KI und Krebsforschung ── 2026-10-26
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（2） · Brust（2） · Lunge（1） · Pankreas（0） · Prostata（1） · ACC（0） · Gehirn（2） · Ovarial（0） · Endometrium（0） · Magen（1） · Leber（2） · Niere（0） · Harnblase（1）
Molekulare Krebsbiologie und KI
- Zusammenfassung
Die Einzelzell-Glykan- und RNA-Sequenzierung (scGR-seq) ermöglicht die Charakterisierung zellulärer Glykan-Heterogenität. Hier stellen wir scGlycoAI vor, ein interpretierbares Machine-Learning-Framework, das scGR-seq-Daten für eine glykanzentrierte biologische Erkenntnisgewinnung integriert. Unter Verwendung von Lectin-Bindungsprofilen als Eingabe nutzt scGlycoAI hierarchisches Machine Learning, um Zelltypen und -subtypen in komplexen Tumormikroumgebungen präzise zu klassifizieren. Angewendet auf Datensätze zum pankreatischen duktalen Adenokarzinom (PDAC) erreichte scGlycoAI allein mit Glykan-Merkmalen eine Gesamtgenauigkeit der Achtklassen-Klassifikation von 90.3% bei Leave-one-patient-out-Validierung. Diese Ergebnisse zeigen, dass Glykan-Signaturen trotz ihrer geringeren Dimensionalität im Vergleich zu transkriptomischen Profilen für eine robuste Zelltyp-Annotation ausreichen und zelltypspezifische molekulare Signaturen darstellen. Die Feature-Importance-Analyse identifizierte die PVL-Lectin-Bindung, die die Erkennung sialylierter und/oder GlcNAc-haltiger Glykane widerspiegelt, als Schlüsselmerkmal aggressiver Krebszustände. Ein neuronales Netzwerkmodell in Kombination mit einer SHAP-basierten Interpretation zeigte zudem, dass eine erhöhte PVL-Bindung mit transkriptionellen Programmen verbunden war, die mit epithelial-mesenchymaler Transition, KRAS-Signalgebung, Umbau der extrazellulären Matrix und entzündlichen Reaktionen verknüpft sind. Eine höhere Expression der PVL-assoziierten Gensignatur war in der TCGA-Kohorte des pankreatischen Adenokarzinoms mit einem schlechteren Gesamtüberleben verbunden. Insgesamt deuten diese Befunde darauf hin, dass glykanbasiertes Machine Learning eine präzise Zellklassifikation ermöglicht und zugleich biologische Einblicke in mit Malignität assoziierte Glykan-Zustände mit Einzelzellauflösung liefert. Dieses Framework bietet eine Grundlage für die glykanzentrierte Biomarker-Entdeckung und die Entwicklung glykangerichteter Therapeutika.
Journal-IF-Äquivalent: 2.3 (OpenAlex 2-Jahres-Durchschnitt der Zitierhäufigkeit, Wert vom 2026-10-25, abgerufen am 2026-10-26; nicht der offizielle Clarivate-IF)Referenz: Anh DXT, Tateno H. scGlycoAI: Analyse von Einzelzell-Glykan- und RNA-Sequenzierungsdaten mittels maschinellen Lernens zur Zelltyp-Annotation und Entdeckung malignitätsassoziierter Glykane. Glycobiology. 2026 Oct 24 [Epub ahead of print]. doi:10.1093/glycob/cwag100. PMID: 42925266.Geprüft: Nur Zusammenfassung - Zusammenfassung
In der klinischen Leber-MRT sind diffusionsgewichtete Bildgebung (DWI) und dynamische kontrastverstärkte Bildgebung (DCE) gängige und sich ergänzende Sequenzen, insbesondere für die Diagnose und Beurteilung von Lebertumoren. Eine genaue Registrierung zwischen den beiden Modalitäten erleichtert die anschließende quantitative Analyse und die multimodale bildbasierte Auswertung. Obwohl tiefes Lernen bei der Bildregistrierung bemerkenswerte Fortschritte erzielt hat, bestehen in der multiparametrischen Leberbildgebung weiterhin erhebliche Herausforderungen, hauptsächlich aufgrund deutlicher Kontrastunterschiede, ausgeprägter Atembewegung, begrenzter Trainingsdaten aus einzelnen Zentren und Heterogenität zwischen Zentren. Diese Studie schlägt ein kreuzmodales Registrierungs-Framework für Leber-DWI und DCE über multizentrische Datensätze hinweg vor. Zunächst wird ein Multi-Task-Synthese-Registrierungsnetzwerk (SynReg) eingeführt, das Bildsynthese und Registrierung in einer einheitlichen Architektur integriert, um die kreuzmodale Erscheinungsabweichung zu verringern und die deformierbare Registrierung zu erleichtern. Um das personalisierte Lernen unter Heterogenität zwischen Zentren weiter zu verbessern, schlagen wir ein Personalized Decentralized Distribution Matching (PDDM)-Framework mit SynReg als Backbone vor. PDDM führt eine kompatibilitätsbewusste selektive Kollaboration durch, indem kompatible externe Trainingsfälle identifiziert und clientspezifische Kollaborationsbeziehungen aufgebaut werden. Signal-Rausch-Abstands-Verteilungen (SNR) dienen als leichtgewichtiger Kompatibilitätsdeskriptor, während die Synthesekomponenten lokal bleiben und das Registrierungsnetzwerk selektiv zwischen kompatiblen Clients aggregiert wird. Das Framework wurde an sechs Datensätzen evaluiert, die aus fünf medizinischen Zentren stammen und auf MRT-Systemen von drei Herstellern sowohl bei niedrigen als auch bei hohen b-Wert-Einstellungen aufgenommen wurden. PDDM erreichte durchweg eine günstigere Registrierungsleistung als Einzelzentrum-Training und repräsentative personalisierte Federated-Learning-Methoden, blieb dabei eng wettbewerbsfähig mit zentralem Training auf gepoolten Daten. In Vergleichen mit alternativen Matching-Strategien zeigte PDDM die konsistenteste günstige Gesamtleistung über Zentren, b-Wert-Einstellungen und Registrierungsmetriken hinweg. Diese Ergebnisse stützen die kompatibilitätsbewusste selektive Kollaboration als wirksame Strategie für die personalisierte multizentrische Leberbildregistrierung. Der Code wird verfügbar sein unter https://github.com/ZIC-skyzrc/PDDM-SynReg.
