AI ও ক্যানসার গবেষণা ── 2026-10-15
ক্যান্সার ও এআই নিয়ে নতুন গবেষণাপত্র, যা জার্নাল ফিড, PubMed (সব জার্নালে অনুসন্ধান) এবং OpenAlex (Google Scholar-এর বদলে ব্যবহৃত একটি পাবলিক ইনডেক্স) থেকে সংগৃহীত এবং Jev (ভাষাগত বিচার করা একটি এআই) দ্বারা বিচারিত: মৌলিক গবেষণা, এআই কেন্দ্রীয়, ১৩টি থিমের কোনটি, চিকিৎসা বা ট্রায়াল, এবং তারপর দৈনিক সীমা পর্যন্ত গুরুত্ব অনুযায়ী ক্রমানুসারে সাজানো। জার্নাল ইমপ্যাক্ট ফ্যাক্টর দিয়ে ছাঁটাই করা হয় না; প্রতিটি গবেষণাপত্রে তার জার্নালের IF-সমতুল্য (OpenAlex দুই-বছরের গড় সাইটেডনেস) এবং সেই মানের তারিখ দেখানো হয়। প্রতিটি এন্ট্রিতে মূল অ্যাবস্ট্র্যাক্ট সম্পূর্ণ দেখানো হয়।
ক্যানসারের ধরন অনুযায়ী পড়ুন: ক্যান্সার জীববিজ্ঞান（1） · স্তন（2） · ফুসফুস（2） · অগ্ন্যাশয়（0） · প্রোস্টেট（0） · এসিসি（0） · মস্তিষ্ক（২） · ডিম্বাশয়（0） · এন্ডোমেট্রিয়াল（0） · পাকস্থলী（0） · যকৃৎ（1） · কিডনি（0） · মূত্রথলি（0）
ক্যান্সারের আণবিক জীববিজ্ঞান ও AI
- সারসংক্ষেপ
ঊর্ধ্ব মূত্রনালির ইউরোথেলিয়াল কার্সিনোমা (UTUC) রোগীদের ব্যক্তিগত চিকিৎসা ব্যবস্থাপনা ও ফলো-আপ পরিকল্পনার জন্য অস্ত্রোপচার-পরবর্তী পুনরাবৃত্তির সঠিক পূর্বাভাস অত্যন্ত গুরুত্বপূর্ণ। তবে ইমেজিংয়ের বৈশিষ্ট্য ও ক্লিনিকাল তথ্যের বৈচিত্র্যময় প্রকৃতির কারণে নির্ভরযোগ্য ঝুঁকি স্তরবিন্যাস এখনও চ্যালেঞ্জিং। এই গবেষণায় আমরা একটি মাল্টিমোডাল ক্লিনিকাল সিদ্ধান্ত সহায়ক কাঠামো প্রস্তাব করছি, যা অস্ত্রোপচার-পরবর্তী পুনরাবৃত্তির পূর্বাভাসের জন্য কনট্রাস্ট-এনহান্সড কম্পিউটেড টমোগ্রাফি (CT) ইমেজের সঙ্গে নিয়মিতভাবে পাওয়া ক্লিনিকাল চলকগুলোকে একীভূত করে। প্রস্তাবিত কাঠামোটি ইমেজ-ক্লিনিকাল সমন্বিত শিখন কৌশল গ্রহণ করে, যা চাক্ষুষ উপস্থাপনা ও রোগীর নির্দিষ্ট ক্লিনিকাল প্রেক্ষাপটের মধ্যে সিমান্টিক সামঞ্জস্য বাড়ায়। ইমেজিং বৈশিষ্ট্যগুলোকে ক্লিনিকাল তথ্যনির্ভর সিমান্টিক প্রম্পট দ্বারা পরিচালিত করা হয়, আর একটি গতিশীল ফিউশন প্রক্রিয়া বিভিন্ন মোডালিটির অবদানকে অভিযোজিতভাবে ভারসাম্যপূর্ণ করে। এই নকশা শক্তিশালী মাল্টিমোডাল মিথস্ক্রিয়া সম্ভব করে এবং ব্যক্তিগত ঝুঁকি নিরূপণ উন্নত করে। কাঠামোটি 2016 থেকে 2023 সালের মধ্যে চিকিৎসা পাওয়া 160 জন রোগীর একটি পশ্চাদ্দর্শী UTUC কোহর্ট ব্যবহার করে মূল্যায়ন করা হয়েছে, যার মধ্যে 59টি পুনরাবৃত্তির ঘটনা এবং 101টি পুনরাবৃত্তিহীন ঘটনা রয়েছে। পরীক্ষামূলক ফলাফল দেখায় যে প্রস্তাবিত পদ্ধতিটি রিসিভার অপারেটিং ক্যারেক্টারিস্টিক কার্ভের নিচের ক্ষেত্রফলে (AUC) 0.87 অর্জন করেছে, যা প্রচলিত কনভোলিউশনাল নিউরাল নেটওয়ার্কভিত্তিক মডেল ও প্রতিনিধিত্বমূলক মাল্টিমোডাল বেসলাইনের তুলনায় উন্নততর কার্যক্ষমতা প্রদর্শন করে। গুণগত বিশ্লেষণ আরও ইঙ্গিত দেয় যে ইমেজিং প্যাটার্ন ও ক্লিনিকাল কারণের মধ্যে সামঞ্জস্য উন্নত হয়েছে, এবং অ্যাটেনশনভিত্তিক ভিজ্যুয়ালাইজেশনের মাধ্যমে ব্যাখ্যাযোগ্য অন্তর্দৃষ্টি পাওয়া যায়। এই ফলাফলগুলো ইঙ্গিত করে যে প্রস্তাবিত মাল্টিমোডাল কাঠামো অস্ত্রোপচার-পরবর্তী UTUC পুনরাবৃত্তির ঝুঁকি স্তরবিন্যাসের জন্য একটি সম্ভাবনাময় পদ্ধতি এবং ক্লিনিকাল সিদ্ধান্ত গ্রহণ ও ঝুঁকি-অভিযোজিত অস্ত্রোপচার-পরবর্তী ব্যবস্থাপনাকে সহায়তা করার সম্ভাবনা রাখে।
