الذكاء الاصطناعي، بما في ذلك التعلم الآلي والتعلم العميق، تقدمًا سريعًا في أبحاث سرطان الثدي من خلال تمكين تحليل البيانات التصويرية والمرضية والجينومية والسريرية عالية الأبعاد. غير أن التوسع السريع في هذه الأدبيات أدى إلى تجزؤ كبير عبر المهام السريرية وأنماط البيانات والنماذج الخوارزمية والأنظمة البرمجية. تقدم هذه المراجعة المنهجية تحليلًا ببليومتريًا شاملًا للأبحاث المدعومة بالذكاء الاصطناعي في مجال سرطان الثدي المنشورة مؤخرًا. الطرق: باستخدام قواعد بيانات متعددة، هي Scopus وWeb of Science، كمصادر بيانات أساسية، جرى اعتماد إطار ببليومتري منهجي يدمج تحليل الأداء ورسم الخرائط العلمية والتطور الموضوعي. ويسترشد التحليل بأسئلة بحثية صريحة تتناول: (1) تطور تطبيقات الذكاء الاصطناعي في التشخيص والتنبؤ بسير المرض والتنبؤ بالاستجابة للعلاج؛ (2) اعتماد الذكاء الاصطناعي القابل للتفسير وممارسات تحسين المعاملات الفائقة؛ (3) مجموعات البيانات والأطر البرمجية والخوارزميات التي تشكّل هذا المجال؛ (4) دور التصوير الشعاعي للثدي بوصفه وسيلة أساسية؛ (5) محاور البحث الناشئة، بما في ذلك البنى القائمة على المحوّلات. النتائج والمناقشة: خلافًا للدراسات الببليومترية السابقة التي ركزت أساسًا على مقاييس الاستشهاد، يعتمد هذا العمل منظورًا واعيًا بالمهام ومتمحورًا حول المنهجية، ويقدم رؤى قابلة للتطبيق لدعم أنظمة ذكاء اصطناعي قابلة لإعادة الإنتاج وقابلة للتفسير ومدمجة سريريًا في رعاية مرضى سرطان الثدي.
ما يعادل معامل التأثير للمجلة: 2.7 (متوسط الاستشهادات لعامين في OpenAlex، القيمة بتاريخ 2026-10-02، جرى الاسترجاع في 2026-10-03؛ وليس معامل التأثير الرسمي من Clarivate)المرجع: Mohamed YB, ZainEldin H, Eladl SG, Sayed HA, Shehata M, Badawy M, et al. Artificial intelligence in breast cancer research: a systematic review and bibliometric analysis of emerging trends and future directions. Front Oncol. 2026 Sep 28;16:1800218. doi:10.3389/fonc.2026.1800218.تم التحقق: الملخص فقط
سرطان الرئة: العلاج والتجارب السريرية والذكاء الاصطناعي
- الملخص
الهدف: الانتشار عبر المساحات الهوائية (STAS) هو نمط غازٍ من الورم الغدي الرئوي يرتبط بزيادة خطر النكس وسوء التشخيص. قد يساعد التعرف على STAS قبل الجراحة في اختيار الاستراتيجية الجراحية. هدفت هذه الدراسة إلى تطوير نموذج دمج والتحقق من صحته يجمع بين الإشعاعيات الموطنية المعتمدة على التصوير المقطعي المحوسب والتعلم العميق للتنبؤ قبل الجراحة بوجود STAS في الورم الغدي الرئوي في مراحله المبكرة. المواد والطرق: حللنا بأثر رجعي 248 مريضًا مصابين بالورم الغدي الرئوي في المرحلة الأولى (120 إيجابيًا لـ STAS و128 سلبيًا)، يشكلون مجموعة تدريب (173 حالة) ومجموعة اختبار (75 حالة). أُجري تحليل الموطن المعتمد على التصوير المقطعي المحوسب بتطبيق تجميع K-means على متجهات الخصائص على مستوى الفوكسل المجمّعة من جميع الأورام، مما أسفر عن أربع مناطق فرعية موطنية. بعد اختيار الخصائص، بُنيت خمس فئات من النماذج وقورنت: الإشعاعيات التقليدية، والإشعاعيات الموطنية، والتعلم العميق ثنائي الأبعاد متعدد القنوات، والتعلم العميق ثلاثي الأبعاد، ونموذج دمج التعلم العميق مع الموطن. قُيّمت جميع النماذج باستخدام المساحة تحت منحنى خصائص تشغيل المستقبِل (AUC)، ومنحنيات المعايرة، وتحليل منحنى القرار.
