AI और कैंसर अनुसंधान ── 2026-10-10
कैंसर और AI पर नए शोध-पत्र, जो जर्नल फ़ीड, PubMed (सभी जर्नलों में खोज) और OpenAlex (Google Scholar की जगह इस्तेमाल होने वाला सार्वजनिक सूचकांक) से एकत्र किए गए हैं, और जिन्हें Jev (भाषा-आधारित निर्णय लेने वाला AI) ने परखा है: मौलिक शोध, AI की केंद्रीय भूमिका, 13 विषयों में से कौन-सा, उपचार या परीक्षण, और फिर दैनिक सीमा तक महत्व के आधार पर क्रमबद्ध। जर्नलों को इम्पैक्ट फ़ैक्टर के आधार पर नहीं छाँटा जाता; हर शोध-पत्र के साथ उसके जर्नल का IF-समतुल्य (OpenAlex का दो-वर्षीय औसत उद्धरण मान) और उस मान की तारीख दिखाई जाती है। हर प्रविष्टि में मूल सार पूरा दिखाया जाता है।
कैंसर के प्रकार के अनुसार पढ़ें: कैंसर जीवविज्ञान（2） · स्तन（2） · फेफड़ा（2） · अग्न्याशय（1） · प्रोस्टेट（2） · एसीसी（0） · मस्तिष्क（0） · डिम्बग्रंथि（0） · एंडोमेट्रियल（0） · गैस्ट्रिक（1） · यकृत（2） · किडनी（0） · मूत्राशय（0）
कैंसर आणविक जीवविज्ञान और AI
- सार
मस्तिष्क मेटास्टेसिस वयस्कों में केंद्रीय तंत्रिका तंत्र का सबसे आम ट्यूमर है और यह प्रतिकूल पूर्वानुमान तथा कम समग्र जीवित रहने की दर से जुड़ा है। कुछ रोगियों में मस्तिष्क मेटास्टेसिस किसी अज्ञात प्राथमिक ट्यूमर की पहली अभिव्यक्ति के रूप में सामने आता है। हालांकि, पारंपरिक गुणात्मक MRI मूल्यांकन मस्तिष्क मेटास्टेसिस के प्राथमिक स्रोत की सटीक पहचान के लिए अपर्याप्त बना हुआ है। इसलिए, इस व्यवस्थित समीक्षा और डायग्नोस्टिक मेटा-विश्लेषण का उद्देश्य मस्तिष्क मेटास्टेसिस के प्राथमिक ट्यूमर स्रोत की भविष्यवाणी के लिए MRI-आधारित कृत्रिम बुद्धिमत्ता मॉडलों के डायग्नोस्टिक प्रदर्शन का मूल्यांकन करना और उनके प्रदर्शन में भिन्नता लाने वाले कारकों की पहचान करना था।
जर्नल IF: अज्ञात (मिलान नहीं हो सका)संदर्भ: [No authors listed]. MRI-based artificial intelligence for primary tumor origin prediction in brain metastases: a systematic review and diagnostic meta-analysis. Open Science Framework. [Epub ahead of print]. doi:10.17605/osf.io/kz95c.जाँचा गया: केवल सार - सार
ट्रोफोब्लास्ट सेल सतह एंटीजन 2 (TROP-2) एक ट्रांसमेम्ब्रेन ग्लाइकोप्रोटीन है जो उपकला घातक ट्यूमरों की एक श्रृंखला में अत्यधिक अभिव्यक्त होता है, फिर भी इसका नैदानिक मूल्यांकन अब भी काफ़ी हद तक बायोप्सी किए गए ऊतकों के आक्रामक इम्यूनोहिस्टोकेमिकल विश्लेषण पर निर्भर है। इस अध्ययन में, हमने बाइंडिंग इंटरफ़ेस मिमिक्री के माध्यम से TROP-2 को लक्षित करने वाले पेप्टाइड TR23 को नए सिरे से डिज़ाइन करने के लिए PepMimic कृत्रिम बुद्धिमत्ता प्लेटफ़ॉर्म का उपयोग किया, जिसे बाद में DOTA के साथ संयुग्मित किया गया और 68Ga से रेडियोलेबल किया गया ताकि पेप्टाइड-आधारित PET प्रोब [68Ga]Ga-DOTA-TR23 प्राप्त हो सके। इस ट्रेसर ने नैनोमोलर आत्मीयता (KD = 26.8 nM) के