জার্নাল IF-সমতুল্য: 3.9 (OpenAlex 2-year mean citedness, মান 2026-10-13 অনুযায়ী, সংগৃহীত 2026-10-15; Clarivate-এর অফিসিয়াল IF নয়)রেফারেন্স: Liu D, Zhao T, Zhang S, Fang L. CLIP-CGPNet: অস্ত্রোপচার-পরবর্তী UTUC পুনরাবৃত্তির পূর্বাভাসের জন্য একটি মাল্টিমোডাল ক্লিনিক্যাল সিদ্ধান্ত সহায়ক ব্যবস্থা। J Digit Imaging Inform med. 2026 Oct 13 [Epub ahead of print]. doi:10.1007/s10278-026-02358-4.যাচাই করা হয়েছে: শুধু সারসংক্ষেপ
ক্যানসার জীববিজ্ঞানের 1টি গবেষণাপত্র সব দেখুন →
স্তন ক্যান্সার: চিকিৎসা, ট্রায়াল ও এআই
- সারসংক্ষেপ
স্তন ক্যানসারের অস্ত্রোপচার-পূর্ব আণবিক উপপ্রকার নির্ধারণ চিকিৎসা নির্বাচন ও রোগের পূর্বাভাস মূল্যায়নের জন্য অত্যাবশ্যক, তবু বেশিরভাগ ডিপ লার্নিং পদ্ধতি উপপ্রকার পূর্বাভাসকে ধারাবাহিক ক্লিনিক্যাল সিদ্ধান্ত-প্রক্রিয়া প্রতিফলিত না করে একটি প্রচলিত সমতল বহু-শ্রেণির কাজ হিসেবে সাজায়। আমরা HCF-Net তৈরি করেছি, একটি হায়ারার্কিক্যাল ক্যাসকেড ফিউশন নেটওয়ার্ক, যা উপপ্রকার পূর্বাভাসকে ক্লিনিক্যালি সামঞ্জস্যপূর্ণ তিনটি বাইনারি সিদ্ধান্ত-নোডে ভাগ করে এবং মাল্টিফেজ DCE-MRI-কে ক্লিনিক্যাল-রেডিওলজিক তথ্যের সঙ্গে সমন্বিত করে। মডেলটি অস্ত্রোপচার-পূর্ব 3.0 T মাল্টিফেজ DCE-MRI করানো 373 জন নারীর একটি দ্বি-কেন্দ্র কোহর্ট ব্যবহার করে পূর্বপ্রসারী (retrospective) পদ্ধতিতে তৈরি ও যাচাই করা হয়েছে। একটি স্বাধীন পরীক্ষা সেটে (n = 75) HCF-Net-এর Macro-AUC ছিল 0.868 (95% CI, 0.806-0.923), নির্ভুলতা 73.3%, Macro-F1 0.732 এবং Cohen's κ 0.631। ফিউশন মডেল তিনটি হায়ারার্কিক্যাল সিদ্ধান্ত-নোডের সবকটিতেই ধারাবাহিকভাবে সর্বোচ্চ AUC অর্জন করেছে: লুমিনাল বনাম নন-লুমিনাল টিউমারে 0.890, লুমিনাল A বনাম লুমিনাল B টিউমারে 0.865 এবং HER2-enriched বনাম ট্রিপল-নেগেটিভ টিউমারে 0.974। ConvNeXt-Tiny ব্যাকবোনের ক্ষেত্রেও শ্রেণিবিন্যাস কৌশলগুলোর একই ক্রম পরিলক্ষিত হয়েছে। প্রচলিত সমতল শ্রেণিবিন্যাস কৌশলের তুলনায় হায়ারার্কিক্যাল ক্যাসকেড বিভাজন ও সিদ্ধান্ত-স্তরের ফিউশন উল্লেখযোগ্য কর্মক্ষমতা বৃদ্ধি দিয়েছে। এই ফলাফল ইঙ্গিত দেয় যে ক্লিনিক্যাল সিদ্ধান্ত-পথের সঙ্গে সামঞ্জস্যপূর্ণ একটি হায়ারার্কিক্যাল ফিউশন কাঠামো অস্ত্রোপচার-পূর্ব স্তন ক্যানসারের আণবিক উপপ্রকার পূর্বাভাসের জন্য কার্যকর ও ব্যাখ্যাযোগ্য পদ্ধতি হতে পারে।
জার্নাল IF-সমতুল্য: 3.9 (OpenAlex 2-year mean citedness, মান 2026-10-13 অনুযায়ী, সংগৃহীত 2026-10-15; Clarivate-এর অফিসিয়াল IF নয়)রেফারেন্স: Chen Y, Hu L, Hou J, Xie Y, Nie S, Jiang Y, ও অন্যান্য। HCF-Net: a Hierarchical Cascade Fusion Network Aligned with Clinical Treatment Pathways for Preoperative Molecular Subtyping of Breast Cancer on Dynamic Contrast-Enhanced MRI. J Digit Imaging Inform med. 2026 Oct 13 [ছাপার আগে অনলাইনে প্রকাশিত]. doi:10.1007/s10278-026-02331-1.যাচাই করা হয়েছে: শুধু সারসংক্ষেপ - সারসংক্ষেপ
