IA e investigación del cáncer ── 2026-10-15
Nuevos artículos sobre cáncer e IA, recopilados de feeds de revistas, PubMed (búsqueda en todas las revistas) y OpenAlex (un índice público usado en lugar de Google Scholar), evaluados por Jev (una IA que emite juicios lingüísticos): investigación original, IA como elemento central, cuál de 13 temas, tratamiento o ensayos, y luego ordenados por importancia hasta un límite diario. Las revistas no se filtran por factor de impacto; cada artículo muestra el equivalente de FI de su revista (media de citación a dos años de OpenAlex) y la fecha de ese valor. Cada entrada muestra el resumen original completo.
Leer por tipo de cáncer: Biología del cáncer（1） · Mama（2） · Pulmón（2） · Páncreas（0） · Próstata（0） · ACC（0） · Cerebro（2） · Ovario（0） · Endometrial（0） · Gástrico（0） · Hígado（1） · Riñón（0） · Vejiga（0）
Biología molecular del cáncer e IA
- Resumen
La predicción precisa de la recurrencia posoperatoria es esencial para el manejo individualizado y la planificación del seguimiento en pacientes con carcinoma urotelial del tracto superior (UTUC). Sin embargo, la estratificación fiable del riesgo sigue siendo difícil debido a la naturaleza heterogénea de las características de imagen y de la información clínica. En este estudio proponemos un marco multimodal de apoyo a la decisión clínica que integra imágenes de tomografía computarizada (TC) con contraste y variables clínicas disponibles de forma rutinaria para predecir la recurrencia posoperatoria. El marco propuesto adopta una estrategia de aprendizaje integrado de imagen y datos clínicos para reforzar la alineación semántica entre las representaciones visuales y el contexto clínico específico de cada paciente. Las características de imagen se guían mediante indicaciones semánticas con información clínica, mientras que un mecanismo de fusión dinámica equilibra de forma adaptativa las contribuciones de las distintas modalidades. Este diseño permite una interacción multimodal robusta y mejora la estimación individualizada del riesgo. El marco se evalúa con una cohorte retrospectiva de UTUC de 160 pacientes tratados entre 2016 y 2023, que incluye 59 casos con recurrencia y 101 sin recurrencia. Los resultados experimentales demuestran que el método propuesto alcanza un área bajo la curva característica operativa del receptor (AUC) de 0.87, con un rendimiento superior al de los modelos convencionales basados en redes neuronales convolucionales y al de referencias multimodales representativas. Los análisis cualitativos indican además una mejor alineación entre los patrones de imagen y los factores clínicos, y ofrecen información interpretable mediante visualización basada en atención. Estos hallazgos sugieren que el marco multimodal propuesto constituye un enfoque potencial para la estratificación del riesgo de recurrencia posoperatoria del UTUC y tiene el potencial de apoyar la toma de decisiones clínicas y el manejo posoperatorio adaptado al riesgo.
Equivalente de FI de la revista: 3.9 (media de citación a 2 años de OpenAlex, valor al 2026-10-13, obtenido el 2026-10-15; no es el FI oficial de Clarivate)Referencia: Liu D, Zhao T, Zhang S, Fang L. CLIP-CGPNet: A Multimodal Clinical Decision Support System for Postoperative UTUC Recurrence Prediction. J Digit Imaging Inform med. 2026 Oct 13 [Epub ahead of print]. doi:10.1007/s10278-026-02358-4.Verificado: Solo resumen
Ver los 1 artículos de Biología del cáncer →
Cáncer de mama: tratamiento, ensayos e IA
- Resumen
La subtipificación molecular preoperatoria del cáncer de mama es esencial para la selección del tratamiento y la evaluación del pronóstico; sin embargo, la mayoría de los enfoques de aprendizaje profundo plantean la predicción del subtipo como una tarea convencional plana de clasificación multiclase, sin reflejar el proceso secuencial de decisión clínica. Desarrollamos HCF-Net, una red de fusión en cascada jerárquica que descompone la predicción del subtipo en tres nodos de decisión binarios alineados con la práctica clínica e integra imágenes DCE-MRI multifase con información clinicorradiológica. El modelo se desarrolló y validó de forma retrospectiva con una cohorte bicéntrica de 373 mujeres que se sometieron a DCE-MRI multifase de 3.0 T antes de la cirugía. En un conjunto de prueba independiente (n = 75), HCF-Net alcanzó un Macro-AUC de 0.868 (IC del 95 %, 0.806-0.923), una exactitud del 73.3 %, un Macro-F1 de 0.732 y un κ de Cohen de 0.631. El modelo de fusión obtuvo de forma consistente el AUC más alto en los tres nodos de decisión jerárquicos: 0.890 para tumores luminales frente a no luminales, 0.865 para tumores Luminal A frente a Luminal B y 0.974 para tumores HER2-enriquecidos frente a triple negativos. Se observó el mismo orden de las estrategias de clasificación con una arquitectura base ConvNeXt-Tiny. En comparación con las estrategias convencionales de clasificación plana, la descomposición jerárquica en cascada y la fusión a nivel de decisión aportaron mejoras sustanciales de rendimiento. Estos hallazgos sugieren que un marco de fusión jerárquica alineado con las vías de decisión clínica puede ofrecer un enfoque eficaz e interpretable para la predicción preoperatoria del subtipo molecular del cáncer de mama.