Journal-IF-Äquivalent: 12.5 (OpenAlex 2-Jahres-Durchschnitt der Zitierhäufigkeit, Wert vom 2026-10-25, abgerufen am 2026-10-26; nicht der offizielle Clarivate-IF)Referenz: Zheng R, Yu H, Wu X, Xia X, Li R, Wang Q, et al. Personalisiertes föderales Lernen auf Basis von Verteilungsabgleich (Distribution Matching) für die multizentrische, cross-modale Registrierung von Leberbildern. Medical Image Analysis. 2027 Feb;116:104365. doi:10.1016/j.media.2026.104365.Geprüft: Nur Zusammenfassung
Alle 2 Krebsbiologie-Paper ansehen →
Brustkrebs: Behandlung, Studien und KI
- Zusammenfassung
Hintergrund: Die genaue Vorhersage der Brustkrebsmortalität wird durch ein starkes Klassenungleichgewicht und den Sensitivitäts-Spezifitäts-Trade-off eingeschränkt, was in klinischen Settings häufig hohe Falsch-Positiv-Raten verursacht. Um diese Einschränkung zu beheben, schlagen wir ein streng kalibriertes Static-Stacking-Ensemble-Framework vor.Methoden: Das Modell wurde anhand der METABRIC-Kohorte (N=1816) mit 5-facher stratifizierter Kreuzvalidierung entwickelt, während der SEER-Datensatz (N=4024) für die unabhängige externe Validierung reserviert blieb. Die Architektur kombiniert Out-of-Fold(OOF)-Vorhersagen der Basislerner Deep Neural Network, XGBoost und Random Forest. Anstelle der üblichen festen Entscheidungsschwelle (Standard τ=0.5) verwendeten wir eine datenbasierte Schwelle auf Grundlage der Youden-J-Statistik.Ergebnisse: Die Basismodelle wiesen wesentliche Einschränkungen auf, darunter eine Spezifität von 0.1997 beim eigenständigen Deep Learning und einen Gewichtskollaps in evolutionären Ensembles. Bei der optimierten Entscheidungsschwelle (τ=0.7378) brachte das vorgeschlagene Modell Sensitivität und Spezifität ins Gleichgewicht. Auf der unabhängigen Kohorte evaluiert, erzielte das Modell eine Spezifität von 0.6996, eine Sensitivität von 0.7298, eine Genauigkeit von 0.7212 und einen F1-Score von 0.7894. Das Framework erreichte einen ROC-AUC von 0.6925, eine Fläche unter der Precision-Recall-Kurve (PR-AUC) von 0.8914 und einen Brier-Score von 0.1563.Schlussfolgerung: Die Kombination aus Stacking von OOF-Vorhersagen mit einer optimierten Entscheidungsschwelle ergibt ein kalibriertes klinisches Entscheidungsunterstützungssystem (CDSS). Dieses Framework minimiert prognostische Fehlalarme und stratifiziert Hochrisikopatienten über heterogene Kohorten hinweg zuverlässig und übertrifft damit isolierte Basisarchitekturen deutlich.
