KI und Krebsforschung ── 2026-10-15
Neue Studien zu Krebs und KI, gesammelt aus Journal-Feeds, PubMed (über alle Journale durchsucht) und OpenAlex (ein öffentlicher Index, der anstelle von Google Scholar verwendet wird), beurteilt von Jev (einer KI, die sprachliche Urteile fällt): Originalforschung, KI zentral, welches von 13 Themen, Behandlung oder klinische Studien, und anschließend nach Wichtigkeit bis zu einem Tageslimit gerankt. Journale werden nicht nach Impact Factor gefiltert; jede Studie zeigt das IF-Äquivalent ihres Journals (OpenAlex-Zweijahresmittel der Zitationshäufigkeit) und das Datum dieses Werts. Jeder Eintrag zeigt die vollständige Original-Zusammenfassung.
Nach Krebsart lesen: Krebsbiologie（1） · Brust（2） · Lunge（2） · Pankreas（0） · Prostata（0） · ACC（0） · Gehirn（2） · Ovarial（0） · Endometrium（0） · Magen（0） · Leber（1） · Niere（0） · Blase（0）
Molekulare Krebsbiologie und KI
- Zusammenfassung
Eine genaue Vorhersage des postoperativen Rezidivs ist für die individualisierte Behandlung und die Nachsorgeplanung bei Patienten mit Urothelkarzinom des oberen Harntrakts (UTUC) unerlässlich. Eine verlässliche Risikostratifizierung bleibt jedoch aufgrund der Heterogenität der Bildgebungsmerkmale und der klinischen Informationen schwierig. In dieser Studie schlagen wir ein multimodales klinisches Entscheidungsunterstützungs-Framework vor, das kontrastmittelverstärkte Computertomographie-(CT-)Bilder mit routinemäßig verfügbaren klinischen Variablen für die Vorhersage des postoperativen Rezidivs integriert. Das vorgeschlagene Framework verwendet eine integrierte Bild-Klinik-Lernstrategie, um die semantische Abstimmung zwischen visuellen Repräsentationen und dem patientenspezifischen klinischen Kontext zu verbessern. Bildmerkmale werden durch klinisch informierte semantische Prompts gesteuert, während ein dynamischer Fusionsmechanismus die Beiträge der verschiedenen Modalitäten adaptiv ausbalanciert. Dieses Design ermöglicht eine robuste multimodale Interaktion und verbessert die individualisierte Risikoabschätzung. Das Framework wird anhand einer retrospektiven UTUC-Kohorte von 160 Patienten evaluiert, die zwischen 2016 und 2023 behandelt wurden, darunter 59 Rezidivfälle und 101 Fälle ohne Rezidiv. Die experimentellen Ergebnisse zeigen, dass die vorgeschlagene Methode eine Fläche unter der Receiver-Operating-Characteristic-Kurve (AUC) von 0.87 erreicht und damit eine bessere Leistung als herkömmliche auf Convolutional Neural Networks basierende Modelle und repräsentative multimodale Baselines zeigt. Qualitative Analysen weisen zudem auf eine verbesserte Abstimmung zwischen Bildgebungsmustern und klinischen Faktoren hin und liefern durch aufmerksamkeitsbasierte Visualisierung interpretierbare Einblicke. Diese Ergebnisse legen nahe, dass das vorgeschlagene multimodale Framework einen potenziellen Ansatz zur Risikostratifizierung des postoperativen UTUC-Rezidivs bietet und das Potenzial hat, klinische Entscheidungen und ein risikoadaptiertes postoperatives Management zu unterstützen.