হ্যাবিট্যাট র্যাডিওমিক্স টিউমারের উপ-অঞ্চলগুলোর মধ্যকার টেক্সচার বৈশিষ্ট্যায়িত করে, কিন্তু সেগুলোর মধ্যকার স্থানিক সম্পর্ক বাদ দিয়ে দেয়। আমরা ল্যান্ডস্কেপ ইকোলজি দ্বারা অনুপ্রাণিত একটি কাঠামো তৈরি করেছি, যা DCE-MRI-তে হ্যাবিট্যাটগুলোর মধ্যকার স্থানিক গঠন পরিমাপ করে; হ্যাবিট্যাটের অভ্যন্তরীণ র্যাডিওমিক্সের পাশাপাশি এর পরিপূরক মূল্য মূল্যায়ন করেছি এবং আর্লি ও লেট ফিউশনের তুলনা করেছি, যেখানে মূল্যায়নের কাজ হিসেবে অ্যাক্সিলারি লিম্ফ নোড মেটাস্টাসিস (ALNM) পূর্বাভাস ব্যবহার করা হয়েছে। এই বহুকেন্দ্রিক রেট্রোস্পেক্টিভ গবেষণায় একটি কেন্দ্রের ২৮৪ জন রোগীকে এলোমেলোভাবে ট্রেনিং (n = 198) ও ভ্যালিডেশন (n = 86) কোহর্টে ভাগ করা হয়েছে, এবং একটি স্বতন্ত্র প্রতিষ্ঠানের ১২০ জন রোগী বহিঃস্থ টেস্ট সেট হিসেবে ব্যবহৃত হয়েছে। ১৯টি ভক্সেল-ভিত্তিক টেক্সচার বর্ণনাকারীর k-means ক্লাস্টারিংয়ের মাধ্যমে টিউমারগুলোকে ছয়টি হ্যাবিট্যাটে বিভক্ত করা হয়েছে, যেখানে সেন্ট্রয়েডগুলো কেবল ট্রেনিং কোহর্ট থেকে নেওয়া হয়েছে। তিনটি বৈশিষ্ট্য ডোমেইন গঠন করা হয়েছে: ৮টি ক্লিনিক্যাল প্যারামিটার, ৬৪২টি হ্যাবিট্যাট-অভ্যন্তরীণ র্যাডিওমিক্স বৈশিষ্ট্য, এবং ৯৪টি আন্তঃ-হ্যাবিট্যাট স্থানিক গঠন বৈশিষ্ট্য, যা বিভাজন (n = 30), আকারবিন্যাস (n = 24), আন্তঃ-হ্যাবিট্যাট সংস্পর্শ (n = 15), আন্তঃ-হ্যাবিট্যাট দূরত্ব (n = 15), ক্ষেত্রফলের অনুপাত (n = 6) এবং বৈচিত্র্য (n = 4) জুড়ে বিস্তৃত। বহিঃস্থ টেস্ট সেটে ক্রমান্বয়িক ফিউশন AUC-তে ধাপে ধাপে উন্নতি এনেছে: শুধু ক্লিনিক্যাল ০.৭৫৪, সঙ্গে হ্যাবিট্যাট-অভ্যন্তরীণ র্যাডিওমিক্স ০.৮৪৩, সঙ্গে আন্তঃ-হ্যাবিট্যাট স্থানিক গঠন ০.৮৬৩ (৯৫% CI 0.792-0.934)। সম্পূর্ণ আর্লি ফিউশন মডেল শুধু ক্লিনিক্যাল মডেলের (DeLong P = 0.011) এবং শুধু স্থানিক-গঠন মডেলের (P = 0.044) চেয়ে বেশি AUC অর্জন করেছে; আর্লি ফিউশন লেট ফিউশনের চেয়ে সংখ্যাগতভাবে বেশি AUC দিয়েছে, তবে তা তাৎপর্যে পৌঁছায়নি (0.863 বনাম 0.851, P = 0.636)। দুটি একক-ডোমেইন ইমেজিং মডেল পরিসংখ্যানগতভাবে আলাদা করা যায়নি (0.817 বনাম 0.784, P = 0.512)। আন্তঃ-হ্যাবিট্যাট স্থানিক গঠন প্রচলিত হ্যাবিট্যাট র্যাডিওমিক্সে উপেক্ষিত টিউমারের সংগঠন ধারণ করে এবং অস্ত্রোপচার-পূর্ব ALNM পূর্বাভাসের জন্য পরিপূরক তথ্য প্রদান করে।
জার্নাল IF-সমতুল্য: 3.9 (OpenAlex 2-year mean citedness, মান 2026-10-13 অনুযায়ী, সংগৃহীত 2026-10-15; Clarivate-এর অফিসিয়াল IF নয়)রেফারেন্স: Liu P, Wang P, Zou X, Zhang Q, Wang W. ইন্ট্রা- থেকে ইন্টার-হ্যাবিট্যাট বিশ্লেষণ: স্তনের DCE-MRI-তে অ্যাক্সিলারি লিম্ফ নোড মেটাস্টেসিসের পূর্বাভাসের জন্য স্থানিক কাঠামোগত বৈশিষ্ট্য। J Digit Imaging Inform med. 2026 Oct 13 [Epub ahead of print]. doi:10.1007/s10278-026-02384-2.যাচাই করা হয়েছে: শুধু সারসংক্ষেপ
স্তনের 2টি গবেষণাপত্র সব দেখুন →
ফুসফুসের ক্যানসার: চিকিৎসা, ট্রায়াল ও AI
- সারসংক্ষেপ
পটভূমি: পালমোনারি মিউসিনাস অ্যাডেনোকার্সিনোমা (PMA) ফুসফুসের অ্যাডেনোকার্সিনোমার একটি বিরল উপধরন, যার ব্যাপক প্যাথলজিক্যাল শ্রেণিবিন্যাস ও প্রোগনস্টিক ফ্যাক্টরের অভাব রয়েছে। এই গবেষণায় আমরা একটি মাল্টিমোডাল মেশিন লার্নিং (ML) কাঠামো প্রস্তাব করছি, যা PMA উপধরনের শ্রেণিবিন্যাস ও প্রোগনস্টিক পূর্বাভাস উন্নত করতে একাধিক ডেটা মোডালিটিকে একত্রিত করে। পদ্ধতি: এই রেট্রোস্পেক্টিভ গবেষণায় জনতাত্ত্বিক, হিস্টোপ্যাথোলজিক্যাল, কম্পিউটেড টমোগ্রাফি (CT) ইমেজিং এবং এপিথেলিয়াল গ্রোথ ফ্যাক্টর রিসেপ্টর (EGFR) মিউটেশন ডেটাসহ 175টি প্রাথমিক PMA কেস অন্তর্ভুক্ত করা হয়েছে। হিস্টোলজিক্যাল শ্রেণিবিন্যাসের জন্য Least absolute shrinkage and selection operator (LASSO) রেগুলারাইজড লজিস্টিক রিগ্রেশন মডেল এবং অভ্যন্তরীণ যাচাইসহ বেঁচে থাকার পূর্বাভাসের জন্য Cox proportional hazards মডেল ব্যবহার করা হয়েছে। ফলাফল: বিশুদ্ধ মিউসিনাস অ্যাডেনোকার্সিনোমায় রেডিওগ্রাফিক বা প্যাথলজিক্যাল টিউমারের আকার ছোট হওয়া, নিম্ন লোবে অবস্থান, লিম্ফ নোড মেটাস্টেসিস ও স্প্রেড থ্রু এয়ার স্পেসেস (STAS)-এর হার কম হওয়া, প্রাথমিক প্যাথলজিক্যাল পর্যায়, কার্সিনোএমব্রায়োনিক অ্যান্টিজেন (CEA) ≤5 ng/mL, স্পিকিউলেটেড মার্জিন, Ki-67-এর নিম্ন প্রকাশ এবং EGFR এক্সন 19 ডিলিশনের কম ঘটনা বেশি দেখা গেছে (P=0.002, 0.003, EGFR এক্সন 19 ডিলিশন PMA-তে স্বতন্ত্র প্রোগনস্টিক ফ্যাক্টর হিসেবে (যথাক্রমে P=0.04, 0.049)। এছাড়া, Kaplan-Meier কার্ভ নোমোগ্রাম স্কোর অনুযায়ী স্তরবিন্যস্ত নিম্ন- ও উচ্চ-ঝুঁকির গোষ্ঠীর মধ্যে উল্লেখযোগ্যভাবে ভিন্ন ফলাফল দেখিয়েছে (P<0.001)। উপসংহার: মিশ্র মিউসিনাস ও মিউসিন-ক্ষরণকারী ধরনের তুলনায় পালমোনারি বিশুদ্ধ মিউসিনাস অ্যাডেনোকার্সিনোমা কম ম্যালিগন্যান্সি প্রদর্শন করেছে। এই গবেষণায় তৈরি ও যাচাইকৃত নোমোগ্রাম মডেল অস্ত্রোপচারের আগে হিস্টোলজিক্যাল উপধরন এবং PMA রোগীদের বেঁচে থাকার পূর্বাভাসে আশাব্যঞ্জক কার্যকারিতা দেখিয়েছে, যা রোগনির্ণয় ও প্রোগনোসিস পূর্বাভাসে চিকিৎসকদের দিকনির্দেশনা দেয়।
জার্নাল IF-সমতুল্য: 1.4 (OpenAlex 2-year mean citedness, মান 2026-10-13 অনুযায়ী, সংগৃহীত 2026-10-15; Clarivate-এর অফিসিয়াল IF নয়)রেফারেন্স: Yang W, Chen C, Li L, Chen Z, Chen Z, Le H, et al. Integrating multimodal data for precise subtyping and prognostication in patients with pulmonary mucinous adenocarcinoma. Transl Cancer Res. 2026 Sep;15(9):708-8. doi:10.21037/tcr-2026-1241.যাচাই করা হয়েছে: শুধু সারসংক্ষেপ - সারসংক্ষেপ
পটভূমি: প্রফিল্যাকটিক ক্র্যানিয়াল ইরেডিয়েশন (PCI)-এর পরেও স্মল সেল লাং ক্যানসার (SCLC) রোগীদের ক্ষেত্রে ব্রেন মেটাস্টেসিস একটি গুরুত্বপূর্ণ ক্লিনিক্যাল উদ্বেগ হিসেবে থেকে যায়। PCI-এর পর ব্রেন মেটাস্টেসিসের উচ্চ ঝুঁকিতে থাকা রোগীদের সঠিকভাবে শনাক্ত করা ব্যক্তিগতকৃত নজরদারি ও ব্যবস্থাপনায় সহায়ক হতে পারে। এই গবেষণায় দুই-ও-অর্ধ-মাত্রিক (2.5D) মাল্টি-চ্যানেল ডিপ লার্নিং বৈশিষ্ট্য, ক্লিনিক্যাল বৈশিষ্ট্য এবং র্যাডিওমিক্স বৈশিষ্ট্যের ওপর ভিত্তি করে একটি ফিউশন মডেল তৈরি করা হয়েছে, যা পূর্বাভাস দেয় SCLC রোগীদের PCI-এর পর ব্রেন মেটাস্টেসিস হবে কি না। পদ্ধতি: এই রেট্রোস্পেক্টিভ গবেষণায় PCI করানো 185 জন SCLC রোগীকে অন্তর্ভুক্ত করা হয় এবং তাদের এলোমেলোভাবে একটি ট্রেনিং সেট (N=148) ও একটি টেস্টিং সেটে (N=37) ভাগ করা হয়। 2.5D ডিপ লার্নিং বৈশিষ্ট্য নিষ্কাশনের জন্য CT ইমেজ থেকে প্রাপ্ত মাল্টি-প্ল্যানার রিজিয়ন অব ইন্টারেস্ট (ROI)-এর ওপর ভিত্তি করে একটি 2.5D মাল্টি-চ্যানেল কনভোলিউশনাল নিউরাল নেটওয়ার্ক (CNN) মডেল তৈরি করা হয়। টিউমার ROI-এর বৃহত্তম ক্রস-সেকশন এবং ত্রিমাত্রিক (3D) আয়তনের ওপর ভিত্তি করে যথাক্রমে দ্বিমাত্রিক (2D) ও 3D ডিপ লার্নিং বৈশিষ্ট্য নিষ্কাশন করা হয়। এরপর বিভিন্ন মাত্রার বৈশিষ্ট্যগুলোকে ক্লিনিক্যাল বৈশিষ্ট্য ও প্রচলিত ওমিক্স বৈশিষ্ট্যের সঙ্গে একীভূত করে যথাক্রমে 2D_clinic_Rad, 2.5D_clinic_Rad এবং 3D_clinic_Rad মডেল তৈরি করা