Journal-IF-Äquivalent: 0.5 (OpenAlex 2-Jahres-Durchschnitt der Zitierhäufigkeit, Wert vom 2026-10-25, abgerufen am 2026-10-26; nicht der offizielle Clarivate-IF)Referenz: Abdollahi J, Gardaneh M. Kalibriertes Stacking-Ensemble-Framework für die hochpräzise Mortalitätsvorhersage bei Brustkrebs. Arch Breast Cancer. 2026 Oct 23;13(4):474-85. doi:10.32768/abc.7294618352-074.Geprüft: Nur Zusammenfassung - Zusammenfassung
HINTERGRUND: Brustkrebs ist weltweit die am häufigsten diagnostizierte Krebserkrankung bei Frauen und macht etwa 2.30 Millionen Neuerkrankungen und 666,103 Todesfälle im Jahr 2022 aus. Künstliche-Intelligenz-Technologien, darunter maschinelles Lernen, Deep Learning, Radiomics und die Verarbeitung natürlicher Sprache, finden bereits breite Anwendung über das gesamte Versorgungsspektrum bei Brustkrebs. Jedoch hat keine systematische Übersichtsarbeit, die auf Primärstudien mit Daten auf Patienten- oder Bildebene beschränkt war, Evidenz über alle klinischen Domänen hinweg gleichzeitig zusammengefasst. ZIELE: Bewertung der Leistungsfähigkeit, der methodischen Qualität und der klinischen Relevanz von KI-Primärstudien in den Bereichen Screening und diagnostische Bildgebung, digitale Pathologie, Radiomics, perioperatives Management, Prognosevorhersage und Verarbeitung natürlicher Sprache bei Brustkrebs. METHODEN: PubMed/MEDLINE, Scopus, Web of Science, Embase und die Cochrane Library wurden von Januar 2015 bis Mai 2026 durchsucht. Die Eignung war auf originäre Primärforschung mit Berichten über Daten auf Patienten- oder Bildebene beschränkt; sekundäre Synthesen wurden ausdrücklich ausgeschlossen. Das Verzerrungsrisiko wurde anhand von QUADAS-2 und PROBAST bewertet. Die Berichterstattung folgte den PRISMA-2020-Leitlinien. ERGEBNISSE: Von 5,275 identifizierten Datensätzen erfüllten 17 Primärstudien die Eignungskriterien. In der Screening-Mammographie (sieben Studien; n = 7,540 bis 144,231 Untersuchungen) erreichte Deep Learning Flächen unter der Receiver-Operating-Characteristic-Kurve (AUC) von 0.876 bis 0.939; eine randomisierte Studie mit 80,033 Frauen zeigte die Nichtunterlegenheit gegenüber der Doppelbefundung mit einer Reduktion der Arbeitsbelastung der Radiologinnen und Radiologen um 44.3%. In der digitalen Pathologie (fünf Studien; 270 bis 44,732 Whole-Slide-Images) erreichte Deep Learning AUC-Werte von 0.985 bis 0.994 und übertraf damit die Leistung unassistierter Pathologinnen und Pathologen bei der Erkennung von Lymphknotenmetastasen. Radiomics der Magnetresonanztomographie sagte die pathologische Komplettremission bei HER2-positivem Brustkrebs mit einer AUC von 0.80 voraus. Keine brustkrebspezifische perioperative Primärstudie erfüllte die Eignungskriterien. Deep-Survival-Netzwerke erreichten einen Konkordanzindex von 0.626 gegenüber 0.612 für die Cox-Regression in Brustkrebskohorten. Die Verarbeitung natürlicher Sprache identifizierte metastatische Rezidive in klinischen Brustkrebsakten mit einer Sensitivität von 83% und einer Spezifität von 73%. Das Verzerrungsrisiko war bei Bildgebungs- und Pathologiestudien niedrig bis mäßig und bei Radiomics-Studien mit kleinen Stichproben hoch. Eine nach Dichte stratifizierte Leistungsfähigkeit wurde nur von zwei Bildgebungsstudien berichtet, und die Vorhersage des Rezeptorstatus aus der Hämatoxylin-Eosin-Färbung war nicht als sichere Alternative zur Immunhistochemie validiert worden. SCHLUSSFOLGERUNGEN: Künstliche Intelligenz zeigte in den fünf Domänen, für die geeignete Primärstudien vorlagen, eine klinisch relevante Leistungsfähigkeit. Brustkrebspezifische perioperative und intensivmedizinische Primärstudien fehlten, was die größte Evidenzlücke darstellt. Externe Validierung, demografische Vielfalt und Evidenz zur prospektiven klinischen Integration blieben die am konsistentesten identifizierten Einschränkungen. Die Vorhersage des molekularen Rezeptorstatus ohne Immunhistochemie erfordert eine strenge prospektive Sicherheitsvalidierung, bevor sie die Standardtestung ergänzen kann.
Journal-IF-Äquivalent: 0.0 (OpenAlex 2-Jahres-Durchschnitt der Zitierhäufigkeit, Wert vom 2026-10-25, abgerufen am 2026-10-26; nicht der offizielle Clarivate-IF)Referenz: [Keine Autoren angegeben]. Artificial Intelligence in Breast Cancer Diagnosis, Treatment, and Perioperative Management: A Systematic Review of Current Applications and Future Perspectives. Clin Ter. [Epub vor dem Druck]. doi:10.7417/CT.2026.2172. PMID: 42922241.Geprüft: Nur Zusammenfassung
Alle 2 Beiträge zur Brust ansehen →
Lungenkrebs: Behandlung, Studien und KI
- Zusammenfassung
Das kleinzellige Lungenkarzinom (SCLC) gehört zu den tödlichsten bösartigen Tumoren des Thorax, und eine zeitnahe und genaue histopathologische Klassifikation ist entscheidend, um Therapieentscheidungen zu leiten. Bestehende Deep-Learning-Ansätze haben Schwierigkeiten, die für SCLC charakteristischen hochfrequenten Texturmerkmale der Zellkerne — wie hyperchromatisches Salz-und-Pfeffer-Chromatin und dichtes Kern-Moulding — und die räumlichen Langstreckenabhängigkeiten der Gewebeorganisation gleichzeitig zu erfassen, was die Zuverlässigkeit der Klassifikation einschränkt. Um diese Herausforderungen zu adressieren, schlägt diese Studie SCLC-SBT vor, einen hierarchischen Spectral-Bilinear Transformer zur automatisierten histopathologischen Bildklassifikation von SCLC. Das Netzwerk setzt in den ersten drei Stufen re-parametrisierbare Hybrid-Conv Blocks (HCB) mit frequenzbasiertem Spectral-Channel Attention (SCA) ein, um feinkörnige lokale Multi-Skalen-Merkmale zu extrahieren, und verwendet in der tiefsten Stufe einen neuartigen Dual-Branch Conv Linear Integration Transformer (DBCLIT), um lokale Morphologie und Langstreckenabhängigkeiten gemeinsam durch bilineare selektive State-Space-Modellierung zu modellieren. Evaluiert an einem binären Klassifikationsbenchmark mit 1,974 Bildern aus Normal- und SCLC-Gewebepatches erreicht SCLC-SBT eine Accuracy von 0.9697 (95%-KI 0.9495 bis 0.9865), einen F1-Score von 0.9728 und eine AUC von 0.9971 und erzielt bei fünf der sieben berichteten Metriken die beste Punktschätzung unter elf verglichenen Architekturen, darunter DeiT, MLP-Mixer, DaViT und CAFormer. Bootstrap-Konfidenzintervalle und paarweise durchgeführte McNemar-Tests zeigen, dass dieser Vorteil gegenüber fünf der elf Baselines statistisch signifikant ist. Im Vergleich zu den sechs stärksten Baselines — DeiT, MLP-Mixer, CAFormer, Swin-T sowie dem punktgleichen Paar PoolFormer und DaViT — ist der Unterschied bei $$\alpha =0.05$$ auf dem Testdatensatz mit 297 Stichproben nicht statistisch signifikant; SCLC-SBT ist daher am besten so zu interpretieren, dass es eine konkurrenzfähige bis überlegene Accuracy bei einem deutlich besseren Accuracy-Effizienz-Kompromiss erreicht und dabei mit rund 17 M Parametern und 7.0 G FLOPs eine wettbewerbsfähige Modelleffizienz beibehält. Die Ergebnisse zeigen, dass die Integration von Kanal-Rekalibrierung im Spektralbereich mit bilinearem State-Space-Modelling einen wirksamen induktiven Bias für das histopathologische Merkmalslernen bei SCLC bietet.