Journal-IF-Äquivalent: 3.9 (OpenAlex 2-Jahres-Mittelwert der Zitationshäufigkeit, Wert vom 2026-10-13, abgerufen am 2026-10-15; nicht der offizielle Clarivate-IF)Referenz: Liu D, Zhao T, Zhang S, Fang L. CLIP-CGPNet: Ein multimodales klinisches Entscheidungsunterstützungssystem zur Vorhersage des Wiederauftretens von UTUC nach der Operation. J Digit Imaging Inform med. 2026 Oct 13 [Epub vor Drucklegung]. doi:10.1007/s10278-026-02358-4.Geprüft: Nur Zusammenfassung
Alle 1 Beiträge zur Krebsbiologie ansehen →
Brustkrebs: Behandlung, Studien und KI
- Zusammenfassung
Die präoperative molekulare Subtypisierung von Brustkrebs ist für die Therapiewahl und die Prognosebewertung unerlässlich, doch die meisten Deep-Learning-Ansätze formulieren die Subtypvorhersage als herkömmliche flache Mehrklassenaufgabe, ohne den sequenziellen klinischen Entscheidungsprozess abzubilden. Wir haben HCF-Net entwickelt, ein hierarchisches Kaskaden-Fusionsnetzwerk, das die Subtypvorhersage in drei klinisch ausgerichtete binäre Entscheidungsknoten zerlegt und mehrphasige DCE-MRT mit klinisch-radiologischen Informationen integriert. Das Modell wurde retrospektiv anhand einer Kohorte aus zwei Zentren mit 373 Frauen entwickelt und validiert, die sich einer präoperativen mehrphasigen 3.0-T-DCE-MRT unterzogen hatten. Auf einem unabhängigen Testdatensatz (n = 75) erreichte HCF-Net eine Macro-AUC von 0.868 (95-%-KI, 0.806-0.923), eine Genauigkeit von 73.3 %, einen Macro-F1 von 0.732 und ein Cohen's κ von 0.631. Das Fusionsmodell erzielte durchgängig die höchste AUC über alle drei hierarchischen Entscheidungsknoten hinweg: 0.890 für luminale gegenüber nicht-luminalen Tumoren, 0.865 für Luminal-A- gegenüber Luminal-B-Tumoren und 0.974 für HER2-angereicherte gegenüber triple-negativen Tumoren. Dieselbe Rangfolge der Klassifikationsstrategien wurde mit einem ConvNeXt-Tiny-Backbone beobachtet. Im Vergleich zu herkömmlichen flachen Klassifikationsstrategien brachten die hierarchische Kaskadenzerlegung und die Fusion auf Entscheidungsebene erhebliche Leistungsgewinne. Diese Ergebnisse legen nahe, dass ein hierarchisches Fusionsframework, das sich an klinischen Entscheidungspfaden orientiert, ein wirksamer und interpretierbarer Ansatz für die präoperative Vorhersage molekularer Subtypen von Brustkrebs sein kann.
Journal-IF-Äquivalent: 3.9 (OpenAlex 2-Jahres-Mittelwert der Zitationshäufigkeit, Wert vom 2026-10-13, abgerufen am 2026-10-15; nicht der offizielle Clarivate-IF)Referenz: Chen Y, Hu L, Hou J, Xie Y, Nie S, Jiang Y, et al. 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 [Epub ahead of print]. doi:10.1007/s10278-026-02331-1.Geprüft: Nur Zusammenfassung - Zusammenfassung
Habitat-Radiomics charakterisiert die Textur innerhalb von Tumorsubregionen, verwirft jedoch die räumlichen Beziehungen zwischen ihnen. Wir entwickelten ein von der Landschaftsökologie inspiriertes Framework, das die räumliche Struktur zwischen Habitaten in der DCE-MRT quantifiziert, bewerteten seinen komplementären Wert neben der Radiomics innerhalb der Habitate und verglichen frühe mit später Fusion, wobei die Vorhersage von Metastasen in axillären Lymphknoten (ALNM) als Evaluationsaufgabe diente. In dieser multizentrischen retrospektiven Studie wurden 284 Patientinnen und Patienten aus einem Zentrum zufällig in eine Trainingskohorte (n = 198) und eine Validierungskohorte (n = 86) aufgeteilt; 120 Patientinnen und Patienten einer unabhängigen Einrichtung dienten als externer Testdatensatz. Die Tumoren wurden durch k-Means-Clustering von 19 voxelweisen Texturdeskriptoren in sechs Habitate unterteilt, wobei die Zentroiden ausschließlich aus der Trainingskohorte abgeleitet wurden. Es wurden drei Merkmalsdomänen konstruiert: 8 klinische Parameter, 642 Radiomics-Merkmale innerhalb der Habitate und 94 Merkmale der räumlichen Struktur zwischen den Habitaten, die Fragmentierung (n = 30), Morphologie (n = 24), Kontakt zwischen Habitaten (n = 15), Abstand zwischen Habitaten (n = 15), Flächenverhältnis (n = 6) und Diversität (n = 4) umfassen. Im externen Testdatensatz führte die schrittweise Fusion zu inkrementellen Zugewinnen bei der AUC: klinisch allein 0,754, plus Radiomics innerhalb der Habitate 0,843, plus räumliche Struktur zwischen den Habitaten 0,863 (95-%-KI 0,792-0,934). Das vollständige Modell mit früher Fusion erzielte eine höhere AUC als die Modelle nur mit klinischen Daten (DeLong P = 0,011) und nur mit räumlicher Struktur (P = 0,044); die frühe Fusion ergab numerisch eine höhere AUC als die späte Fusion, ohne Signifikanz zu erreichen (0,863 vs. 0,851, P = 0,636). Die beiden Bildgebungsmodelle mit jeweils nur einer Domäne waren statistisch nicht unterscheidbar (0,817 vs. 0,784, P = 0,512). Die räumliche Struktur zwischen den Habitaten erfasst eine Tumororganisation, die von der herkömmlichen Habitat-Radiomics übersehen wird, und liefert komplementäre Informationen für die präoperative ALNM-Vorhersage.
