IA et recherche sur le cancer ── 2026-10-15
Nouveaux articles sur le cancer et l'IA, collectés à partir de flux de revues, de PubMed (recherche dans toutes les revues) et d'OpenAlex (un index public utilisé à la place de Google Scholar), évalués par Jev (une IA qui porte des jugements linguistiques) : recherche originale, IA centrale, lequel des 13 thèmes, traitement ou essais, puis classés par importance jusqu'à une limite quotidienne. Les revues ne sont pas filtrées par facteur d'impact ; chaque article indique l'équivalent du facteur d'impact de sa revue (citation moyenne sur deux ans d'OpenAlex) et la date de cette valeur. Chaque entrée affiche le résumé original complet.
Lecture par type de cancer : Biologie du cancer（1） · Sein（2） · Poumon（2） · Pancréas（0） · Prostate（0） · ACC（0） · Cerveau（2） · Ovarien（0） · Endomètre（0） · Gastrique（0） · Foie（1） · Rein（0） · Vessie（0）
Biologie moléculaire du cancer et IA
- Résumé
La prédiction précise de la récidive postopératoire est essentielle à la prise en charge individualisée et à la planification du suivi des patients atteints d'un carcinome urothélial des voies excrétrices supérieures (UTUC). Cependant, une stratification fiable du risque reste difficile en raison de la nature hétérogène des caractéristiques d'imagerie et des informations cliniques. Dans cette étude, nous proposons un cadre multimodal d'aide à la décision clinique qui intègre des images de tomodensitométrie (TDM) avec produit de contraste et des variables cliniques disponibles en routine pour prédire la récidive postopératoire. Le cadre proposé adopte une stratégie d'apprentissage intégrant image et données cliniques afin de renforcer l'alignement sémantique entre les représentations visuelles et le contexte clinique propre à chaque patient. Les caractéristiques d'imagerie sont guidées par des invites sémantiques informées par la clinique, tandis qu'un mécanisme de fusion dynamique équilibre de manière adaptative les contributions des différentes modalités. Cette conception permet une interaction multimodale robuste et améliore l'estimation individualisée du risque. Le cadre est évalué sur une cohorte rétrospective d'UTUC de 160 patients traités entre 2016 et 2023, comprenant 59 cas de récidive et 101 cas sans récidive. Les résultats expérimentaux montrent que la méthode proposée atteint une aire sous la courbe ROC (AUC) de 0,87, démontrant une performance supérieure à celle des modèles classiques fondés sur les réseaux de neurones convolutifs et des références multimodales représentatives. Les analyses qualitatives indiquent en outre un meilleur alignement entre les motifs d'imagerie et les facteurs cliniques, offrant des éclairages interprétables grâce à une visualisation fondée sur l'attention. Ces résultats suggèrent que le cadre multimodal proposé constitue une approche prometteuse pour la stratification du risque de récidive postopératoire de l'UTUC et peut contribuer à soutenir la décision clinique et une prise en charge postopératoire adaptée au risque.
Équivalent du facteur d'impact de la revue : 3.9 (citations moyennes sur 2 ans d'OpenAlex, valeur au 2026-10-13, récupérée le 2026-10-15 ; il ne s'agit pas du facteur d'impact officiel de Clarivate)Référence : 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.Vérifié : Résumé uniquement
Voir les 1 articles sur la biologie du cancer →
Cancer du sein : traitement, essais et IA
- Résumé
Le sous-typage moléculaire préopératoire du cancer du sein est essentiel pour le choix du traitement et l'évaluation du pronostic, mais la plupart des approches d'apprentissage profond formulent la prédiction du sous-type comme une tâche multiclasse plate conventionnelle, sans refléter le processus décisionnel clinique séquentiel. Nous avons développé HCF-Net, un réseau de fusion en cascade hiérarchique qui décompose la prédiction du sous-type en trois nœuds de décision binaires alignés sur la clinique et intègre l'IRM DCE multiphase avec des informations clinico-radiologiques. Le modèle a été développé et validé rétrospectivement à partir d'une cohorte bicentrique de 373 femmes ayant bénéficié d'une IRM DCE multiphase 3,0 T préopératoire. Sur un jeu de test indépendant (n = 75), HCF-Net a obtenu une Macro-AUC de 0.868 (IC à 95 %, 0.806-0.923), une exactitude de 73.3 %, un Macro-F1 de 0.732 et un κ de Cohen de 0.631. Le modèle de fusion a systématiquement obtenu la meilleure AUC sur les trois nœuds de décision hiérarchiques, atteignant 0.890 pour les tumeurs luminales versus non luminales, 0.865 pour les tumeurs Luminal A versus Luminal B, et 0.974 pour les tumeurs HER2-enriched versus triple-négatives. Le même classement des stratégies de classification a été observé avec un backbone ConvNeXt-Tiny. Par rapport aux stratégies de classification plates conventionnelles, la décomposition hiérarchique en cascade et la fusion au niveau de la décision ont apporté des gains de performance substantiels. Ces résultats suggèrent qu'un cadre de fusion hiérarchique aligné sur les parcours décisionnels cliniques pourrait constituer une approche efficace et interprétable pour la prédiction préopératoire du sous-type moléculaire du cancer du sein.