Equivalente de FI de la revista: 3.9 (media de citación a 2 años de OpenAlex, valor al 2026-10-13, obtenido el 2026-10-15; no es el FI oficial de Clarivate)Referencia: Chen Y, Hu L, Hou J, Xie Y, Nie S, Jiang Y, et al. HCF-Net: una red de fusión en cascada jerárquica alineada con las vías de tratamiento clínico para la subtipificación molecular preoperatoria del cáncer de mama en resonancia magnética con contraste dinámico. J Digit Imaging Inform med. 2026 Oct 13 [Epub antes de su impresión]. doi:10.1007/s10278-026-02331-1.Verificado: Solo resumen - Resumen
La radiómica de hábitats caracteriza la textura dentro de las subregiones tumorales, pero descarta las relaciones espaciales entre ellas. Desarrollamos un marco inspirado en la ecología del paisaje que cuantifica la estructura espacial entre hábitats en la RM con contraste dinámico (DCE-MRI), evaluamos su valor complementario junto con la radiómica intrahábitat y comparamos la fusión temprana frente a la tardía, utilizando la predicción de metástasis en ganglios linfáticos axilares (ALNM) como tarea de evaluación. En este estudio retrospectivo multicéntrico, 284 pacientes de un centro se dividieron aleatoriamente en cohortes de entrenamiento (n = 198) y validación (n = 86), con 120 pacientes de una institución independiente como conjunto de prueba externo. Los tumores se dividieron en seis hábitats mediante agrupamiento k-means de 19 descriptores de textura por vóxel, con centroides derivados exclusivamente de la cohorte de entrenamiento. Se construyeron tres dominios de características: 8 parámetros clínicos, 642 características radiómicas intrahábitat y 94 características de estructura espacial entre hábitats que abarcan fragmentación (n = 30), morfología (n = 24), contacto entre hábitats (n = 15), distancia entre hábitats (n = 15), proporción de áreas (n = 6) y diversidad (n = 4). En el conjunto de prueba externo, la fusión progresiva produjo mejoras incrementales en el AUC: solo clínico 0.754, más radiómica intrahábitat 0.843, más estructura espacial entre hábitats 0.863 (IC 95% 0.792-0.934). El modelo completo de fusión temprana logró un AUC mayor que los modelos solo clínico (DeLong P = 0.011) y solo de estructura espacial (P = 0.044); la fusión temprana arrojó un AUC numéricamente mayor que la fusión tardía sin alcanzar significación (0.863 vs 0.851, P = 0.636). Los dos modelos de imagen de dominio único fueron estadísticamente indistinguibles (0.817 vs 0.784, P = 0.512). La estructura espacial entre hábitats captura una organización tumoral que la radiómica de hábitats convencional pasa por alto y aporta información complementaria para la predicción preoperatoria de ALNM.