Zeitschriften-IF-Äquivalent: 5.2 (OpenAlex 2-Jahres-Durchschnitt der Zitierhäufigkeit, Wert vom 2026-10-04, abgerufen am 2026-10-05; nicht der offizielle Clarivate IF)Referenz: Liang S, Liang Y, Zheng Q, Yang J. SCLC-SBT: ein spektral-bilinearer Transformer zur Klassifizierung von histopathologischen Bildern beim kleinzelligen Lungenkarzinom. Sci Rep. 2026 Oct 24 [Epub ahead of print]. doi:10.1038/s41598-026-76898-8.Geprüft: Nur Zusammenfassung
Bauchspeicheldrüsenkrebs: Behandlung, Studien und KI
Kein neuer qualifizierter Beitrag für diese Ausgabe.
Prostatakrebs: Behandlung, Studien und KI
- Zusammenfassung
Intraoperative digitale Führung wird zunehmend in die roboterassistierte radikale Prostatektomie und die roboterassistierte Teilnephrektomie integriert, um die onkologische Präzision zu verbessern und zugleich funktionelle Ergebnisse zu erhalten. Die unterstützende klinische Evidenz bleibt begrenzt und heterogen. Dieser systematische Review, der gemäß den PRISMA-2020-Richtlinien (Preferred Reporting Items for Systematic Reviews and Meta-Analyses) durchgeführt und prospektiv in PROSPERO registriert wurde (CRD420261400733), durchsuchte PubMed, Ovid Embase und die Cochrane Library nach englischsprachigen Studien, die zwischen dem 1. Januar 2025 und dem 20. Mai 2026 veröffentlicht wurden. Einschlussfähig waren prospektive Untersuchungen an Erwachsenen, die sich wegen einer primären urologischen Krebserkrankung einer roboterassistierten radikalen Prostatektomie oder roboterassistierten Teilnephrektomie unterzogen und in denen intraoperative Augmented Reality, Mixed Reality, durch künstliche Intelligenz (KI) unterstützte Pathologie und verwandte bildgestützte Technologien mit mindestens einem klinischen oder diagnostischen Endpunkt auf Patientenebene untersucht wurden. Angesichts der erheblichen Heterogenität wurde eine narrative Synthese durchgeführt, und das Verzerrungsrisiko wurde mithilfe designspezifischer Instrumente bewertet. Von den 131 gesichteten Datensätzen wurden 93 bereits in der Phase des Titel- und Abstract-Screenings ausgeschlossen, 22 Berichte wurden nach Entfernung der Duplikate einer Volltext-Eignungsprüfung unterzogen, 16 Berichte wurden in der Phase der Volltext-Eignungsprüfung ausgeschlossen, und sechs Studien flossen in die narrative Synthese ein. Bei der radikalen Prostatektomie zeigten die 3D-KI-gestützte Augmented-Reality-Führung und die KI-verbesserte stimulierte Raman-Histopathologie vielversprechende Signale hinsichtlich der Kontrolle der Resektionsränder, der adjuvanten Behandlung, der Kontinenz und der intraoperativen Beurteilung der Resektionsränder. Bei der Teilnephrektomie verbesserte Mixed Reality die Warmischämiezeit und die Klemmstrategie, während die 3D-bildgestützte Chirurgie akzeptable onkologische und funktionelle Ergebnisse im mittelfristigen Verlauf zeigte. Insgesamt deutet die prospektive Evidenz darauf hin, dass intraoperative digitale Führung ausgewählte onkologische, funktionelle, technische und diagnostische Ergebnisse in der robotergestützten urologischen Chirurgie verbessern kann; erforderlich sind jedoch größere multizentrische vergleichende Studien mit standardisierten Endpunkten und längerer Nachbeobachtungszeit.