साथ TROP-2 से बंधन किया, TROP-2-पॉज़िटिव कोशिकाओं में चयनात्मक कोशिकीय अवशोषण दिखाया, और उच्च रेडियोकेमिकल शुद्धता (>95%) तथा सेलाइन और सीरम में उत्कृष्ट स्थिरता प्रदर्शित की। अग्नाशयी (BxPC-3), प्रोस्टेट (PC3) और थायरॉइड (BCPAP) ज़ेनोग्राफ़्ट मॉडलों में माइक्रो-PET/CT इमेजिंग ने उच्च कंट्रास्ट और कम पृष्ठभूमि अवशोषण के साथ तीव्र, विशिष्ट ट्यूमर संचय दिखाया, जबकि अधिक मात्रा में अलेबल्ड TR23 के साथ प्रतिस्पर्धी अवरोधन अध्ययनों ने ट्यूमर अवशोषण को काफ़ी हद तक दबा दिया, जिससे रिसेप्टर-मध्यस्थ विशिष्टता की पुष्टि हुई। मात्रात्मक विश्लेषण ने आगे तीनों ट्यूमर प्रकारों में SUVmax और इम्यूनोहिस्टोकेमिस्ट्री द्वारा सत्यापित TROP-2 अभिव्यक्ति स्तरों के बीच मज़बूत सकारात्मक सहसंबंध दर्शाया। कुल मिलाकर, ये निष्कर्ष [68Ga]Ga-DOTA-TR23 को TROP-2-पॉज़िटिव ट्यूमरों की तीव्र, विशिष्ट और मात्रात्मक इमेजिंग के लिए एक आशाजनक पेप्टाइड-आधारित PET ट्रेसर के रूप में स्थापित करते हैं, और पेप्टाइड-आधारित प्रोब खोज के लिए PepMimic-सक्षम रणनीति को एक बहुमुखी प्लेटफ़ॉर्म के रूप में रेखांकित करते हैं, जो सटीक आणविक इमेजिंग के लिए इस ट्रेसर की पैन-कैंसर नैदानिक एजेंट के रूप में अनुवादात्मक क्षमता का समर्थन करता है।
जर्नल IF-समतुल्य: 3.7 (OpenAlex 2-वर्षीय औसत उद्धरण दर, मान 2026-10-09 तक का, 2026-10-10 को प्राप्त; आधिकारिक Clarivate IF नहीं)संदर्भ: Lin Z, Yang Z, Ma S, Lin X, Zhang Q, Miao W, et al. De Novo Design of a TROP-2-Targeting Peptide PET Tracer via AI-Guided Binding Interface Mimicry. Bioconjugate Chemistry. 2026 Oct 8 [Epub ahead of print]. doi:10.1021/acs.bioconjchem.6c00394.जाँचा गया: केवल सार
सभी 2 कैंसर जीवविज्ञान पेपर देखें →
स्तन कैंसर: उपचार, ट्रायल और AI
- सार
पृष्ठभूमि: यह अध्ययन SLNM का पूर्वानुमान लगाने के लिए GEX और शल्यक्रिया-पूर्व उपलब्ध नैदानिक डेटा (PreopClinic) का उपयोग करके DL का मूल्यांकन करता है, और एक्सिलरी सर्जरी तथा पूर्वानुमान आकलन में मार्गदर्शन की उनकी संभावनाओं का पता लगाता है।
विधियाँ: हमने SCAN-B से प्राथमिक सर्जरी करवाने वाले इनवेसिव ब्रेस्ट कैंसर के 6,836 नैदानिक रूप से नोड-नेगेटिव T1-T2 रोगियों को पूर्वव्यापी रूप से शामिल किया। तीन DL मॉडल—एक मल्टीलेयर परसेप्ट्रॉन, एक पाथवे-सूचित स्पार्स न्यूरल नेटवर्क और एक ट्रांसफॉर्मर—डेवलपमेंट सेट (n=4,625) का उपयोग करके विकसित किए गए और स्वतंत्र टेस्ट सेट (n=2,211) में XGBoost के विरुद्ध मूल्यांकित किए गए।