হয়। এরপর 3D মডেলগুলোর সঙ্গে ক্লিনিক্যাল ও প্রচলিত র্যাডিওমিক্স মডেলগুলোর কার্যকারিতার পার্থক্য তুলনা করা হয়। ফলাফল: ব্রেন মেটাস্টেসিসের পূর্বাভাসে 2.5D_clinic_Rad ফিউশন মডেল সেরা কার্যকারিতা দেখিয়েছে; টেস্ট সেটে এর এরিয়া আন্ডার দ্য কার্ভ (AUC) ছিল 0.841, যা ক্লিনিক্যাল মডেল, প্রচলিত র্যাডিওমিক্স মডেল এবং 2D ও 3D ডিপ লার্নিং ফিউশন মডেলগুলোকে ছাড়িয়ে গেছে। ডিসিশন কার্ভ ও ক্যালিব্রেশন কার্ভের বিশ্লেষণে দেখা গেছে, অন্য মডেলগুলোর তুলনায় 2.5D_clinic_Rad মডেলের ক্লিনিক্যাল নেট বেনিফিট সর্বোচ্চ এবং ক্যালিব্রেশনের সামঞ্জস্য সর্বোত্তম। উপসংহার: 2.5D_clinic_Rad-ভিত্তিক ফিউশন মডেল সম্পূর্ণ মস্তিষ্কে প্রফিল্যাকটিক ইরেডিয়েশনের পর SCLC রোগীদের ব্রেন মেটাস্টেসিসের ঝুঁকি কার্যকরভাবে পূর্বাভাস দিতে পারে।
জার্নাল IF-সমতুল্য: 2.5 (OpenAlex 2-year mean citedness, মান 2026-10-13 অনুযায়ী, সংগৃহীত 2026-10-15; Clarivate-এর অফিসিয়াল IF নয়)রেফারেন্স: Zhang X, Zhao L, Wang J, Zhang X, Liang X, Cao W, et al. Interpretable deep learning and radiomics for predicting the occurrence of brain metastases following prophylactic brain irradiation in small cell lung cancer. Transl Lung Cancer Res. 2026 Sep;15(9):281-1. doi:10.21037/tlcr-2026-0708.যাচাই করা হয়েছে: শুধু সারসংক্ষেপ
ফুসফুসের 2টি গবেষণাপত্র সব দেখুন →
অগ্ন্যাশয়ের ক্যান্সার: চিকিৎসা, ট্রায়াল ও এআই
এই সংখ্যার জন্য কোনো নতুন যোগ্য গবেষণাপত্র নেই।
প্রোস্টেট ক্যানসার: চিকিৎসা, ট্রায়াল ও AI
এই সংখ্যার জন্য কোনো নতুন যোগ্য গবেষণাপত্র নেই।
অ্যাডিনয়েড সিস্টিক কার্সিনোমা: চিকিৎসা, ট্রায়াল ও AI
এই সংখ্যার জন্য কোনো নতুন যোগ্য গবেষণাপত্র নেই।
মস্তিষ্কের টিউমার: চিকিৎসা, ট্রায়াল ও এআই
- সারসংক্ষেপ
গ্লিওব্লাস্টোমা (GBM) চিকিৎসার প্রতিক্রিয়া অত্যন্ত বৈচিত্র্যময়। চিকিৎসার আগের MRI থেকে ফলাফল পূর্বানুমান করা একটি গুরুত্বপূর্ণ অপূর্ণ প্রয়োজন, তবু স্বচ্ছতার অভাবের কারণে "ব্ল্যাক বক্স" ডিপ লার্নিং (DL) মডেলের ক্লিনিকাল গ্রহণযোগ্যতা বাধাগ্রস্ত হচ্ছে। ক্লিনিক্যাল আস্থা অর্জনের জন্য শক্তিশালী ও সমন্বিত যাচাইকরণ কাঠামো এখনও তৈরি করা প্রয়োজন। GBM-এর সামগ্রিক বেঁচে থাকার সময় পূর্বানুমানের জন্য আগে তৈরি করা একটি ডিপ লার্নিং মডেল বিশ্লেষণ করতে বহু-স্তরীয় eXplainable AI (XAI) পাইপলাইন ব্যবহার করা হয়েছে। প্রথমত, মডেলের দৃশ্যমান মনোযোগ গুণগত ও পরিমাণগতভাবে বিশ্লেষণ করা হয়েছে। দ্বিতীয়ত, ইনপুট অ্যাবলেশন সমীক্ষার মাধ্যমে মডেলের বৈশিষ্ট্য-নির্ভরতা পরিমাপ করা হয়েছে। তৃতীয়ত, অভ্যন্তরীণ উপস্থাপনার লিনিয়ার প্রোবিংয়ের মাধ্যমে কোন গভীরতায় শ্রেণি-তথ্য ডিকোড করা সম্ভব হয় তা অনুসন্ধান করা হয়েছে। সবশেষে, জেনারেলাইজড এস্টিমেটিং ইকুয়েশনস (GEE) ও ক্লাস্টারড বুটস্ট্র্যাপিং ব্যবহার করে একটি মাল্টি-রিডার, মাল্টি-কেস সমীক্ষায় (৩৭ জন রোগী, ৪ জন পাঠক, ৩টি পর্যায়, ৪৪৪টি পর্যবেক্ষণ) এআই এবং এর ব্যাখ্যার ক্লিনিক্যাল প্রভাব মূল্যায়ন করা হয়েছে। বিশ্লেষণে একটি উচ্চ-তীব্রতার হিউরিস্টিক প্রকাশ পেয়েছে: খুলির পরিধিতে অতি-উজ্জ্বল পিক্সেল "দীর্ঘমেয়াদি" পূর্বানুমানকে নির্ধারণ করেছে, আর তার অনুপস্থিতিতে মডেল টিউমারের এনহান্সমেন্টের ভিত্তিতে ডিফল্টভাবে "স্বল্পমেয়াদি" পূর্বানুমান