Journal-IF-Äquivalent: 1.2 (OpenAlex 2-Jahres-Durchschnitt der Zitierhäufigkeit, Wert vom 2026-10-25, abgerufen am 2026-10-26; nicht der offizielle Clarivate-IF)Referenz: Harrison G. Prospektive klinische Evidenz zu KI-gestützter Augmented und Mixed Reality in der roboterassistierten Prostata- und Nierenkrebschirurgie: Eine systematische Übersichtsarbeit. Cureus. 2026 Sep 23 [Epub ahead of print]. doi:10.7759/cureus.116810.Geprüft: Nur Zusammenfassung
Alle 1 Prostata-Paper ansehen →
Adenoid-zystisches Karzinom: Behandlung, Studien und KI
Kein neuer qualifizierter Beitrag für diese Ausgabe.
Hirntumoren: Behandlung, Studien und KI
- Zusammenfassung
Zweck: Die Merkmalsextraktion aus Whole-Slide-Images (WSIs) auf Basis künstlicher Intelligenz (KI) zeigt erhebliches Potenzial für die Gliomprognose. Zwar haben Foundation-Modelle der Pathologie Potenzial, doch ihren Merkmalen fehlt es typischerweise an biologischer Interpretierbarkeit und klaren Bezügen zu Krankheitsmechanismen, was ihren klinischen Translationswert begrenzt.
Methoden: Wir schlagen ein Framework auf Basis eines Clustering-Vision-Transformers (ViT) für die pathologische Bildanalyse vor. Zehntausende aus jedem WSI extrahierte Bildausschnitte wurden zunächst in 100 Gruppen geclustert. Die Foundation-Model-Merkmale der 100 Clusterzentroide wurden anschließend zusammen mit dem proportionalen Anteil jedes Clusters im gesamten Slide integriert und in das ViT-Modell zur prognostischen Vorhersage eingespeist. Die bildbasierten Risikoscores wurden ferner mit passenden RNA-seq-Daten integriert, um durch differentielle Expressions- und Pathway-Anreicherungsanalysen risikoassoziierte Gene und biologische Pathways zu identifizieren. Die prognostische Vorhersage wurde in insgesamt 2552 Fällen entwickelt und evaluiert, darunter 559 Fälle aus dem Huashan Hospital für Training und interne Tests, 309 Fälle aus dem Shanghai International Hospital als externe Validierungskohorte 1 und 1684 Fälle aus TCGA als externe Validierungskohorte 2. Pathogenomische Analysen wurden in 567 TCGA-Fällen mit passenden WSI- und RNA-seq-Daten durchgeführt und in 657 CGGA-Fällen weiter validiert.
Ergebnisse: Die vom prognostischen Modell erzeugten Risikoscores zeigten eine signifikante Korrelation mit dem Überleben der Patienten (Log-Rank P < 0.001). In bestehende Frameworks zur Risikostratifizierung integriert, verbesserten diese Risikoscores die Überlebensvorhersagen durch ein auf klinischen Informationen und dem Risikoscore basierendes Nomogramm im Vergleich zu einem klassischen klinisch-molekularen Nomogramm und erreichten einen C-Index von 0.90 sowie überlegene Kalibrierung und Klassifikationsgenauigkeit (Net Reclassification Improvement = 0.99, P < 0.001). Spezifische Gene und Signalwege zeigten signifikante Assoziationen mit den Risikoscores, und die mittleren Expressionslevel dieser Schlüsselgene wiesen sowohl in der Pathogenomics-Kohorte als auch im CGGA-Datensatz einen starken prognostischen Wert auf (Log-Rank P < 0.001).
Schlussfolgerung: Diese Ergebnisse zeigen, dass aus pathologischer Bildgebung abgeleitete Risikoscores Schlüsselgene und biologische Signalwege wirksam identifizieren können, die für die Stratifizierung von Gliompatienten in Subgruppen mit hohem und niedrigem Risiko entscheidend sind. Folglich könnten therapeutische Strategien, die das immunologische Mikromilieu des Tumors modulieren, für die mit diesem Ansatz identifizierten Hochrisiko-Patienten besonders vorteilhaft sein.
Zeitschriften-IF-Äquivalent: 5.4 (OpenAlex 2-Jahres-Durchschnitt der Zitierhäufigkeit, Wert vom 2026-10-25, abgerufen am 2026-10-26; nicht der offizielle Clarivate IF)Referenz: Pan T, Shi Z, Chen J, Yu J, Wu G. Prognostische Risikostratifikation beim Gliom auf Grundlage des Foundation-Pathology-Modells mit Identifizierung prognoseassoziierter Schlüsselgene und biologischer Signalwege: eine multizentrische Studie. acta neuropathol commun. 2026 Okt 24 [Epub vor Drucklegung]. doi:10.1186/s40478-026-02456-y.Geprüft: Nur Zusammenfassung - Zusammenfassung
HINTERGRUND: Das optimale chirurgische Management diffuser Gliome vom Erwachsenentyp (ADGs) variiert erheblich je nach Subtyp, wodurch eine genaue präoperative Subtypisierung für eine individualisierte chirurgische Planung entscheidend ist. Ziel dieser Studie war die Entwicklung eines auf Radiomics basierenden Modells zur präoperativen Subtypisierung von ADG gemäß der Klassifikation der Tumoren des Zentralnervensystems der Weltgesundheitsorganisation (WHO) von 2021. METHODEN: Insgesamt wurden 382 Patienten mit ADGs eingeschlossen und nach dem Zufallsprinzip einem Trainingsset (n = 267) und einem unabhängigen Testset (n = 115) zugeteilt. Die Tumormasken wurden automatisch segmentiert und von erfahrenen Neurochirurgen verfeinert. Radiomics-Merkmale wurden aus der MRT nach standardisierter Vorverarbeitung und Dimensionsreduktion extrahiert. Vierzehn Machine-Learning-Klassifikatoren wurden evaluiert, und das leistungsstärkste Modell wurde optimiert und am unabhängigen Testset validiert. Die Modellleistung wurde anhand von AUC, Genauigkeit, Recall, Präzision, F1-Score, Kappa-Koeffizient und Matthews-Korrelationskoeffizient bewertet. ERGEBNISSE: Nach einer LASSO-Regression (Least Absolute Shrinkage and Selection Operator) wurden 50 Schlüsselmerkmale beibehalten. Random Forest zeigte die beste vorläufige Leistung und wurde für die Optimierung ausgewählt. Am unabhängigen Testset erreichte das optimierte Modell eine makro-gemittelte AUC von 0.9084, mit günstigen Ergebnissen bei den übrigen Metriken. Texturmerkmale trugen am stärksten zur Vorhersage bei. SCHLUSSFOLGERUNG: Dieses Radiomics-Modell ermöglicht eine robuste präoperative ADG-Subtypisierung gemäß der WHO-Klassifikation von 2021 und kann eine individualisierte chirurgische Planung auf Basis routinemäßiger MRT-Merkmale unterstützen. Aufgrund seines retrospektiven Single-Center-Designs ist eine multizentrische prospektive externe Validierung erforderlich, bevor eine breite klinische Anwendung erfolgen kann.