النتائج: من بين نماذج الرادیومکس التقليدية ونماذج الموائل، حقق النموذج Habitat H4 — أحد مناطق الموائل الفرعية العنقودية الأربع المعتمدة على التصوير المقطعي المحوسب — أعلى AUC في مجموعة الاختبار بقيمة 0.802 (فاصل الثقة 95%: 0.700–0.904)، متفوقاً على نموذج الرادیومکس التقليدي للورم بأكمله (AUC = 0.739، فاصل الثقة 95%: 0.626–0.853). وفي نماذج التعلم العميق، تفوق نموذج التعلم العميق ثلاثي الأبعاد (AUC في مجموعة الاختبار = 0.815، فاصل الثقة 95%: 0.715–0.915) على نموذج التعلم العميق ثنائي الأبعاد متعدد القنوات (AUC في مجموعة الاختبار = 0.747، فاصل الثقة 95%: 0.633–0.862). ومن بين جميع النماذج، حقق النموذج المدمج الذي يجمع بين Habitat H4 والتعلم العميق ثلاثي الأبعاد أعلى أداء عددي. بلغت قيم AUC في مجموعتي التدريب والاختبار 0.913 (فاصل الثقة 95%: 0.873–0.953) و0.824 (فاصل الثقة 95%: 0.727–0.920) على التوالي، وكانت أعلى بشكل ملحوظ من قيم نموذج الرادیومکس. وأظهر اختبار DeLong أن النموذج المدمج تفوق بشكل ملحوظ على نموذج الرادیومکس التقليدي ( P < 0.05). كما أظهر تحليل منحنى القرار فائدة صافية سريرية أعلى للنموذج المدمج، وأظهرت منحنيات المعايرة اتساقاً جيداً بين الاحتمالات المتوقعة والفعلية.
الخلاصة: أظهر دمج سمات الراديوميكس الخاصة بالموائل (habitat radiomics) مع سمات التعلم العميق ثلاثي الأبعاد أداءً جيدًا في التنبؤ غير الباضع قبل الجراحة بانتشار الورم عبر الفراغات الهوائية (STAS) في السرطان الغدي الرئوي في مرحلته المبكرة، إذ قدّم التمثيلان قيمة تكميلية محتملة. وقد يساعد هذا النموذج في تصنيف المخاطر قبل الجراحة، لكن دوره في اتخاذ القرارات الجراحية يتطلب مزيدًا من التحقق في دراسات خارجية ومستقبلية.
ما يعادل معامل التأثير للمجلة: 3.8 (متوسط الاستشهاد لمدة عامين في OpenAlex، القيمة بتاريخ 2026-10-02، تم الاسترجاع في 2026-10-03؛ وليس معامل التأثير الرسمي من Clarivate)المرجع: Liu X, Wu L, Li L, Rao Z, Su R, Xu F, et al. التصوير الإشعاعي للموائل (habitat radiomics) القائم على التصوير المقطعي المحوسب والتعلم العميق للتنبؤ قبل الجراحة بالانتشار عبر الفراغات الهوائية في السرطان الغدي الرئوي في مراحله المبكرة. BMC Med Imaging. 2026 Oct 12 [Epub ahead of print]. doi:10.1186/s12880-026-02892-1.تم التحقق: الملخص فقط
سرطان البنكرياس: العلاج والتجارب السريرية والذكاء الاصطناعي
لا توجد ورقة بحثية جديدة مؤهلة لهذا العدد.
سرطان البروستاتا: العلاج والتجارب والذكاء الاصطناعي
لا توجد ورقة بحثية جديدة مؤهلة لهذا العدد.
السرطان الغدي الكيسي: العلاج والتجارب السريرية والذكاء الاصطناعي
لا توجد ورقة بحثية جديدة مؤهلة لهذا العدد.
أورام الدماغ: العلاج والتجارب والذكاء الاصطناعي
- الملخص
الخلفية: يُعد التصنيف الدقيق وفي الوقت المناسب أمرًا أساسيًا لتخطيط علاج أورام الدماغ. ولا يزال التعلم الآلي التقليدي القائم على خصائص مصممة يدويًا على مجموعات بيانات متوسطة الحجم قليل التمثيل، رغم هيمنة التعلم العميق على تحليل الصور الطبية.
الغرض: تقترح هذه الدراسة مقارنة محايدة للنماذج بين التعلم الآلي التقليدي والتعلم العميق لتصنيف أورام الدماغ باستخدام إطار جديد متعدد المجالات للخصائص، لتحديد أي نموذج يحقق أفضل توازن بين الدقة والكفاءة والاستخدام السريري.