করেছে। অ্যাবলেশন সমীক্ষা এই নির্ভরতা প্রতিষ্ঠিত করেছে এবং লিনিয়ার প্রোবিংও একই দিকে ইঙ্গিত করেছে। ক্লিনিক্যাল সমীক্ষায় এআই সহায়তা বিশেষজ্ঞদের নির্ভুলতা উল্লেখযোগ্যভাবে বাড়িয়েছে (OR 1.598, p < 0.01), কৃত্রিমভাবে আত্মবিশ্বাস না বাড়িয়েই (p = 0.561)। গুরুত্বপূর্ণভাবে, XAI হিটম্যাপ যুক্ত করা বিশেষজ্ঞরা কীভাবে এআই স্কোর ব্যবহার করেন তার পরিবর্তনের সঙ্গে (ইন্টারঅ্যাকশন p < 0.01) এবং কম সংখ্যক রোগীকে ভুলভাবে দীর্ঘমেয়াদি বেঁচে থাকা রোগী হিসেবে চিহ্নিত করার সঙ্গে সম্পর্কিত ছিল। উচ্চ পূর্বানুমান-নির্ভুলতা নিম্নস্তরের তীব্রতা-হিউরিস্টিকের উপর নির্ভরতাকে আড়াল করতে পারে। স্যালিয়েন্সি ম্যাপের ওপর ওপর ব্যাখ্যা বিপজ্জনক হলেও বহু-স্তরীয় নিরীক্ষা এই শর্টকাটগুলো উন্মোচন করে। ক্লিনিক্যালি, স্থানিক হিটম্যাপ বিশেষজ্ঞদের রোগনির্ণয়ের নির্ভুলতা বৃদ্ধি এবং সিদ্ধান্ত গ্রহণের কৌশলে পরিবর্তনের সঙ্গে সম্পর্কিত ছিল।
জার্নাল IF-সমতুল্য: 3.9 (OpenAlex 2-year mean citedness, মান 2026-10-13 অনুযায়ী, সংগৃহীত 2026-10-15; Clarivate-এর অফিসিয়াল IF নয়)রেফারেন্স: Andres R, Moreau NN, Dessoude L, Le Henaff L, Missohou F, Stefan D, et al. গ্লিওব্লাস্টোমা চিকিৎসার কার্যকারিতা পূর্বাভাসে ডিপ লার্নিংয়ের ব্যাখ্যাযোগ্যতা ও ক্লিনিক্যাল আস্থা: একটি সমন্বিত কাঠামো। J Digit Imaging Inform med. 2026 Oct 13 [Epub ahead of print]. doi:10.1007/s10278-026-02381-5.যাচাই করা হয়েছে: শুধু সারসংক্ষেপ - সারসংক্ষেপ
পটভূমি: উচ্চ CD9 এক্সপ্রেশন প্রাপ্তবয়স্ক-ধরনের ডিফিউজ গ্লিওমা (ADGs) আক্রান্ত রোগীদের মধ্যে সামগ্রিক বেঁচে থাকার সময় (OS) কমের সঙ্গে উল্লেখযোগ্যভাবে সম্পর্কিত। একই সঙ্গে, ওষুধ স্ক্রিনিং বিশ্লেষণে উচ্চ CD9 এক্সপ্রেশনযুক্ত গ্লিওমার জন্য সম্ভাব্য লক্ষ্যভিত্তিক থেরাপিউটিক এজেন্ট হিসেবে emetine শনাক্ত করা হয়েছে, যা ইঙ্গিত দেয় যে CD9 একটি নতুন বায়োমার্কার হিসেবে কাজ করতে পারে এবং গ্লিওমার রোগনির্ণয় ও চিকিৎসায় পরিবর্তন আনার সম্ভাবনা রাখে। এই গবেষণার লক্ষ্য ছিল অস্ত্রোপচারপূর্ব ম্যাগনেটিক রেজোন্যান্স ইমেজিং (MRI) চিত্রের ভিত্তিতে একটি কৃত্রিম বুদ্ধিমত্তা পূর্বাভাস মডেল তৈরি করা, যাতে ADGs রোগীদের মধ্যে উচ্চ CD9 এক্সপ্রেশন প্রাথমিক পর্যায়ে শনাক্ত করা সহজ হয়। পদ্ধতি: আমরা The Cancer Genome Atlas (TCGA) এবং Chinese Glioma Genome Atlas (CGGA) কোহর্ট থেকে ২৬২ জন ADGs রোগীর CD9 এক্সপ্রেশন তথ্য পূর্বমুখী নয় এমনভাবে (রেট্রোস্পেক্টিভলি) সংগ্রহ করেছি। অস্ত্রোপচারপূর্ব MRI সিকোয়েন্স [কনট্রাস্ট-এনহান্সড T1-ওয়েটেড ইমেজিং (CET1) এবং T2-ওয়েটেড ইমেজিং (T2WI)] ব্যবহার করে K-means ক্লাস্টারিং অ্যালগরিদমের মাধ্যমে Habitat বৈশিষ্ট্য এবং রেডিওমিক বৈশিষ্ট্য নিষ্কাশন করা হয়েছে। এছাড়া ResNet101, DenseNet121 ও SimpleViT সহ নিউরাল নেটওয়ার্ক আর্কিটেকচারের ভিত্তিতে মাল্টি-চ্যানেল ২.