Zeitschriften-IF-Äquivalent: 6.3 (OpenAlex 2-Jahres-Durchschnitt der Zitierhäufigkeit, Wert vom 2026-10-25, abgerufen am 2026-10-26; nicht der offizielle Clarivate IF)Referenz: Liang Y, Shi J, Zhao C, Liu J, Li K, Yang J, et al. Radiomics‐gestützte präoperative Subtypisierung diffuser Gliome vom Erwachsenentyp: Eine retrospektive Studie im Einklang mit der WHO 2021-Klassifikation. CNS Neurosci Ther. 2026 Oct 23;32(10):e71225. doi:10.1002/cns.71225. PMID: 42924459.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
- Zusammenfassung
HINTERGRUND: Viszerales Fettgewebe (VAT) ist mit der Tumorprogression beim Magenkarzinom (GC) assoziiert, sein zusätzlicher Wert für die Vorhersage einer Lymphknotenmetastasierung (LNM) bleibt jedoch unklar. ZIEL: Ziel dieser Studie war es, ein DR-DLR-Modell zu konstruieren, das CT-basierte Merkmale sowohl aus dem VAT als auch aus dem Tumor einbezieht, mit dem Ziel, eine LNM bei GC-Patienten vorherzusagen, und gleichzeitig dessen biologische Relevanz zu untersuchen. METHODEN: 855 GC-Patienten wurden retrospektiv in drei klinischen Zentren erfasst und in eine primäre Kohorte, eine interne Testkohorte und zwei unabhängige externe Validierungskohorten unterteilt. Ein Attention Residual Transformation Network (ARTNet) extrahierte bildgebende Repräsentationen aus CT-Bildern. Merkmalsrepräsentationen und klinische Variablen wurden mittels eines Multilayer-Perzeptrons (MLP) integriert, um das DR-DLR-Modell aufzubauen. Modellleistung, Generalisierbarkeit, prognostischer Wert und biologische Relevanz wurden durch internes/externes Testing, einen Radiologenvergleich, Überlebensanalyse und Radiogenomik-Analyse bewertet. ERGEBNISSE: Die Einbeziehung aus dem VAT abgeleiteter Merkmale verbesserte die Vorhersageleistung im Vergleich zu reinen Tumor-Modellen. Das DR-DLR-Modell erzielte Flächen unter der Receiver-Operating-Characteristic-Kurve (AUC) von 0.898 (95 %-KI: 0.817-0.946), 0.834 (95 %-KI: 0.743-0.897) bzw. 0.848 (95 %-KI: 0.775-0.901) in der internen und den beiden externen Testkohorten. Es übertraf Junior- und Seniorradiologen bei der LNM-Beurteilung. Das Gesamtüberleben war bei Hochrisikopatienten kürzer als bei Niedrigrisikopatienten. Die Radiogenomik-Analyse zeigte, dass der Hochrisiko-Phänotyp mit der Aktivierung immunbezogener Signalwege und einer erhöhten Infiltration von CD4 + T-Zellen, Plasmazellen, dendritischen Zellen und Mastzellen einherging. SCHLUSSFOLGERUNG: Das DR-DLR-Modell verbesserte die LNM-Vorhersage, wobei sein Hochrisiko-Phänotyp mit immunbezogenen molekularen Veränderungen verknüpft war, was seinen Wert für die präoperative Risikostratifizierung unterstreicht.