परिणाम: GEX मॉडलिंग के लिए Transformer ने अन्य तरीकों से बेहतर प्रदर्शन किया और पूर्व जीन चयन को न्यूनतम किया। स्वतंत्र परीक्षण सेट में, संयुक्त Pre-opClinic+GEX मॉडल ने केवल Pre-opClinic की तुलना में SLNM पूर्वानुमान में उल्लेखनीय सुधार किया (ROC AUC 0.693 बनाम 0.596, P < 0.001) और ऐसे कम जोखिम वाले रोगियों की पहचान की जो अनावश्यक SLNB से बच सकते हैं (92.1% संवेदनशीलता पर कमी दर 27.2%)। हालाँकि, संयुक्त मॉडल ने केवल GEX से उल्लेखनीय रूप से बेहतर प्रदर्शन नहीं किया। जहाँ GEX ने प्रमुख पूर्वानुमान संकेत दिया, वहीं PreopClinic ने नैदानिक उपयोगिता में मामूली संख्यात्मक लाभ के साथ पूरक जानकारी दी। उप-प्रकारों के पार प्रशिक्षण ने उप-प्रकार के भीतर प्रशिक्षण से बेहतर प्रदर्शन किया, विशेष रूप से TNBC में, जहाँ संयुक्त मॉडल ने AUC 0.734 (95% CI: 0.644-0.837) हासिल किया। व्युत्पन्न SLNM पूर्वसूचक ने स्थापित रोगनिदान कारकों से परे भी पूर्वानुमान संबंधी जानकारी दी। यद्यपि मॉडल मुख्यतः सर्जिकल नमूनों से प्राप्त GEX का उपयोग करके विकसित किए गए थे, युग्मित बायोप्सी और सर्जिकल-नमूना विश्लेषणों (n=116) ने ट्रांसक्रिप्टोमिक पैटर्न और नोडल पूर्वानुमानों में पर्याप्त संगति दिखाई।
निष्कर्ष: ये निष्कर्ष शोर के विरुद्ध Transformer की मज़बूती और SLNM पूर्वानुमान के लिए जानकारीपूर्ण ट्रांसक्रिप्टोमिक विशेषताओं को पकड़ने में उसकी प्रभावशीलता को रेखांकित करते हैं। युग्मित बायोप्सी और सर्जिकल नमूनों के बीच देखी गई सहमति भविष्य में बायोप्सी-आधारित पूर्व-शल्य उपयोगों की व्यवहार्यता का समर्थन करती है।
जर्नल IF-समतुल्य: 2.2 (OpenAlex 2-वर्षीय औसत उद्धरण दर, मान 2026-10-09 तक का, 2026-10-10 को प्राप्त; आधिकारिक Clarivate IF नहीं)संदर्भ: Zhang D, Staaf J, Bendahl PO, Dihge L, Ohlsson M, Sjöström M, et al. Multimodal Gene Expression Deep Learning for Predicting Sentinel Lymph Node Macro-metastasis in Early Breast Cancer: Development and Validation in the SCAN-B Cohort. Clinical Cancer Research. 2026 Oct 8 [Epub ahead of print]. doi:10.1158/1078-0432.ccr-26-1134.जाँचा गया: केवल सार - सार
पृष्ठभूमि: नियोएडजुवेंट उपचार प्राप्त करने वाली स्तन कैंसर की मरीज़ों को अनावश्यक सर्जरी से बचने के लिए संपूर्ण प्रतिक्रिया के सर्जरी-पूर्व आकलन से लाभ हो सकता है। हमारा उद्देश्य एक मशीन लर्निंग मॉडल विकसित करना था जो विभिन्न इमेज मोडैलिटी के परिणामों के साथ-साथ ट्यूमर और रोगी की विशेषताओं के आधार पर पैथोलॉजिकल संपूर्ण प्रतिक्रिया (pCR) का पूर्वानुमान लगाए।
विधियाँ: इस पूर्वव्यापी, एकल-केंद्रीय अध्ययन में नियोएडजुवेंट उपचार प्राप्त कर रहे इनवेसिव स्तन कैंसर के 388 मामलों का क्लिनिकल डेटा निकाला गया। अल्ट्रासाउंड, मैमोग्राफी और मैग्नेटिक रेजोनेंस इमेजिंग के निष्कर्षों को रोगी और हिस्टोपैथोलॉजिकल जानकारी के साथ शामिल किया गया। परिणाम के लिए सबसे प्रासंगिक विशेषताओं को पहले से चुनने हेतु Pearson Product-Moment सहसंबंध और LASSO रेगुलराइज़ेशन किया गया। पूर्व-चयनित चरों के आधार पर, हमने pCR का पूर्वानुमान लगाने के लिए एक मशीन लर्निंग एल्गोरिदम (इलास्टिक नेट पेनल्टी के साथ लॉजिस्टिक रिग्रेशन (GLM)) विकसित और सत्यापित किया। मॉडल के प्रदर्शन का मूल्यांकन एरिया अंडर द कर्व (AUROC), फ़ॉल्स पॉज़िटिव रेट (FPR) और पॉज़िटिव प्रेडिक्टिव वैल्यू (PPV) के माध्यम से किया गया।