Equivalente de FI de la revista: 3.9 (media de citación a 2 años de OpenAlex, valor al 2026-10-13, obtenido el 2026-10-15; no es el FI oficial de Clarivate)Referencia: Liu P, Wang P, Zou X, Zhang Q, Wang W. From Intra- to Inter-habitat Analysis: Spatial Structure Features for Axillary Lymph Node Metastasis Prediction on Breast DCE-MRI. J Digit Imaging Inform med. 2026 Oct 13 [Epub ahead of print]. doi:10.1007/s10278-026-02384-2.Verificado: Solo resumen
Cáncer de pulmón: tratamiento, ensayos e IA
- Resumen
ANTECEDENTES: El adenocarcinoma mucinoso pulmonar (PMA) representa un subtipo poco frecuente de adenocarcinoma de pulmón, caracterizado por la falta de una clasificación patológica y de factores pronósticos exhaustivos. En este estudio proponemos un marco multimodal de aprendizaje automático (ML) que integra múltiples modalidades de datos para mejorar la clasificación de subtipos y la predicción del pronóstico del PMA. MÉTODOS: Este estudio retrospectivo incluyó 175 casos de PMA primario con datos demográficos, histopatológicos, de imagen por tomografía computarizada (TC) y de mutaciones del receptor del factor de crecimiento epitelial ( EGFR ). Se utilizó un modelo de regresión logística regularizado con el operador de selección y contracción mínima absoluta (LASSO) para la clasificación histológica, y el modelo de riesgos proporcionales de Cox para la predicción de la supervivencia con validación interna. RESULTADOS: El adenocarcinoma mucinoso puro presentó una mayor prevalencia de menor tamaño tumoral radiográfico o patológico, localización en lóbulo inferior, menores tasas de metástasis en ganglios linfáticos y de diseminación a través de espacios aéreos (STAS), estadio patológico temprano, antígeno carcinoembrionario (CEA) ≤5 ng/mL, margen espiculado, baja expresión de Ki-67 y menor frecuencia de deleción del exón 19 de EGFR (P=0.002, 0.003, deleción del exón 19 de EGFR como factores pronósticos independientes en el PMA (P=0.04, 0.049, respectivamente). Además, las curvas de Kaplan-Meier revelaron resultados significativamente diferentes entre los grupos de riesgo bajo y alto estratificados por la puntuación del nomograma (P<0.001). CONCLUSIONES: El adenocarcinoma mucinoso puro pulmonar mostró una menor malignidad en comparación con el tipo mucinoso mixto y secretor de mucina. El modelo de nomograma desarrollado y validado en este estudio mostró una eficacia prometedora para predecir el subtipo histológico en el preoperatorio y la supervivencia en pacientes con PMA, y ofrece orientación a los clínicos en el diagnóstico y la predicción del pronóstico.
Equivalente de FI de la revista: 1.4 (media de citación a 2 años de OpenAlex, valor al 2026-10-13, obtenido el 2026-10-15; no es el FI oficial de Clarivate)Referencia: Yang W, Chen C, Li L, Chen Z, Chen Z, Le H, et al. Integración de datos multimodales para la subtipificación precisa y el pronóstico en pacientes con adenocarcinoma mucinoso pulmonar. Transl Cancer Res. 2026 Sep;15(9):708-8. doi:10.21037/tcr-2026-1241.Verificado: Solo resumen - Resumen
ANTECEDENTES: La metástasis cerebral sigue siendo una preocupación clínica importante en pacientes con cáncer de pulmón de células pequeñas (CPCP), incluso después de la irradiación craneal profiláctica (ICP). La identificación precisa de los pacientes con alto riesgo de metástasis cerebral tras la ICP puede facilitar una vigilancia y un manejo individualizados. Este estudio desarrolló un modelo de fusión basado en características de aprendizaje profundo multicanal bidimensionales y medias (2,5D), características clínicas y características radiómicas para predecir si los pacientes con CPCP desarrollarán metástasis cerebrales tras la ICP. MÉTODOS: Este estudio retrospectivo incluyó a 185 pacientes con CPCP que recibieron ICP y los dividió aleatoriamente en un conjunto de entrenamiento (N=148) y un conjunto de prueba (N=37). Se construyó un modelo de red neuronal convolucional (CNN) multicanal 2,5D basado en regiones de interés (ROI) multiplanares derivadas de imágenes de TC para extraer características de aprendizaje profundo 2,5D. A partir de la mayor sección transversal y del volumen tridimensional (3D) de la ROI tumoral, se extrajeron características de aprendizaje profundo bidimensionales (2D) y 3D, respectivamente. Posteriormente, las características de distintas dimensiones se fusionaron con características clínicas y características ómicas tradicionales para construir los modelos 2D_clinic_Rad, 2.5D_clinic_Rad y 3D_clinic_Rad, respectivamente. Después se compararon las diferencias de rendimiento entre los modelos 3D y los modelos clínicos y radiómicos tradicionales. RESULTADOS: El modelo de fusión 2.5D_clinic_Rad mostró el mejor rendimiento en la predicción de metástasis cerebrales, con un área bajo la curva (AUC) de 0.841 en el conjunto de prueba, superando a los modelos clínicos, a los modelos radiómicos tradicionales y a los modelos de fusión de aprendizaje profundo 2D y 3D. El análisis de las curvas de decisión y de calibración indicó que el modelo 2.5D_clinic_Rad mostró el mayor beneficio clínico neto y la mejor consistencia de calibración en comparación con los demás modelos. CONCLUSIONES: El modelo de fusión basado en 2.5D_clinic_Rad puede predecir eficazmente el riesgo de metástasis cerebral en pacientes con CPCP tras la irradiación profiláctica de todo el cerebro.