Zeitschriften-IF-Äquivalent: 3.6 (OpenAlex 2-Jahres-Durchschnitt der Zitierhäufigkeit, Wert vom 2026-10-11, abgerufen am 2026-10-12; nicht der offizielle Clarivate IF)Referenz: Miao S, Xiong Z, Yang H, Zhang L, Qi H, Liu Z, et al. Einbeziehung von viszeralem Fettgewebe in CT-basierte Dual-Region-Deep-Learning-Radiomics verbessert die präoperative Vorhersage von Lymphknotenmetastasen beim Magenkarzinom: Eine multizentrische Studie. European Journal of Radiology. 2027 Jan;206:113309. doi:10.1016/j.ejrad.2026.113309.Geprüft: Nur Zusammenfassung
Leberkrebs: Behandlung, Studien und KI
- Zusammenfassung
ZIEL: Entwicklung eines auf der Magnetresonanztomographie (MRT) basierenden Radiomics-klinischen Modells zur nichtinvasiven Vorhersage der Expression des Fibroblastenaktivierungsproteins (FAP) beim hepatozellulären Karzinom (HCC) sowie Untersuchung seines Zusammenhangs mit Charakteristika der Tumor-Mikroumgebung (TME) und einem potenziellen Immuntherapie-Ansprechen. PATIENTEN UND METHODEN: Diese retrospektive Studie umfasste 104 HCC-Patienten aus dem Fourth Hospital of Hebei Medical University, 31 externe MRT-Fälle aus The Cancer Imaging Archive (TCIA) und 363 transkriptomische Profile aus The Cancer Genome Atlas (TCGA). Die Immunhistochemie (IHC) bewertete die FAP-Expression. Tumorregionen wurden manuell segmentiert, und Radiomics-Merkmale wurden mit PyRadiomics extrahiert. Zur Konstruktion und Validierung von Modellen zur Vorhersage der FAP-Expression wurden mehrere Machine-Learning-Klassifikatoren eingesetzt. Die logistische Regression wurde aufgrund ihrer ausgewogenen Leistung zwischen Trainings- und Validierungskohorte gewählt, mit dem kleinsten Unterschied der Fläche unter der Kurve (AUC) unter den fünf Machine-Learning-Algorithmen. Ein kombiniertes Radiomics-klinisches Modell wurde darüber hinaus entwickelt, indem der Radscore mit klinischen Indikatoren integriert wurde. Eine radiogenomische Analyse untersuchte radscore-assoziierte transkriptomische Merkmale und Charakteristika der Immunzellinfiltration. ERGEBNISSE: In der Validierungskohorte betrugen die AUC-Werte der intratumoralen, peritumoralen und intratumoralen + peritumoralen Radiomics-Modelle 0.757, 0.502 bzw. 0.784. Das intratumorale + peritumorale Modell erreichte zudem eine Sensitivität von 0.692 und eine Spezifität von 0.788 und zeigte damit die beste Gesamtunterscheidungsleistung unter den drei Modellen. Das kombinierte Radiomics-klinische Modell, das den systemischen Immunentzündungsindex (SII), den prognostischen Ernährungsindex (PNI) und den Radscore integriert, erreichte in der Validierungskohorte eine AUC von 0.816. Radscore-assoziierte transkriptomische Module identifizierten 10 Hub-Gene für die Risikostratifizierung. Patienten der Hochrisikogruppe wiesen eine ausgeprägter immunsuppressive TME und einen geringeren vorhergesagten Nutzen aus der Immuntherapie auf. SCHLUSSFOLGERUNG: Das auf der MRT basierende Radiomics-klinische Modell sagte die FAP-Expression beim HCC wirksam voraus. Der Radscore spiegelte das FAP-assoziierte immunsuppressive Remodeling der TME wider und könnte Einblicke in eine mögliche Stratifizierung des Immuntherapie-Ansprechens geben, was einer weiteren Validierung in unabhängigen, mit Immuntherapie behandelten Kohorten bedarf.
Zeitschriften-IF-Äquivalent: 2.9 (OpenAlex 2-Jahres-Durchschnitt der Zitierhäufigkeit, Wert vom 2026-10-02, abgerufen am 2026-10-03; nicht der offizielle Clarivate IF)Referenz: Gao R, Han G, Wang Q, Zhang M, Yin F. MRT-basierte Radiomik sagt FAP-Expression und immunsuppressives Tumormikromilieu beim hepatozellulären Karzinom voraus. J Hepatocell Carcinoma. 2026 Oct;Volume 13:1-18. doi:10.2147/jhc.s641948. PMID: 42924263.Geprüft: Nur Zusammenfassung - Zusammenfassung
HINTERGRUND: Obwohl die Kombination systemischer und lokoregionärer Therapien die Ergebnisse beim hepatozellulären Karzinom (HCC) verbessert hat, bleibt die Identifizierung geeigneter Kandidaten schwierig, da es kein verlässliches Instrument zur Vorhersage des Ansprechens gibt. METHODEN: Diese retrospektive Multicenter-Studie schloss 334 HCC-Patienten aus neun Zentren in China ein, die eine lokoregional-systemische Therapie in Erstlinie erhielten. Nach automatisierter Tumorsegmentierung mittels nnU-Net auf prätherapeutischen kontrastmittelverstärkten MRT-Aufnahmen wurden vordefinierte Radiomics-Merkmale computergestützt extrahiert und Deep-Learning-Merkmale über ein neuronales Faltungsnetz (ResNet) gewonnen. Drei Arten von Prädiktionsmodellen für das Tumoransprechen (Radiomics, Deep Learning und kombiniert) wurden entwickelt und an der Trainingskohorte ( n = 213), der internen Validierungskohorte (IVC, n = 53) und der externen Validierungskohorte (EVC, n = 68) validiert. Die Leistung wurde anhand der Fläche unter der Receiver-Operating-Characteristics-Kurve (AUC) und der Net Reclassification Improvement (NRI) beurteilt. Die Assoziationen des Modells mit progressionsfreiem Überleben (PFS) und Gesamtüberleben (OS) wurden untersucht. ERGEBNISSE: Von den drei Modellen (Multisequenz-Radiomics, Multisequenz-Deep-Learning und kombiniert) zeigte das kombinierte Modell die beste Vorhersageleistung, sowohl in der Trainingskohorte (AUC: 0.997, 95%-KI: 0.994-1.000) als auch in den Validierungskohorten (AUC der IVC 0.900, 95%-KI: 0.806-0.994; AUC der EVC: 0.871, 95%-KI: 0.790-0.951). Das kombinierte Modell zeigte eine signifikant verbesserte Vorhersageleistung gegenüber dem Multisequenz-Radiomics-Modell (Training NRI = 43.9%, p p = 0.038; EVC NRI = 3.2%, p = 0.806) und dem Multisequenz-Deep-Learning-Modell (Training NRI = 80.8%, IVC NRI = 72.7%, EVC NRI = 50.4%; alle p < 0.05). Insbesondere war das kombinierte Modell signifikant sowohl mit PFS als auch mit OS assoziiert. SCHLUSSFOLGERUNGEN: Das kombinierte Radiomics-Deep-Learning-Modell übertraf beide monomodalen Modelle bei der Vorhersage des objektiven Ansprechens und der Stratifizierung der Überlebensergebnisse bei nicht resektablen HCC-Patienten, die eine kombinierte systemische und lokoregionäre Therapie erhielten.