Équivalent du facteur d'impact de la revue : 3.9 (citations moyennes sur 2 ans d'OpenAlex, valeur au 2026-10-13, récupérée le 2026-10-15 ; il ne s'agit pas du facteur d'impact officiel de Clarivate)Référence : Chen Y, Hu L, Hou J, Xie Y, Nie S, Jiang Y, et al. HCF-Net : un réseau de fusion en cascade hiérarchique aligné sur les parcours de traitement cliniques pour le sous-typage moléculaire préopératoire du cancer du sein sur IRM dynamique avec injection de produit de contraste. J Digit Imaging Inform med. 2026 Oct 13 [Epub ahead of print]. doi:10.1007/s10278-026-02331-1.Vérifié : Résumé uniquement - Résumé
La radiomique par habitats caractérise la texture au sein des sous-régions tumorales mais écarte les relations spatiales entre celles-ci. Nous avons développé un cadre inspiré de l'écologie du paysage qui quantifie la structure spatiale inter-habitats sur l'IRM dynamique avec injection de produit de contraste (DCE-MRI), évalué sa valeur complémentaire à la radiomique intra-habitat, et comparé la fusion précoce à la fusion tardive, en prenant comme tâche d'évaluation la prédiction des métastases ganglionnaires axillaires (ALNM). Dans cette étude rétrospective multicentrique, 284 patients d'un même centre ont été répartis aléatoirement en cohortes d'entraînement (n = 198) et de validation (n = 86), avec 120 patients d'une institution indépendante constituant l'ensemble de test externe. Les tumeurs ont été partitionnées en six habitats par classification k-means de 19 descripteurs de texture calculés par voxel, les centroïdes étant dérivés exclusivement de la cohorte d'entraînement. Trois domaines de caractéristiques ont été construits : 8 paramètres cliniques, 642 caractéristiques radiomiques intra-habitat et 94 caractéristiques de structure spatiale inter-habitats couvrant la fragmentation (n = 30), la morphologie (n = 24), le contact inter-habitats (n = 15), la distance inter-habitats (n = 15), le rapport de surfaces (n = 6) et la diversité (n = 4). Dans l'ensemble de test externe, la fusion progressive a produit des gains incrémentaux d'AUC : clinique seul 0,754, plus radiomique intra-habitat 0,843, plus structure spatiale inter-habitats 0,863 (IC à 95 % 0,792-0,934). Le modèle complet de fusion précoce a obtenu une AUC supérieure à celle des modèles uniquement cliniques (DeLong P = 0,011) et uniquement de structure spatiale (P = 0,044) ; la fusion précoce a donné une AUC numériquement plus élevée que la fusion tardive sans atteindre la significativité (0,863 contre 0,851, P = 0,636). Les deux modèles d'imagerie à domaine unique étaient statistiquement indiscernables (0,817 contre 0,784, P = 0,512). La structure spatiale inter-habitats capture une organisation tumorale négligée par la radiomique conventionnelle par habitats et apporte une information complémentaire pour la prédiction préopératoire de l'ALNM.