Equivalente de FI de la revista: 2.5 (media de citación a 2 años de OpenAlex, valor al 2026-10-13, obtenido el 2026-10-15; no es el FI oficial de Clarivate)Referencia: Zhang X, Zhao L, Wang J, Zhang X, Liang X, Cao W, et al. Aprendizaje profundo interpretable y radiómica para predecir la aparición de metástasis cerebrales tras la irradiación cerebral profiláctica en el cáncer de pulmón de células pequeñas. Transl Lung Cancer Res. 2026 Sep;15(9):281-1. doi:10.21037/tlcr-2026-0708.Verificado: Solo resumen
Ver los 2 artículos de Pulmón →
Cáncer de páncreas: tratamiento, ensayos e IA
No hay ningún artículo nuevo que cumpla los requisitos para esta edición.
Cáncer de próstata: tratamiento, ensayos e IA
No hay ningún artículo nuevo que cumpla los requisitos para esta edición.
Carcinoma adenoide quístico: tratamiento, ensayos e IA
No hay ningún artículo nuevo que cumpla los requisitos para esta edición.
Tumores cerebrales: tratamiento, ensayos e IA
- Resumen
La respuesta al tratamiento del glioblastoma (GBM) es muy heterogénea. Predecir los resultados a partir de la resonancia magnética previa al tratamiento es una necesidad crítica no cubierta, pero la adopción clínica de modelos de aprendizaje profundo (DL) de "caja negra" se ve obstaculizada por la falta de transparencia. Aún es necesario desarrollar marcos de validación sólidos y holísticos que permitan generar confianza clínica. Se empleó una canalización de IA explicable (XAI) de múltiples capas para analizar en detalle un modelo de aprendizaje profundo desarrollado previamente y entrenado para predecir la supervivencia global en el GBM. Primero, se analizó de forma cualitativa y cuantitativa el foco visual del modelo. Segundo, se cuantificó la dependencia del modelo respecto de sus características mediante estudios de ablación de entradas. Tercero, se rastreó la profundidad a la que la información de clase se vuelve decodificable mediante sondeo lineal de las representaciones internas. Por último, se evaluó el impacto clínico de la IA y de sus explicaciones en un estudio de múltiples lectores y múltiples casos (37 pacientes, 4 lectores, 3 fases, 444 observaciones) mediante ecuaciones de estimación generalizadas (GEE) y bootstrap por conglomerados. El análisis reveló una heurística de alta intensidad: los píxeles hiperintensos en la periferia del cráneo anclaban las predicciones de "largo plazo", mientras que, en su ausencia, el modelo asignaba por defecto "corto plazo" según el realce tumoral. El estudio de ablación confirmó esta dependencia y el sondeo lineal apuntó en la misma dirección. En el estudio clínico, la asistencia de la IA mejoró significativamente la precisión de los expertos (OR 1.598, p < 0.01) sin aumentar artificialmente su confianza (p = 0.561). Es importante destacar que la incorporación de mapas de calor de XAI se asoció con un cambio en la forma en que los expertos utilizaban la puntuación de la IA (interacción p < 0.01) y con menos pacientes clasificados erróneamente como supervivientes a largo plazo. Una alta precisión predictiva puede enmascarar la dependencia de heurísticas de intensidad de bajo nivel. Si bien la interpretación superficial de los mapas de saliencia es peligrosa, las auditorías de múltiples capas ponen al descubierto estos atajos. Clínicamente, los mapas de calor espaciales se asociaron con una mejor precisión diagnóstica de los expertos y un cambio en la estrategia de toma de decisiones.