Journal-IF-Äquivalent: 3.9 (OpenAlex 2-Jahres-Mittelwert der Zitationshäufigkeit, Wert vom 2026-10-13, abgerufen am 2026-10-15; nicht der offizielle Clarivate-IF)Referenz: Liu P, Wang P, Zou X, Zhang Q, Wang W. Von der Intra- zur Inter-Habitat-Analyse: Räumliche Strukturmerkmale zur Vorhersage von Axillarlymphknotenmetastasen in der Brust-DCE-MRT. J Digit Imaging Inform med. 2026 Oct 13 [Epub vor Drucklegung]. doi:10.1007/s10278-026-02384-2.Geprüft: Nur Zusammenfassung
Alle 2 Beiträge zur Brust ansehen →
Lungenkrebs: Behandlung, Studien und KI
- Zusammenfassung
HINTERGRUND: Das pulmonale muzinöse Adenokarzinom (PMA) ist ein seltener Subtyp des Lungenadenokarzinoms, für den es an einer umfassenden pathologischen Klassifikation und an Prognosefaktoren mangelt. In dieser Studie schlagen wir ein multimodales Framework des maschinellen Lernens (ML) vor, das mehrere Datenmodalitäten integriert, um die Subtypklassifikation und die Prognosevorhersage des PMA zu verbessern. METHODEN: In diese retrospektive Studie wurden 175 primäre PMA-Fälle mit Angaben zu demografischen, histopathologischen und computertomografischen (CT) Bildgebungsdaten sowie zu Mutationsdaten des epidermalen Wachstumsfaktorrezeptors ( EGFR ) eingeschlossen. Für die histologische Klassifikation wurde ein LASSO-regularisiertes (Least Absolute Shrinkage and Selection Operator) logistisches Regressionsmodell verwendet, für die Überlebensvorhersage mit interner Validierung ein Cox-Proportional-Hazards-Modell. ERGEBNISSE: Das reine muzinöse Adenokarzinom zeigte häufiger eine geringere radiologische oder pathologische Tumorgröße, eine Lokalisation im Unterlappen, niedrigere Raten von Lymphknotenmetastasen und Ausbreitung über Luftwege (STAS), ein frühes pathologisches Stadium, ein karzinoembryonales Antigen (CEA) ≤5 ng/mL, einen spikulierten Rand, eine niedrige Ki-67-Expression und eine geringere Häufigkeit der EGFR-Exon-19-Deletion (P=0.002, 0.003, EGFR exon 19 deletion als unabhängige Prognosefaktoren beim PMA (P=0.04 bzw. 0.049). Darüber hinaus zeigten Kaplan-Meier-Kurven signifikant unterschiedliche Verläufe zwischen den anhand des Nomogramm-Scores stratifizierten Niedrig- und Hochrisikogruppen (P<0.001). SCHLUSSFOLGERUNGEN: Das pulmonale reine muzinöse Adenokarzinom wies im Vergleich zum gemischten muzinösen und schleimsezernierenden Typ eine geringere Malignität auf. Das in dieser Studie entwickelte und validierte Nomogramm-Modell zeigte eine vielversprechende Wirksamkeit bei der präoperativen Vorhersage des histologischen Subtyps und des Überlebens von Patienten mit PMA und bietet Klinikern eine Orientierungshilfe für Diagnose und Prognosevorhersage.