Équivalent du facteur d'impact de la revue : 3.9 (citations moyennes sur 2 ans d'OpenAlex, valeur au 2026-10-13, récupérée le 2026-10-15 ; il ne s'agit pas du facteur d'impact officiel de Clarivate)Référence : 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.Vérifié : Résumé uniquement
Voir les 2 articles sur le sein →
Cancer du poumon : traitement, essais et IA
- Résumé
CONTEXTE : L'adénocarcinome mucineux pulmonaire (AMP) représente un sous-type rare d'adénocarcinome pulmonaire, caractérisé par l'absence de classification pathologique et de facteurs pronostiques exhaustifs. Dans cette étude, nous proposons un cadre d'apprentissage automatique (machine learning, ML) multimodal qui intègre plusieurs modalités de données afin d'améliorer la classification des sous-types d'AMP et la prédiction du pronostic. MÉTHODES : Cette étude rétrospective a inclus 175 cas d'AMP primitif, avec des données démographiques, histopathologiques, d'imagerie par tomodensitométrie (TDM) et de mutation du récepteur du facteur de croissance épithélial ( EGFR ). Un modèle de régression logistique régularisée par LASSO (Least absolute shrinkage and selection operator) a été utilisé pour la classification histologique, et un modèle à risques proportionnels de Cox a été employé pour la prédiction de la survie avec validation interne. RÉSULTATS : L'adénocarcinome mucineux pur présentait une prévalence plus élevée d'une taille tumorale radiographique ou pathologique plus petite, d'une localisation au lobe inférieur, de taux plus faibles de métastases ganglionnaires et de dissémination par les espaces aériens (STAS), d'un stade pathologique précoce, d'un antigène carcinoembryonnaire (ACE) ≤5 ng/mL, d'une marge spiculée, d'une faible expression de Ki-67 et d'une fréquence plus faible de délétion de l'exon 19 d'EGFR (P=0.002, 0.003, la délétion de l'exon 19 d'EGFR comme facteurs pronostiques indépendants dans l'AMP (P=0.04, 0.049, respectivement). De plus, les courbes de Kaplan-Meier ont révélé des résultats significativement différents entre les groupes à risque faible et élevé stratifiés selon le score du nomogramme (P<0.001). CONCLUSIONS : L'adénocarcinome mucineux pur du poumon présentait une malignité plus faible que le type mixte mucineux et sécrétant de mucine. Le modèle de nomogramme développé et validé dans cette étude a montré une efficacité prometteuse pour prédire le sous-type histologique en préopératoire et la survie des patients atteints d'AMP, offrant une aide aux cliniciens pour le diagnostic et la prédiction du pronostic.
Équivalent du facteur d'impact de la revue : 1.4 (citations moyennes sur 2 ans d'OpenAlex, valeur au 2026-10-13, récupérée le 2026-10-15 ; il ne s'agit pas du facteur d'impact officiel de Clarivate)Référence : 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.Vérifié : Résumé uniquement - Résumé
CONTEXTE : Les métastases cérébrales demeurent une préoccupation clinique importante chez les patients atteints d'un cancer du poumon à petites cellules (CPPC), même après une irradiation cérébrale prophylactique (ICP). L'identification précise des patients présentant un risque élevé de métastases cérébrales après l'ICP peut faciliter une surveillance et une prise en charge individualisées. Cette étude a développé un modèle de fusion fondé sur des caractéristiques d'apprentissage profond multicanal en deux dimensions et demie (2,5D), des caractéristiques cliniques et des caractéristiques radiomiques afin de prédire si les patients atteints de CPPC développeront des métastases cérébrales après l'ICP. MÉTHODES : Cette étude rétrospective a inclus 185 patients atteints de CPPC ayant reçu une ICP et les a répartis aléatoirement en un ensemble d'entraînement (N=148) et un ensemble de test (N=37). Un modèle de réseau de neurones convolutif (CNN) multicanal 2,5D a été construit à partir de régions d'intérêt (ROI) multiplanaires issues d'images de tomodensitométrie (TDM) afin d'extraire des caractéristiques d'apprentissage profond 2,5D. À partir de la plus grande coupe transversale et du volume tridimensionnel (3D) de la ROI tumorale, des caractéristiques d'apprentissage profond 2D et 3D ont été extraites respectivement. Ensuite, les caractéristiques de différentes dimensions ont été fusionnées avec les caractéristiques cliniques et les caractéristiques omiques traditionnelles afin de construire respectivement les modèles 2D_clinic_Rad, 2.5D_clinic_Rad et 3D_clinic_Rad. Les différences de performance entre les modèles 3D et les modèles cliniques et radiomiques traditionnels ont ensuite été comparées. RÉSULTATS : Le modèle de fusion 2.5D_clinic_Rad a présenté les meilleures performances pour prédire les métastases cérébrales, atteignant une aire sous la courbe (AUC) de 0,841 sur l'ensemble de test, surpassant les modèles cliniques, les modèles radiomiques traditionnels et les modèles de fusion d'apprentissage profond 2D et 3D. L'analyse des courbes de décision et des courbes d'étalonnage a indiqué que le modèle 2.5D_clinic_Rad présentait le bénéfice net clinique le plus élevé et la meilleure cohérence d'étalonnage par rapport aux autres modèles. CONCLUSIONS : Le modèle de fusion fondé sur 2.5D_clinic_Rad peut prédire efficacement le risque de métastases cérébrales chez les patients atteints de CPPC après une irradiation prophylactique de l'encéphale entier.