Equivalente de FI de la revista: 3.9 (media de citación a 2 años de OpenAlex, valor al 2026-10-13, obtenido el 2026-10-15; no es el FI oficial de Clarivate)Referencia: Andres R, Moreau NN, Dessoude L, Le Henaff L, Missohou F, Stefan D, et al. Explicabilidad y confianza clínica del aprendizaje profundo en la predicción de la eficacia del tratamiento del glioblastoma: un marco integral. J Digit Imaging Inform med. 2026 Oct 13 [Epub antes de su impresión]. doi:10.1007/s10278-026-02381-5.Verificado: Solo resumen - Resumen
ANTECEDENTES: La alta expresión de CD9 se asocia de forma significativa con una menor supervivencia global (SG) en pacientes con gliomas difusos de tipo adulto (ADG, por sus siglas en inglés). Al mismo tiempo, los análisis de cribado de fármacos han identificado la emetina como un posible agente terapéutico dirigido para gliomas con alta expresión de CD9, lo que indica que CD9 podría servir como un nuevo biomarcador con potencial para transformar el diagnóstico y el tratamiento de los gliomas. Este estudio tuvo como objetivo desarrollar un modelo de predicción de inteligencia artificial basado en imágenes de resonancia magnética (RM) preoperatorias para facilitar la identificación temprana de la alta expresión de CD9 en pacientes con ADG. MÉTODOS: Se recopilaron retrospectivamente datos de expresión de CD9 de 262 pacientes con ADG de las cohortes The Cancer Genome Atlas (TCGA) y Chinese Glioma Genome Atlas (CGGA). Utilizando secuencias de RM preoperatorias [imágenes potenciadas en T1 con contraste (CET1) e imágenes potenciadas en T2 (T2WI)], se extrajeron características de hábitat mediante el algoritmo de agrupamiento K-means, junto con características radiómicas. Además, se construyeron datos de aprendizaje profundo 2,5-dimensional multicanal (2.5D_DL), basados en arquitecturas de redes neuronales, incluidas ResNet101, DenseNet121 y SimpleViT, y se extrajeron características de DL. Se utilizaron siete clasificadores para construir modelos predictivos individuales de Radiomics, Habitat y 2.5D_DL. Posteriormente, se desarrolló un modelo de Stacking mediante una estrategia de fusión por ensamblaje para predecir la alta expresión de CD9. El rendimiento del modelo se evaluó mediante curvas características operativas del receptor (ROC), y la eficacia clínica se valoró mediante análisis de curvas de decisión (DCA). Se realizó un análisis de explicaciones aditivas de Shapley (SHAP) para explorar la interpretación de los modelos, mejorando la transparencia de las predicciones del aprendizaje automático. Además, los pacientes se estratificaron en grupos de riesgo alto y bajo según las puntuaciones del modelo de Stacking, y se compararon las diferencias de supervivencia mediante el análisis de Kaplan-Meier y la prueba de log-rank. RESULTADOS: El modelo Habitat mostró valores de curva ROC [área bajo la curva ROC (AUC)] superiores a los del modelo Radiomics. Entre los modelos 2.5D_DL multicanal, el modelo SimpleViT logró un rendimiento ligeramente mejor que los modelos basados en redes neuronales convolucionales (CNN) (ResNet101 y DenseNet121). El modelo de Stacking final, que integró las salidas de los modelos Habitat, Radiomics y 2.5D_DL, mostró valores de AUC superiores. El AUC alcanzó 0,999, 0,822 y 0,728 en los conjuntos de entrenamiento, validación y prueba, respectivamente. La prueba de DeLong confirmó las diferencias estadísticamente significativas en los valores de AUC de cada modelo en el conjunto de entrenamiento, pero no se observaron diferencias estadísticamente significativas entre los demás conjuntos. Además, el DCA verificó un mayor beneficio clínico neto en un rango más amplio de umbrales de riesgo para este modelo integrado. La estratificación pronóstica mediante el modelo de Stacking reveló diferencias significativas en los resultados de supervivencia entre los grupos de riesgo alto y bajo. CONCLUSIONES: El modelo de Stacking basado en RM preoperatoria identifica eficazmente a los pacientes con alta expresión de CD9 entre los ADG y estratifica el riesgo de los pacientes, lo que respalda la toma de decisiones terapéuticas clínicas y la evaluación pronóstica individualizada. Aún se requieren datos multicéntricos prospectivos para validar el rendimiento pronóstico y la generalizabilidad de este modelo.