Journal-IF-Äquivalent: 1.4 (OpenAlex 2-Jahres-Mittelwert der Zitationshäufigkeit, Wert vom 2026-10-13, abgerufen am 2026-10-15; nicht der offizielle Clarivate-IF)Referenz: 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.Geprüft: Nur Zusammenfassung - Zusammenfassung
HINTERGRUND: Hirnmetastasen bleiben bei Patienten mit kleinzelligem Lungenkarzinom (SCLC) auch nach prophylaktischer Schädelbestrahlung (PCI) ein wichtiges klinisches Problem. Die genaue Identifizierung von Patienten mit hohem Risiko für Hirnmetastasen nach PCI kann eine individualisierte Überwachung und Behandlung erleichtern. In dieser Studie wurde ein Fusionsmodell entwickelt, das auf zweieinhalbdimensionalen (2,5D) mehrkanaligen Deep-Learning-Merkmalen, klinischen Merkmalen und Radiomics-Merkmalen basiert, um vorherzusagen, ob Patienten mit SCLC nach PCI Hirnmetastasen entwickeln. METHODEN: In diese retrospektive Studie wurden 185 Patienten mit SCLC eingeschlossen, die eine PCI erhalten hatten, und zufällig in einen Trainingsdatensatz (N=148) und einen Testdatensatz (N=37) aufgeteilt. Auf Grundlage multiplanarer Regions of Interest (ROI) aus CT-Bildern wurde ein 2,5D-mehrkanaliges Convolutional-Neural-Network-(CNN-)Modell konstruiert, um 2,5D-Deep-Learning-Merkmale zu extrahieren. Basierend auf dem größten Querschnitt und dem dreidimensionalen (3D) Volumen der Tumor-ROI wurden jeweils zweidimensionale (2D) und 3D-Deep-Learning-Merkmale extrahiert. Anschließend wurden Merkmale unterschiedlicher Dimensionen mit klinischen Merkmalen und herkömmlichen Omics-Merkmalen fusioniert, um die Modelle 2D_clinic_Rad, 2.5D_clinic_Rad bzw. 3D_clinic_Rad zu konstruieren. Danach wurden die Leistungsunterschiede zwischen den 3D-Modellen und den klinischen sowie herkömmlichen Radiomics-Modellen verglichen. ERGEBNISSE: Das Fusionsmodell 2.5D_clinic_Rad zeigte die beste Leistung bei der Vorhersage von Hirnmetastasen und erreichte im Testdatensatz eine Fläche unter der Kurve (AUC) von 0,841; damit übertraf es klinische Modelle, herkömmliche Radiomics-Modelle sowie 2D- und 3D-Deep-Learning-Fusionsmodelle. Die Analyse von Entscheidungskurven und Kalibrierungskurven zeigte, dass das Modell 2.5D_clinic_Rad im Vergleich zu den anderen Modellen den höchsten klinischen Nettonutzen und die beste Kalibrierungskonsistenz aufwies. SCHLUSSFOLGERUNGEN: Das auf 2.5D_clinic_Rad basierende Fusionsmodell kann das Risiko für Hirnmetastasen bei Patienten mit SCLC nach prophylaktischer Ganzhirnbestrahlung wirksam vorhersagen.
Journal-IF-Äquivalent: 2.5 (OpenAlex 2-Jahres-Mittelwert der Zitationshäufigkeit, Wert vom 2026-10-13, abgerufen am 2026-10-15; nicht der offizielle Clarivate-IF)Referenz: Zhang X, Zhao L, Wang J, Zhang X, Liang X, Cao W, et al. Interpretierbares Deep Learning und Radiomics zur Vorhersage des Auftretens von Hirnmetastasen nach prophylaktischer Hirnbestrahlung bei kleinzelligem Lungenkarzinom. Transl Lung Cancer Res. 2026 Sep;15(9):281-1. doi:10.21037/tlcr-2026-0708.Geprüft: Nur Zusammenfassung
Alle 2 Beiträge zur Lunge ansehen →
Bauchspeicheldrüsenkrebs: Behandlung, Studien und KI
Kein neuer qualifizierter Beitrag für diese Ausgabe.
Prostatakrebs: Behandlung, Studien und KI
Kein neuer qualifizierter Beitrag für diese Ausgabe.
Adenoid-zystisches Karzinom: Behandlung, Studien und KI
Kein neuer qualifizierter Beitrag für diese Ausgabe.