Équivalent du facteur d'impact de la revue : 2.5 (citations moyennes sur 2 ans d'OpenAlex, valeur au 2026-10-13, récupérée le 2026-10-15 ; il ne s'agit pas du facteur d'impact officiel de Clarivate)Référence : Zhang X, Zhao L, Wang J, Zhang X, Liang X, Cao W, et al. Apprentissage profond interprétable et radiomique pour prédire la survenue de métastases cérébrales après irradiation cérébrale prophylactique dans le cancer du poumon à petites cellules. Transl Lung Cancer Res. 2026 Sep;15(9):281-1. doi:10.21037/tlcr-2026-0708.Vérifié : Résumé uniquement
Voir les 2 articles sur les poumons →
Cancer du pancréas : traitement, essais et IA
Aucun nouvel article éligible pour ce numéro.
Cancer de la prostate : traitement, essais et IA
Aucun nouvel article éligible pour ce numéro.
Carcinome adénoïde kystique : traitement, essais et IA
Aucun nouvel article éligible pour ce numéro.
Tumeurs cérébrales : traitement, essais et IA
- Résumé
La réponse au traitement du glioblastome (GBM) est très hétérogène. Prédire les résultats à partir de l'IRM pré-thérapeutique constitue un besoin critique non satisfait, mais l'adoption clinique des modèles d'apprentissage profond (DL) de type « boîte noire » est freinée par un manque de transparence. Des cadres de validation robustes et holistiques restent à développer pour permettre la confiance clinique. Un pipeline d'IA explicable (XAI) à plusieurs niveaux a été employé pour disséquer un modèle d'apprentissage profond précédemment développé pour prédire la survie globale du GBM. Premièrement, le focus visuel du modèle a été analysé de manière qualitative et quantitative. Deuxièmement, la dépendance du modèle à ses caractéristiques a été quantifiée à l'aide d'études d'ablation des entrées. Troisièmement, la profondeur à laquelle l'information de classe devient décodable a été retracée par sondage linéaire des représentations internes. Enfin, l'impact clinique de l'IA et de ses explications a été évalué dans une étude multi-lecteurs et multi-cas (37 patients, 4 lecteurs, 3 phases, 444 observations) à l'aide d'équations d'estimation généralisées (GEE) et d'un bootstrap par grappes. L'analyse a révélé une heuristique d'haute intensité : les pixels hyper-intenses à la périphérie du crâne ancraient les prédictions « Long terme », tandis qu'en leur absence, le modèle optait par défaut pour « Court terme » en se basant sur le rehaussement tumoral. L'étude d'ablation a établi cette dépendance, et le sondage linéaire allait dans le même sens. Dans l'étude clinique, l'assistance de l'IA a significativement amélioré la précision des experts (OR 1.598, p < 0.01) sans augmenter artificiellement leur confiance (p = 0.561). Fait important, l'ajout de cartes thermiques XAI a été associé à un changement dans la manière dont les experts utilisaient le score de l'IA (interaction p < 0.01), ainsi qu'à un moindre nombre de patients à tort considérés comme survivants à long terme. Une précision prédictive élevée peut masquer une dépendance à des heuristiques d'intensité de bas niveau. Si l'interprétation superficielle des cartes de saillance est périlleuse, les audits à plusieurs niveaux mettent au jour ces raccourcis. Sur le plan clinique, les cartes thermiques spatiales ont été associées à une meilleure précision diagnostique des experts et à un changement de stratégie décisionnelle.