Equivalente de FI de la revista: 1.4 (media de citación a 2 años de OpenAlex, valor al 2026-10-13, obtenido el 2026-10-15; no es el FI oficial de Clarivate)Referencia: 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.Verificado: Solo resumen
Ver los 2 artículos de Cerebro →
Cáncer de ovario: tratamiento, ensayos e IA
No hay ningún artículo nuevo que cumpla los requisitos para esta edición.
Cáncer de endometrio: tratamiento, ensayos e IA
No hay ningún artículo nuevo que cumpla los requisitos para esta edición.
Cáncer gástrico: tratamiento, ensayos e IA
No hay ningún artículo nuevo que cumpla los requisitos para esta edición.
Cáncer de hígado: tratamiento, ensayos e IA
- Resumen
ANTECEDENTES: El carcinoma hepatocelular (CHC) es una de las principales causas de mortalidad relacionada con el cáncer en todo el mundo, y la mutación de TP53 actúa como una mutación troncal que impulsa la progresión tumoral. Sin embargo, actualmente el estado de la mutación de TP53 solo puede determinarse mediante biopsia hepática invasiva. Este estudio aplica características radiómicas multirregionales de la resonancia magnética (RM) para predecir el CHC con mutación de P53 y ofrece una herramienta no invasiva para identificar este subtipo invasivo. MÉTODOS: En este estudio retrospectivo se analizaron los datos de 320 pacientes sometidos a RM preoperatoria, que se dividieron en una cohorte de entrenamiento (CE; n=224) y una cohorte de validación (CV; n=96). Se identificaron factores de riesgo clínicos mediante regresión por pasos para construir modelos predictivos. Evaluamos tres clasificadores de aprendizaje automático en seis secuencias de RM, y se aplicó el método de contracción y selección mínima absoluta (LASSO) para seleccionar el mejor modelo de fusión IntraPeri a partir de cuatro regiones (tumor completo, IntraPeri_9mm, IntraPeri_11mm e IntraPeri_13mm) con el fin de establecer un modelo radiómico. El nomograma predictivo del CHC con mutación de P53 integró estos predictores clínicos con características radiómicas discriminativas, y su rendimiento se evaluó mediante análisis de curvas ROC, calibración y curvas de decisión. RESULTADOS: Entre los 320 pacientes (259 hombres y 61 mujeres; edad media, 58,25±11,51 años), 183 presentaban CHC con mutación de P53 y 137 CHC sin mutación de P53. El diámetro tumoral máximo (DTM), el grado de Edmondson-Steiner y el realce arterial periférico en anillo se identificaron como predictores independientes del CHC con mutación de P53. El clasificador ExtraTrees basado en características radiómicas de la secuencia de RM óptima [imagen potenciada en T1-fase arterial (T1WI-AP)] dentro de la región IntraPeri_11mm logró una sólida precisión predictiva [área bajo la curva (AUC) CE =0,805; AUC CV =0,660]. El nomograma predictivo que integra características clínicas y radiómicas mostró un rendimiento excelente tanto en la CE [AUC =0,815; intervalo de confianza (IC) del 95 %: 0,758-0,872] como en la CV (AUC =0,802; IC del 95 %: 0,713-0,890). El análisis de curvas de decisión confirmó además su utilidad clínica. CONCLUSIONES: El nomograma que combina el modelo clínico con la radiómica de IntraPeri_11mm puede servir como predictor eficaz del estado de mutación de P53 preoperatorio en el CHC.
Equivalente de FI de la revista: 1.4 (media de citación a 2 años de OpenAlex, valor al 2026-10-13, obtenido el 2026-10-15; no es el FI oficial de Clarivate)Referencia: Weng J, Yao D, Zeng Q, He Y, Yang C, Yang B. Radiómica basada en resonancia magnética para predecir el carcinoma hepatocelular con mutación de P53: análisis intratumoral y peritumoral. Transl Cancer Res. 2026 Sep;15(9):709-9. doi:10.21037/tcr-2026-1579.Verificado: Solo resumen
Ver los 1 artículos de Hígado →
Cáncer de riñón: tratamiento, ensayos e IA
No hay ningún artículo nuevo que cumpla los requisitos para esta edición.
Cáncer de vejiga: tratamiento, ensayos e IA
No hay ningún artículo nuevo que cumpla los requisitos para esta edición.