Hirntumoren: Behandlung, Studien und KI
- Zusammenfassung
Das Ansprechen des Glioblastoms (GBM) auf die Behandlung ist hochgradig heterogen. Die Vorhersage von Behandlungsergebnissen anhand der MRT vor der Therapie ist ein kritischer, bislang ungedeckter Bedarf, doch der klinische Einsatz von „Black-Box“-Modellen des Deep Learning (DL) wird durch mangelnde Transparenz behindert. Es müssen noch belastbare, ganzheitliche Validierungsrahmen entwickelt werden, um klinisches Vertrauen zu ermöglichen. Eine mehrschichtige Pipeline der erklärbaren KI (XAI) wurde eingesetzt, um ein zuvor entwickeltes Deep-Learning-Modell zur Vorhersage des Gesamtüberlebens bei GBM zu analysieren. Erstens wurde der visuelle Fokus des Modells qualitativ und quantitativ untersucht. Zweitens wurde die Merkmalsabhängigkeit des Modells mithilfe von Eingabe-Ablationsstudien quantifiziert. Drittens wurde durch lineares Probing der internen Repräsentationen nachverfolgt, in welcher Tiefe Klasseninformationen dekodierbar werden. Schließlich wurden die klinischen Auswirkungen der KI und ihrer Erklärungen in einer Multi-Reader-Multi-Case-Studie (37 Patienten, 4 Befunder, 3 Phasen, 444 Beobachtungen) mithilfe von Generalised Estimating Equations (GEE) und Cluster-Bootstrapping bewertet. Die Analyse offenbarte eine Heuristik der hohen Intensität: Hyperintense Pixel am Schädelrand verankerten „Langzeit“-Vorhersagen, während das Modell in deren Abwesenheit auf Grundlage der Tumor-Anreicherung standardmäßig „Kurzzeit“ vorhersagte. Die Ablationsstudie bestätigte diese Abhängigkeit, und das lineare Probing wies in dieselbe Richtung. In der klinischen Studie verbesserte die KI-Unterstützung die Genauigkeit der Experten signifikant (OR 1.598, p < 0.01), ohne die Sicherheit künstlich zu erhöhen (p = 0.561). Wichtig ist, dass die Ergänzung durch XAI-Heatmaps mit einer Veränderung der Art und Weise einherging, wie Experten den KI-Score nutzten (Interaktion p < 0.01), sowie mit weniger Patienten, die fälschlicherweise als Langzeitüberlebende eingestuft wurden. Eine hohe Vorhersagegenauigkeit kann die Abhängigkeit von Intensitätsheuristiken auf niedriger Ebene verschleiern. Während eine oberflächliche Interpretation von Saliency-Maps gefährlich ist, decken mehrschichtige Audits diese Abkürzungen auf. Klinisch gingen räumliche Heatmaps mit einer verbesserten diagnostischen Genauigkeit der Experten und einer Verschiebung der Entscheidungsstrategie einher.
Journal-IF-Äquivalent: 3.9 (OpenAlex 2-Jahres-Mittelwert der Zitationshäufigkeit, Wert vom 2026-10-13, abgerufen am 2026-10-15; nicht der offizielle Clarivate-IF)Referenz: Andres R, Moreau NN, Dessoude L, Le Henaff L, Missohou F, Stefan D, et al. Explainability and Clinical Trust of Deep Learning in Glioblastoma Treatment Efficacy Prediction: A Comprehensive Framework. J Digit Imaging Inform med. 2026 Oct 13 [Epub ahead of print]. doi:10.1007/s10278-026-02381-5.Geprüft: Nur Zusammenfassung - Zusammenfassung
HINTERGRUND: Eine hohe CD9-Expression ist signifikant mit einem kürzeren Gesamtüberleben (OS) bei Patienten mit diffusen Gliomen vom Erwachsenentyp (ADGs) assoziiert. Gleichzeitig haben Wirkstoff-Screening-Analysen Emetin als potenziellen zielgerichteten Wirkstoff für Gliome mit hoher CD9-Expression identifiziert, was darauf hindeutet, dass CD9 als neuartiger Biomarker dienen könnte, der das Potenzial hat, die Diagnose und Behandlung von Gliomen zu verändern. Ziel dieser Studie war es, ein auf präoperativen Magnetresonanztomographie-(MRT-)Bildern basierendes KI-Vorhersagemodell zu entwickeln, um die frühzeitige Identifizierung einer hohen CD9-Expression bei