৫-মাত্রিক ডিপ লার্নিং (2.5D_DL) ডেটা তৈরি করা হয়েছে এবং DL বৈশিষ্ট্য নিষ্কাশন করা হয়েছে। আলাদা Radiomics, Habitat ও 2.5D_DL পূর্বাভাস মডেল তৈরি করতে সাতটি শ্রেণিবিন্যাসক (ক্লাসিফায়ার) ব্যবহার করা হয়েছে। পরবর্তীতে উচ্চ CD9 এক্সপ্রেশনের পূর্বাভাস দিতে এনসেম্বল ফিউশন কৌশলের মাধ্যমে একটি Stacking মডেল তৈরি করা হয়েছে। মডেলের কার্যকারিতা রিসিভার অপারেটিং ক্যারেক্টারিস্টিক (ROC) কার্ভ দিয়ে মূল্যায়ন করা হয়েছে এবং ক্লিনিক্যাল কার্যকারিতা ডিসিশন কার্ভ বিশ্লেষণ (DCA) দিয়ে যাচাই করা হয়েছে। মডেলের ব্যাখ্যা বোঝার জন্য এবং মেশিন লার্নিং পূর্বাভাসের স্বচ্ছতা বাড়াতে Shapley Additive Explanations (SHAP) বিশ্লেষণ করা হয়েছে। এছাড়া Stacking মডেলের স্কোরের ভিত্তিতে রোগীদের উচ্চ ও নিম্ন ঝুঁকির গ্রুপে ভাগ করা হয়েছে এবং Kaplan-Meier বিশ্লেষণ ও log-rank পরীক্ষা ব্যবহার করে বেঁচে থাকার পার্থক্য তুলনা করা হয়েছে। ফলাফল: Habitat মডেল ROC কার্ভ [ROC-এর নিচের ক্ষেত্রফল (AUC)] মানের দিক থেকে Radiomics মডেলের চেয়ে উন্নত ছিল। মাল্টি-চ্যানেল 2.5D_DL মডেলগুলোর মধ্যে SimpleViT মডেল কনভোলিউশনাল নিউরাল নেটওয়ার্ক (CNN)-ভিত্তিক মডেলগুলোর (ResnNet101 ও DenseNet121) চেয়ে সামান্য ভালো কার্যকারিতা অর্জন করেছে। চূড়ান্ত Stacking মডেল, যা Habitat, Radiomics ও 2.5D_DL মডেলের আউটপুট একত্রিত করেছে, উন্নত AUC মান দেখিয়েছে। প্রশিক্ষণ, যাচাইকরণ ও পরীক্ষা সেটে AUC যথাক্রমে ০.৯৯৯, ০.৮২২ ও ০.৭২৮ এ পৌঁছেছে। DeLong পরীক্ষায় প্রশিক্ষণ সেটে প্রতিটি মডেলের AUC মানের মধ্যে পরিসংখ্যানগতভাবে উল্লেখযোগ্য পার্থক্য নিশ্চিত হয়েছে, কিন্তু অন্যান্য সেটে পরিসংখ্যানগতভাবে উল্লেখযোগ্য কোনো পার্থক্য দেখা যায়নি। এছাড়া DCA দ্বারা এই সমন্বিত মডেলের জন্য আরও বিস্তৃত ঝুঁকি-সীমার পরিসরে উন্নত নিট ক্লিনিক্যাল সুবিধা যাচাই করা হয়েছে। Stacking মডেলের মাধ্যমে প্রগনোস্টিক স্তরবিন্যাসে উচ্চ-ঝুঁকি ও নিম্ন-ঝুঁকি গ্রুপের মধ্যে বেঁচে থাকার ফলাফলে উল্লেখযোগ্য পার্থক্য দেখা গেছে। উপসংহার: অস্ত্রোপচারপূর্ব MRI-ভিত্তিক Stacking মডেল ADGs রোগীদের মধ্যে উচ্চ CD9 এক্সপ্রেশনযুক্ত রোগীদের কার্যকরভাবে শনাক্ত করে এবং রোগীর ঝুঁকির স্তরবিন্যাস করে, যা ক্লিনিক্যাল থেরাপিউটিক সিদ্ধান্ত গ্রহণ ও ব্যক্তি-নির্দিষ্ট প্রগনোস্টিক মূল্যায়নে সহায়তা করে। এই মডেলের প্রগনোস্টিক কার্যকারিতা ও সাধারণীকরণযোগ্যতা যাচাই করতে ভবিষ্যৎমুখী বহুকেন্দ্রিক তথ্য এখনও প্রয়োজন।
জার্নাল IF-সমতুল্য: 1.4 (OpenAlex 2-year mean citedness, মান 2026-10-13 অনুযায়ী, সংগৃহীত 2026-10-15; Clarivate-এর অফিসিয়াল IF নয়)রেফারেন্স: Pang B, Yuan M, Yan Y, Li J, Xue J, Jing L, et al. MRI-derived habitat radiomics integrated with transformer deep learning for preoperative prediction of high CD9 expression: a novel prognostic marker in adult-type diffuse gliomas. Transl Cancer Res. 2026 Sep;15(9):703-3. doi:10.21037/tcr-2026-1847.যাচাই করা হয়েছে: শুধু সারসংক্ষেপ
মস্তিষ্কের 2টি গবেষণাপত্র সব দেখুন →
ডিম্বাশয়ের ক্যানসার: চিকিৎসা, ট্রায়াল ও AI
এই সংখ্যার জন্য কোনো নতুন যোগ্য গবেষণাপত্র নেই।
এন্ডোমেট্রিয়াল ক্যান্সার: চিকিৎসা, ট্রায়াল ও AI
এই সংখ্যার জন্য কোনো নতুন যোগ্য গবেষণাপত্র নেই।
পাকস্থলীর ক্যানসার: চিকিৎসা, ট্রায়াল ও এআই
এই সংখ্যার জন্য কোনো নতুন যোগ্য গবেষণাপত্র নেই।
যকৃতের ক্যানসার: চিকিৎসা, ট্রায়াল ও AI
- সারসংক্ষেপ