Équivalent du facteur d'impact de la revue : 3.9 (citations moyennes sur 2 ans d'OpenAlex, valeur au 2026-10-13, récupérée le 2026-10-15 ; il ne s'agit pas du facteur d'impact officiel de Clarivate)Référence : 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.Vérifié : Résumé uniquement - Résumé
CONTEXTE : Une forte expression de CD9 est significativement associée à une survie globale (SG) plus courte chez les patients atteints de gliomes diffus de type adulte (GDA). Parallèlement, des analyses de criblage de médicaments ont identifié l'émétine comme agent thérapeutique ciblé potentiel pour les gliomes présentant une forte expression de CD9, ce qui indique que CD9 pourrait constituer un nouveau biomarqueur susceptible de transformer le diagnostic et le traitement des gliomes. Cette étude visait à développer un modèle de prédiction par intelligence artificielle fondé sur des images d'imagerie par résonance magnétique (IRM) préopératoires afin de faciliter l'identification précoce d'une forte expression de CD9 chez les patients atteints de GDA. MÉTHODES : Nous avons recueilli rétrospectivement les données d'expression de CD9 de 262 patients atteints de GDA issus des cohortes The Cancer Genome Atlas (TCGA) et Chinese Glioma Genome Atlas (CGGA). À partir des séquences IRM préopératoires [imagerie pondérée en T1 avec contraste (CET1) et imagerie pondérée en T2 (T2WI)], des caractéristiques d'habitat (Habitat) ont été extraites à l'aide de l'algorithme de clustering K-means, ainsi que des caractéristiques radiomiques. En outre, des données d'apprentissage profond 2,5D multicanal (2.5D_DL) ont été construites sur la base d'architectures de réseaux de neurones, notamment ResNet101, DenseNet121 et SimpleViT, et les caractéristiques d'apprentissage profond (DL) ont été extraites. Sept classificateurs ont été utilisés pour construire des modèles prédictifs individuels de Radiomics, d'Habitat et de 2.5D_DL. Ensuite, un modèle de Stacking a été développé via une stratégie de fusion d'ensemble afin de prédire une forte expression de CD9. Les performances des modèles ont été évaluées à l'aide des courbes ROC (receiver operating characteristic), et l'efficacité clinique a été appréciée par l'analyse de la courbe de décision (DCA). Une analyse SHAP (Shapley Additive Explanations) a été réalisée pour explorer l'interprétation des modèles, améliorant la transparence des prédictions de l'apprentissage automatique. De plus, les patients ont été stratifiés en groupes à haut risque et à faible risque selon les scores du modèle de Stacking, et les différences de survie ont été comparées à l'aide de l'analyse de Kaplan-Meier et du test du log-rank. RÉSULTATS : Le modèle Habitat a présenté des valeurs de courbe ROC [aire sous la courbe ROC (AUC)] supérieures à celles du modèle Radiomics. Parmi les modèles 2.5D_DL multicanaux, le modèle SimpleViT a obtenu des performances légèrement meilleures que les modèles fondés sur des réseaux de neurones convolutifs (CNN) (ResnNet101 et DenseNet121). Le modèle de Stacking final, qui intégrait les sorties des modèles Habitat, Radiomics et 2.5D_DL, a présenté des valeurs d'AUC supérieures. L'AUC a atteint 0.999, 0.822 et 0.728 respectivement dans les ensembles d'entraînement, de validation et de test. Le test de DeLong a confirmé des différences statistiquement significatives entre les valeurs d'AUC de chaque modèle dans l'ensemble d'entraînement, mais aucune différence statistiquement significative n'a été observée dans les autres ensembles. En outre, un bénéfice clinique net accru sur une plus large plage de seuils de risque pour ce modèle intégré a été vérifié par la DCA. La stratification pronostique par le modèle de Stacking a révélé des différences significatives de survie entre les groupes à haut risque et à faible risque. CONCLUSIONS : Le modèle de Stacking fondé sur l'IRM préopératoire identifie efficacement les patients présentant une forte expression de CD9 parmi les GDA et stratifie le risque des patients, apportant un soutien à la décision thérapeutique clinique et à l'évaluation pronostique individualisée. Des données prospectives multicentriques restent nécessaires pour valider les performances pronostiques et la généralisabilité de ce modèle.