Patienten mit ADGs zu erleichtern. METHODEN: Wir erhoben retrospektiv CD9-Expressionsdaten von 262 Patienten mit ADGs aus den Kohorten des The Cancer Genome Atlas (TCGA) und des Chinese Glioma Genome Atlas (CGGA). Anhand präoperativer MRT-Sequenzen [kontrastverstärkte T1-gewichtete Bildgebung (CET1) und T2-gewichtete Bildgebung (T2WI)] wurden mithilfe des K-Means-Clustering-Algorithmus Habitat-Merkmale zusammen mit radiomischen Merkmalen extrahiert. Zusätzlich wurden mehrkanalige 2,5-dimensionale Deep-Learning-Daten (2.5D_DL) auf Basis neuronaler Netzarchitekturen, darunter ResNet101, DenseNet121 und SimpleViT, erstellt und DL-Merkmale extrahiert. Sieben Klassifikatoren wurden verwendet, um individuelle Radiomics-, Habitat- und 2.5D_DL-Vorhersagemodelle zu konstruieren. Anschließend wurde über eine Ensemble-Fusionsstrategie ein Stacking-Modell zur Vorhersage einer hohen CD9-Expression entwickelt. Die Modellleistung wurde anhand von Receiver-Operating-Characteristic-(ROC-)Kurven bewertet, die klinische Wirksamkeit mittels Entscheidungskurvenanalyse (DCA) beurteilt. Eine Shapley-Additive-Explanations-(SHAP-)Analyse wurde durchgeführt, um die Interpretation der Modelle zu untersuchen und die Transparenz der Vorhersagen des maschinellen Lernens zu erhöhen. Darüber hinaus wurden die Patienten anhand der Scores des Stacking-Modells in Gruppen mit hohem und niedrigem Risiko eingeteilt, und Überlebensunterschiede wurden mittels Kaplan-Meier-Analyse und Log-Rank-Test verglichen. ERGEBNISSE: Das Habitat-Modell zeigte höhere ROC-Kurven-Werte [Fläche unter der ROC-Kurve (AUC)] als das Radiomics-Modell. Unter den mehrkanaligen 2.5D_DL-Modellen erzielte das SimpleViT-Modell eine etwas bessere Leistung als die auf Convolutional Neural Networks (CNN) basierenden Modelle (ResNet101 und DenseNet121). Das finale Stacking-Modell, das die Ausgaben der Habitat-, Radiomics- und 2.5D_DL-Modelle integrierte, wies überlegene AUC-Werte auf. Die AUC erreichte 0,999 im Trainingsdatensatz, 0,822 im Validierungsdatensatz und 0,728 im Testdatensatz. Der DeLong-Test bestätigte statistisch signifikante Unterschiede in den AUC-Werten der einzelnen Modelle im Trainingsdatensatz, in den übrigen Datensätzen wurden jedoch keine statistisch signifikanten Unterschiede beobachtet. Außerdem wurde durch die DCA ein erhöhter klinischer Nettonutzen über einen breiteren Bereich von Risikoschwellen für dieses integrierte Modell nachgewiesen. Die prognostische Stratifizierung durch das Stacking-Modell zeigte signifikante Unterschiede in den Überlebensergebnissen zwischen Hochrisiko- und Niedrigrisikogruppen. SCHLUSSFOLGERUNGEN: Das auf präoperativer MRT basierende Stacking-Modell identifiziert Patienten mit hoher CD9-Expression unter ADGs effektiv und stratifiziert das Patientenrisiko, wodurch es die klinische Therapieentscheidung und die individualisierte Prognosebewertung unterstützt. Prospektive multizentrische Daten sind weiterhin erforderlich, um die prognostische Leistung und Generalisierbarkeit dieses Modells zu validieren.
Journal-IF-Äquivalent: 1.4 (OpenAlex 2-Jahres-Mittelwert der Zitationshäufigkeit, Wert vom 2026-10-13, abgerufen am 2026-10-15; nicht der offizielle Clarivate-IF)Referenz: 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.Geprüft: Nur Zusammenfassung
Alle 2 Beiträge zum Gehirn ansehen →
Eierstockkrebs: Behandlung, Studien und KI
Kein neuer qualifizierter Beitrag für diese Ausgabe.
Gebärmutterkörperkrebs: Behandlung, Studien und KI
Kein neuer qualifizierter Beitrag für diese Ausgabe.
Magenkrebs: Behandlung, Studien und KI
Kein neuer qualifizierter Beitrag für diese Ausgabe.