পটভূমি: হেপাটোসেলুলার কার্সিনোমা (HCC) বিশ্বব্যাপী ক্যানসার-সম্পর্কিত মৃত্যুর অন্যতম প্রধান কারণ, এবং TP53 মিউটেশন টিউমারের অগ্রগতি চালিত করা একটি ট্রাঙ্ক মিউটেশন হিসেবে কাজ করে। তবে বর্তমানে TP53 মিউটেশনের অবস্থা কেবল আক্রমণাত্মক লিভার বায়োপসির মাধ্যমে নির্ধারণ করা যায়। এই গবেষণায় P53-মিউটেটেড HCC পূর্বাভাস দিতে ম্যাগনেটিক রেজোন্যান্স ইমেজিং (MRI) থেকে মাল্টিরিজিওনাল র্যাডিওমিক্স বৈশিষ্ট্য ব্যবহার করা হয়েছে এবং এই আক্রমণাত্মক উপপ্রকার শনাক্তের জন্য একটি অ-আক্রমণাত্মক সরঞ্জাম প্রস্তাব করা হয়েছে। পদ্ধতি: এই রেট্রোস্পেক্টিভ গবেষণায় অস্ত্রোপচারপূর্ব MRI করা 320 জন রোগীর তথ্য বিশ্লেষণ করা হয়েছে এবং তাঁদের একটি ট্রেনিং কোহর্ট (TC; n=224) ও একটি ভ্যালিডেশন কোহর্টে (VC; n=96) ভাগ করা হয়েছে। পূর্বাভাস মডেল তৈরি করতে ধাপে ধাপে রিগ্রেশন ব্যবহার করে ক্লিনিকাল ঝুঁকির কারণ চিহ্নিত করা হয়েছে। আমরা ছয়টি MRI সিকোয়েন্স জুড়ে তিনটি মেশিন লার্নিং ক্লাসিফায়ার মূল্যায়ন করেছি, এবং র্যাডিওমিক্স মডেল গঠনের জন্য চারটি অঞ্চল (সম্পূর্ণ টিউমার, IntraPeri_9mm, IntraPeri_11mm এবং IntraPeri_13mm) থেকে সেরা IntraPeri ফিউশন মডেল নির্বাচন করতে least absolute shrinkage and selection operator পদ্ধতি প্রয়োগ করা হয়েছে। P53-মিউটেটেড HCC-র পূর্বাভাসমূলক নোমোগ্রাম এই ক্লিনিকাল পূর্বাভাসকারীদের সঙ্গে পার্থক্যনির্ণায়ক র্যাডিওমিক্স বৈশিষ্ট্যকে সমন্বিত করেছে, এবং এর কার্যকারিতা receiver operating characteristic বিশ্লেষণ, ক্যালিব্রেশন ও ডিসিশন কার্ভ দিয়ে মূল্যায়ন করা হয়েছে। ফলাফল: 320 জন রোগীর (259 জন পুরুষ ও 61 জন নারী; গড় বয়স 58.25±11.51 বছর) মধ্যে 183 জনের P53-মিউটেটেড HCC এবং 137 জনের নন-P53-মিউটেটেড HCC ছিল। বৃহত্তম টিউমার ব্যাস (LTD), Edmondson-Steiner গ্রেড এবং রিম আর্টেরিয়াল ফেজ হাইপারএনহান্সমেন্ট P53-মিউটেটেড HCC-র স্বাধীন পূর্বাভাসকারী হিসেবে চিহ্নিত হয়েছে। IntraPeri_11mm অঞ্চলের মধ্যে সর্বোত্তম MRI সিকোয়েন্স [T1-weighted imaging-arterial phase (T1WI-AP)] থেকে প্রাপ্ত র্যাডিওমিক্স বৈশিষ্ট্যের ওপর ভিত্তি করে ExtraTrees ক্লাসিফায়ার শক্তিশালী পূর্বাভাস নির্ভুলতা অর্জন করেছে [area under the curve (AUC) TC =0.805; AUC VC =0.660]। ক্লিনিকাল ও র্যাডিওমিক্স বৈশিষ্ট্য সমন্বিত পূর্বাভাসমূলক নোমোগ্রাম TC [AUC =0.815; 95% কনফিডেন্স ইন্টারভাল (CI): 0.758-0.872] এবং VC (AUC =0.802; 95% CI: 0.713-0.890) উভয়ক্ষেত্রেই চমৎকার কার্যকারিতা দেখিয়েছে। ডিসিশন কার্ভ বিশ্লেষণ এর ক্লিনিকাল উপযোগিতা আরও নিশ্চিত করেছে। উপসংহার: ক্লিনিকাল মডেলের সঙ্গে IntraPeri_11mm র্যাডিওমিক্সের সমন্বয়ে গঠিত নোমোগ্রাম HCC-তে অস্ত্রোপচারপূর্ব P53 মিউটেশন অবস্থার কার্যকর পূর্বাভাসকারী হিসেবে কাজ করতে পারে।
জার্নাল IF-সমতুল্য: 1.4 (OpenAlex 2-year mean citedness, মান 2026-10-13 অনুযায়ী, সংগৃহীত 2026-10-15; Clarivate-এর অফিসিয়াল IF নয়)রেফারেন্স: Weng J, Yao D, Zeng Q, He Y, Yang C, Yang B. চৌম্বকীয় অনুরণন চিত্রভিত্তিক র্যাডিওমিক্সের মাধ্যমে P53-মিউটেটেড হেপাটোসেলুলার কার্সিনোমার পূর্বাভাস: টিউমারের ভেতরের ও আশপাশের বিশ্লেষণ. Transl Cancer Res. 2026 Sep;15(9):709-9. doi:10.21037/tcr-2026-1579.যাচাই করা হয়েছে: শুধু সারসংক্ষেপ
লিভারের 1টি গবেষণাপত্র সব দেখুন →
কিডনি ক্যানসার: চিকিৎসা, ট্রায়াল ও AI
এই সংখ্যার জন্য কোনো নতুন যোগ্য গবেষণাপত্র নেই।
মূত্রথলির ক্যান্সার: চিকিৎসা, ট্রায়াল ও AI
এই সংখ্যার জন্য কোনো নতুন যোগ্য গবেষণাপত্র নেই।