Équivalent du facteur d'impact de la revue : 1.4 (citations moyennes sur 2 ans d'OpenAlex, valeur au 2026-10-13, récupérée le 2026-10-15 ; il ne s'agit pas du facteur d'impact officiel de Clarivate)Référence : 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.Vérifié : Résumé uniquement
Voir les 2 articles sur le cerveau →
Cancer de l'ovaire : traitement, essais et IA
Aucun nouvel article éligible pour ce numéro.
Cancer de l'endomètre : traitement, essais et IA
Aucun nouvel article éligible pour ce numéro.
Cancer de l'estomac : traitement, essais et IA
Aucun nouvel article éligible pour ce numéro.
Cancer du foie : traitement, essais et IA
- Résumé
CONTEXTE : Le carcinome hépatocellulaire (CHC) est l'une des principales causes de mortalité liée au cancer dans le monde, et la mutation de TP53 agit comme une mutation tronculaire favorisant la progression tumorale. Cependant, le statut mutationnel de TP53 ne peut actuellement être déterminé que par biopsie hépatique invasive. Cette étude applique des caractéristiques de radiomique multirégionale issues de l'imagerie par résonance magnétique (IRM) pour prédire le CHC avec mutation P53 et propose un outil non invasif pour identifier ce sous-type invasif. MÉTHODES : Dans cette étude rétrospective, les données de 320 patients ayant bénéficié d'une IRM préopératoire ont été analysées et réparties en une cohorte d'entraînement (CE ; n=224) et une cohorte de validation (CV ; n=96). Les facteurs de risque cliniques ont été identifiés par régression pas à pas afin de construire des modèles prédictifs. Nous avons évalué trois classifieurs d'apprentissage automatique sur six séquences IRM, et la méthode LASSO (least absolute shrinkage and selection operator) a été appliquée pour sélectionner le meilleur modèle de fusion IntraPeri parmi quatre régions (tumeur entière, IntraPeri_9mm, IntraPeri_11mm et IntraPeri_13mm) afin d'établir un modèle radiomique. Le nomogramme prédictif du CHC avec mutation P53 intégrait ces prédicteurs cliniques et des caractéristiques radiomiques discriminantes, et ses performances ont été évaluées par analyse de la courbe ROC (receiver operating characteristic), par calibration et par courbes de décision. RÉSULTATS : Parmi les 320 patients (259 hommes et 61 femmes ; âge moyen, 58,25±11,51 ans), 183 présentaient un CHC avec mutation P53 et 137 un CHC sans mutation P53. Le plus grand diamètre tumoral (LTD), le grade d'Edmondson-Steiner et le rehaussement artériel périphérique en anneau ont été identifiés comme des prédicteurs indépendants du CHC avec mutation P53. Le classifieur ExtraTrees fondé sur les caractéristiques radiomiques de la séquence IRM optimale [imagerie pondérée en T1-phase artérielle (T1WI-AP)] dans la région IntraPeri_11mm a obtenu une forte précision prédictive [aire sous la courbe (AUC) CE =0,805 ; AUC CV =0,660]. Le nomogramme prédictif intégrant les caractéristiques cliniques et radiomiques a démontré d'excellentes performances à la fois dans la CE [AUC =0,815 ; intervalle de confiance (IC) à 95 % : 0,758-0,872] et dans la CV (AUC =0,802 ; IC à 95 % : 0,713-0,890). L'analyse des courbes de décision a en outre confirmé son utilité clinique. CONCLUSIONS : Un nomogramme combinant le modèle clinique et la radiomique IntraPeri_11mm peut constituer un prédicteur efficace du statut mutationnel P53 préopératoire dans le CHC.
Équivalent du facteur d'impact de la revue : 1.4 (citations moyennes sur 2 ans d'OpenAlex, valeur au 2026-10-13, récupérée le 2026-10-15 ; il ne s'agit pas du facteur d'impact officiel de Clarivate)Référence : Weng J, Yao D, Zeng Q, He Y, Yang C, Yang B. Imagerie par résonance magnétique basée sur la radiomique pour prédire le carcinome hépatocellulaire muté P53 : analyse intratumorale et péritumorale. Transl Cancer Res. 2026 Sep;15(9):709-9. doi:10.21037/tcr-2026-1579.Vérifié : Résumé uniquement
Voir les 1 articles sur le foie →
Cancer du rein : traitement, essais et IA
Aucun nouvel article éligible pour ce numéro.
Cancer de la vessie : traitement, essais et IA
Aucun nouvel article éligible pour ce numéro.