الأساليب: تم استخدام مجموعة بيانات Kaggle للتصوير بالرنين المغناطيسي (MRI) لأورام الدماغ (7,023 صورة؛ الورم الدبقي 1,621، الورم السحائي 1,645، بدون ورم 2,000، الغدة النخامية 1,757). أنتجت تسعة مجالات للميزات — مرشحات Gabor، والأنماط الثنائية المحلية (LBP)، ومصفوفة التواجد المشترك لمستويات الرمادي (GLCM)، وتحويل المويجات المتقطع (DWT)، وتحويل جيب التمام المتقطع (DCT)، والمورفولوجية، والإحصائية، والتدرجية، والشدة — ما مجموعه 289 ميزة، جرى تقليصها إلى 150 باستخدام SelectKBest مع اختبار F لتحليل التباين (ANOVA). تم اختبار ستة عشر نموذجًا: 8 نماذج للتعلم الآلي (آلة المتجهات الداعمة بنواة الدالة الأساسية الشعاعية (SVM-RBF)، والغابة العشوائية، وتعزيز التدرج، والأشجار الإضافية، وAdaBoost، وأقرب الجيران K، والانحدار اللوجستي، والتحليل التمييزي الخطي) و8 نماذج للتعلم العميق (الإدراك الحسي متعدد الطبقات العميق (Deep MLP)، والشبكة العصبية الالتفافية أحادية البعد (1D-CNN)، والذاكرة طويلة قصيرة المدى ثنائية الاتجاه (Bi-LSTM)، والوحدة المتكررة المبوّبة (GRU)، والشبكة العصبية الالتفافية–الذاكرة طويلة قصيرة المدى (CNN-LSTM)، ونموذج مستوحى من ResNet، ونموذج مستوحى من DenseNet، والمشفّر التلقائي). وقيّم اختبار ويلكوكسون للرتب الموقَّعة الدلالة الإحصائية. كما أُجريت تفسيرات شابلي الجمعية (SHAP)، وتفسيرات النموذج المحلية القابلة للتفسير غير المرتبطة بالنموذج (LIME)، وعمليات استئصال أحادية المجال، وتدريجية، وبتجاهل عنصر واحد في كل مرة (LOO)، وحساسية حجم البيانات، ومقارنات التعلم بالنقل من ImageNet.
النتائج: حقق SVM-RBF دقة بلغت 96.80 ± 0.68%، وضبطًا 96.73%، واستدعاءً 96.63%، ومقياس F1 بنسبة 96.65%، ومساحة تحت منحنى خاصية تشغيل المستقبِل (ROC-AUC) بلغت 99.63%، ومعامل كابا لكوهين 0.957، ومعامل ارتباط ماثيوز 0.957، متفوقًا على جميع نماذج التعلم العميق الثمانية (p ≤ 0.0039). أما النموذجان المستلهمان من DenseNet وResNet والمدرّبان على الخصائص المصممة يدويًا نفسها، فقد بلغا 94.86 ± 0.76% و93.95 ± 0.82%. وتجاوز متوسط التعلم الآلي (92.78 ± 3.06%) متوسط التعلم العميق (89.92 ± 4.50%، p = 0.0020)، مع تدريب أقصر (21.12 ثانية مقابل 166.62 ثانية، p = 0.0020). وتراوح الاستدعاء لكل فئة بين 93.2 و99.0%. وكان Gabor المجال الأكثر تأثيرًا (94.85% لمجال واحد؛ SHAP 0.122؛ انخفاض LOO بمقدار −1.25%، p < 0.001).
الخلاصات: أدّى التعلّم الآلي الكلاسيكي بميزات مصنوعة يدويًا متعددة المجالات أداءً أفضل من جميع معماريات التعلّم العميق الثماني، مع زمن تدريب أقصر، مما يتحدى الافتراض بعالمية التعلّم العميق في التصوير الطبي. كما رفع الإطار دقة التعلّم العميق بمقدار 1–16 نقطة مئوية مقارنةً بالتعلّم بالنقل من الصور الخام، ما يُظهر أن الميزات الهندسية تفيد كلا النموذجين. وبفضل قابلية التفسير العالية (SHAP، LIME) وانخفاض الحاجة الحاسوبية، يناسب هذا النهج النشر السريري في البيئات محدودة الموارد.
معامل التأثير المكافئ للمجلة: 4.8 (متوسط الاستشهادات على مدى عامين وفق OpenAlex، القيمة بتاريخ 2026-10-13، تم الاسترجاع في 2026-10-14؛ ليس معامل التأثير الرسمي من Clarivate)المرجع: Sethuraman R, Pandiarajan GS, Sadagopan P. تحدي عالمية التعلم العميق: تقييم شامل للتعلم الآلي التقليدي والتعلم العميق في تصنيف أورام الدماغ باستخدام التصوير بالرنين المغناطيسي. PeerJ Computer Science. 2026 Oct 12;12:e4106. doi:10.7717/peerj-cs.4106.تم التحقق: الملخص فقط
سرطان المبيض: العلاج والتجارب السريرية والذكاء الاصطناعي
لا توجد ورقة بحثية جديدة مؤهلة لهذا العدد.
سرطان بطانة الرحم: العلاج والتجارب السريرية والذكاء الاصطناعي
لا توجد ورقة بحثية جديدة مؤهلة لهذا العدد.
سرطان المعدة: العلاج والتجارب والذكاء الاصطناعي
لا توجد ورقة بحثية جديدة مؤهلة لهذا العدد.
سرطان الكبد: العلاج والتجارب السريرية والذكاء الاصطناعي
لا توجد ورقة بحثية جديدة مؤهلة لهذا العدد.
سرطان الكلى: العلاج والتجارب السريرية والذكاء الاصطناعي
لا توجد ورقة بحثية جديدة مؤهلة لهذا العدد.
سرطان المثانة: العلاج والتجارب والذكاء الاصطناعي
لا توجد ورقة بحثية جديدة مؤهلة لهذا العدد.