Zeitschriften-IF-Äquivalent: 5.3 (OpenAlex 2-Jahres-Durchschnitt der Zitierhäufigkeit, Wert vom 2026-10-24, abgerufen am 2026-10-26; nicht der offizielle Clarivate IF)Referenz: Wang LN, Zhou SQ, Li F, Wu LF, Xu L, Wang K, et al. Integration von MRT-basiertem Deep Learning und Radiomics zur Vorhersage des Therapieansprechens bei hepatozellulärem Karzinom unter kombinierter systemischer und lokoregionaler Therapie: Eine multizentrische Studie. Liver Cancer. 2026 Sep 7 [Epub vor dem Druck]. doi:10.1159/lic/admag009. PMID: 42924067.Geprüft: Nur Zusammenfassung
Nierenkrebs: Behandlung, Studien und KI
Kein neuer qualifizierter Beitrag für diese Ausgabe.
Blasenkrebs: Behandlung, Studien und KI
- Zusammenfassung
Das Harnblasenkarzinom (BCa) weist eine ausgeprägte molekulare Heterogenität auf und ist mit erheblichen Risiken für Rezidive, Progression und Therapieresistenz behaftet, was die Notwendigkeit neuer Biomarker unterstreicht, die auf der Ebene zellulärer Zustände definiert sind. In dieser Arbeit integrierten wir Einzelzell-RNA-Sequenzierung (scRNA-seq), räumliche Transkriptomik (ST), Bulk-RNA-Sequenzierung (bulk RNA-seq), Modelle des maschinellen Lernens (ML) und Immuntherapie-Kohorten, um stark stammzellähnliche maligne Epithelzellen beim BCa zu charakterisieren. Auf Grundlage der scRNA-seq-Daten wurden maligne Epithelzellen mithilfe von CopyKAT identifiziert und anschließend anhand inner patientlich berechneter CytoTRACE-Scores in die Gruppen LowStem, IMStem und HighStem unterteilt. Analysen der Zelle–Zelle-Kommunikation und der Signalwege zeigten umfangreiche erschlossene Interaktionen zwischen HighStem-malignen Epithelzellen und Immunzellen, Fibroblasten und Endothelzellen. HighStem-Zellen zeigten zudem höhere Scores für DNA-Reparatur, oxidative Phosphorylierung sowie MYC- und E2F-Signalwege, jedoch niedrigere Scores für die Signalwege von transforming growth factor-β (TGF-β), Notch und WNT/β-Catenin. Durch die Integration hochdimensionaler gewichteter Gen-Koexpressionsnetzwerk-Analyse (hdWGCNA), differentieller Expressionsanalyse, Überlebensanalyse, ST-Validierung und ML-Modellierung identifizierten wir TXNL4A, APEX1, TIMM8B, MDH2, TRMT112, C1QBP, CYC1 und BANF1 als zentrale Risikogene. Das Gauß-naive-Bayes-Modell (NB) zeigte in beiden Kohorten eine günstige Gesamtklassifikationsleistung. Shapley additive explanations (SHAP) zeigten, dass alle acht Gene zur Identifikation von HighStem-Zellen beitrugen. Analysen der Immuntherapie-Kohorten deuteten darauf hin, dass TXNL4A, BANF1 und MDH2 mit dem Ansprechen auf die Immuntherapie assoziiert sein könnten. Die virtuelle Knockout-Analyse deutete darauf hin, dass das BANF1-assoziierte Netzwerk Proteinsynthese, mitochondriale Funktion und Zelladhäsion umfasst. Diese Befunde liefern eine potenzielle molekulare Grundlage für das Verständnis der Stemness-Heterogenität beim BCa und könnten die Entwicklung individualisierter Behandlungsstrategien informieren.
Journal-IF-Äquivalent: 2.4 (OpenAlex 2-Jahres-Durchschnitt der Zitierhäufigkeit, Wert vom 2026-10-12, abgerufen am 2026-10-13; nicht der offizielle Clarivate-IF)Referenz: Liu X, Xiao Z, Wang Y, Huang L. Integrative Einzelzell- und Spatial-Transkriptomik in Kombination mit maschinellem Lernen deckt molekulare Merkmale und zentrale Risikogene bösartiger Epithelzellen mit hoher Stemness bei Blasenkrebs auf. Discov Onc. 2026 Oct 23 [Epub ahead of print]. doi:10.1007/s12672-026-06196-2.Geprüft: Nur Zusammenfassung
Alle 1 Harnblasen-Paper ansehen →