Leberkrebs: Behandlung, Studien und KI
- Zusammenfassung
HINTERGRUND: Das hepatozelluläre Karzinom (HCC) ist weltweit eine der führenden Ursachen krebsbedingter Mortalität, und die TP53-Mutation fungiert als Trunk-Mutation, die die Tumorprogression vorantreibt. Der TP53-Mutationsstatus kann derzeit jedoch nur durch eine invasive Leberbiopsie bestimmt werden. Diese Studie nutzt multiregionale Radiomics-Merkmale aus der Magnetresonanztomographie (MRT), um P53-mutierte HCC vorherzusagen, und bietet ein nicht-invasives Instrument zur Identifizierung dieses invasiven Subtyps. METHODEN: In dieser retrospektiven Studie wurden Daten von 320 Patienten, die sich einer präoperativen MRT unterzogen hatten, analysiert und in eine Trainingskohorte (TC; n=224) und eine Validierungskohorte (VC; n=96) aufgeteilt. Klinische Risikofaktoren wurden mittels schrittweiser Regression identifiziert, um Vorhersagemodelle zu erstellen. Wir evaluierten drei Machine-Learning-Klassifikatoren über sechs MRT-Sequenzen hinweg, und die Methode des Least Absolute Shrinkage and Selection Operator wurde angewendet, um aus vier Regionen (gesamter Tumor, IntraPeri_9mm, IntraPeri_11mm und IntraPeri_13mm) das beste IntraPeri-Fusionsmodell auszuwählen und ein Radiomics-Modell zu erstellen. Das prädiktive Nomogramm für P53-mutierte HCC integrierte diese klinischen Prädiktoren mit diskriminativen Radiomics-Merkmalen, und seine Leistung wurde mittels Receiver-Operating-Characteristic-Analyse, Kalibrierung und Entscheidungskurven bewertet. ERGEBNISSE: Unter den 320 Patienten (259 Männer und 61 Frauen; mittleres Alter 58,25±11,51 Jahre) hatten 183 ein P53-mutiertes HCC und 137 ein nicht-P53-mutiertes HCC. Der größte Tumordurchmesser (LTD), der Edmondson-Steiner-Grad und die randständige arterielle Phasen-Hyperperfusion (rim arterial phase hyperenhancement) wurden als unabhängige Prädiktoren für P53-mutierte HCC identifiziert. Der ExtraTrees-Klassifikator auf Basis von Radiomics-Merkmalen aus der optimalen MRT-Sequenz [T1-gewichtete Bildgebung – arterielle Phase (T1WI-AP)] innerhalb der Region IntraPeri_11mm erreichte eine hohe Vorhersagegenauigkeit [Fläche unter der Kurve (AUC) TC =0,805; AUC VC =0,660]. Das prädiktive Nomogramm, das klinische und Radiomics-Merkmale integriert, zeigte sowohl in der TC [AUC =0,815; 95-%-Konfidenzintervall (KI): 0,758–0,872] als auch in der VC (AUC =0,802; 95-%-KI: 0,713–0,890) eine ausgezeichnete Leistung. Die Entscheidungskurvenanalyse bestätigte darüber hinaus den klinischen Nutzen. SCHLUSSFOLGERUNGEN: Ein Nomogramm, das ein klinisches Modell mit IntraPeri_11mm-Radiomics kombiniert, kann als wirksamer Prädiktor des präoperativen P53-Mutationsstatus bei HCC dienen.
Journal-IF-Äquivalent: 1.4 (OpenAlex 2-Jahres-Mittelwert der Zitationshäufigkeit, Wert vom 2026-10-13, abgerufen am 2026-10-15; nicht der offizielle Clarivate-IF)Referenz: Weng J, Yao D, Zeng Q, He Y, Yang C, Yang B. Magnetic resonance imaging-based radiomics for predicting P53-mutated hepatocellular carcinoma: intratumoral and peritumoral analysis. Transl Cancer Res. 2026 Sep;15(9):709-9. doi:10.21037/tcr-2026-1579.Geprüft: Nur Zusammenfassung
Alle 1 Beiträge zur Leber ansehen →
Nierenkrebs: Behandlung, Studien und KI
Kein neuer qualifizierter Beitrag für diese Ausgabe.
Blasenkrebs: Behandlung, Studien und KI
Kein neuer qualifizierter Beitrag für diese Ausgabe.