परिणाम: कुल कोहोर्ट में, 388 मामलों में से 158 में pCR पाया गया, जिससे pCR दर 40.7% रही। 111 एकत्रित वेरिएबल में से 8 वेरिएबल को अन्य फीचर्स के साथ उच्च सहसंबंध के कारण हटा दिया गया। LASSO रेगुलराइज़ेशन के बाद, अंतिम मॉडल के लिए 14 वेरिएबल को प्रेडिक्टर के रूप में शामिल किया गया। वैलिडेशन सेट में, GLM ने 8.7% FPR और 75% PPV के साथ 0.76 का AUROC हासिल किया।
निष्कर्ष: इमेजिंग और क्लिनिकोपैथोलॉजिकल विशेषताओं के संयोजन से, हमारा मशीन लर्निंग मॉडल नियोएडजुवेंट उपचार प्राप्त कर रही स्तन कैंसर रोगियों में pCR के पूर्वानुमान को बेहतर बनाने का एक आशाजनक तरीका दर्शाता है। LASSO रेगुलराइज़ेशन के साथ मिलकर, यह विभिन्न चरों की पूर्वानुमान क्षमता के बारे में रोचक अंतर्दृष्टि देता है, जो मानक नैदानिक अभ्यास के भाग के रूप में उपलब्ध हैं। ट्रायल पंजीकरण लागू नहीं।
जर्नल IF-समतुल्य: 3.9 (OpenAlex 2-वर्षीय औसत उद्धरण दर, मान 2026-10-09 तक का, 2026-10-10 को प्राप्त; आधिकारिक Clarivate IF नहीं)संदर्भ: Reisig E, Cai L, Müller M, Schäfgen B, Pfob A. स्तन कैंसर में नियोएडजुवेंट कीमोथेरेपी के बाद पैथोलॉजिकल पूर्ण प्रतिक्रिया की भविष्यवाणी के लिए मशीन लर्निंग मॉडल। BMC Cancer. 2026 Oct 8 [प्रकाशन से पहले ऑनलाइन]. doi:10.1186/s12885-026-17115-7.जाँचा गया: केवल सार
फेफड़ों का कैंसर: उपचार, ट्रायल और AI
- सार
पृष्ठभूमि। पहली या दूसरी पीढ़ी के EGFR टायरोसिन किनेज़ इन्हिबिटर (EGFR-TKIs) के प्रति प्रतिरोध के बाद अर्जित एपिडर्मल ग्रोथ फैक्टर रिसेप्टर (EGFR) T790M का पता लगाना आगे के उपचार का मार्गदर्शन कर सकता है। हमने प्रगति के समय पाए गए T790M का पूर्वानुमान लगाने के लिए एक मल्टीमॉडल कंप्यूटेड टोमोग्राफी (CT) मॉडल विकसित किया और उसे समय के आधार पर मान्य किया। विधियाँ। इस पूर्वव्यापी अध्ययन में पहली या दूसरी पीढ़ी के EGFR-TKIs से उपचारित फेफड़े के एडेनोकार्सिनोमा के 198 रोगी शामिल थे। रोगियों को कालक्रम के अनुसार एक विकास समूह (n = 139) और एक अस्थायी सत्यापन समूह (n = 59) में बाँटा गया। नैदानिक चर, CT के अर्थपरक (सिमैंटिक) लक्षण, हस्तनिर्मित रेडियोमिक्स, और 2.5-आयामी ResNet18 नेटवर्क से निकाली गई डीप फीचर्स को इलास्टिक-नेट लॉजिस्टिक रिग्रेशन द्वारा संयोजित किया गया। एक गतिशील मॉडल में उपचार की शुरुआती प्रतिक्रिया और डेल्टा-रेडियोमिक फीचर्स भी शामिल थे। परिणाम। बेसलाइन मल्टीमॉडल मॉडल ने विकास और सत्यापन समूहों में क्रमशः 0.881 और 0.856 का रिसीवर ऑपरेटिंग कैरेक्टरिस्टिक कर्व के अंतर्गत क्षेत्रफल (AUC) प्राप्त किया। गतिशील मॉडल के लिए संबंधित AUC 0.914 और 0.889 थे। अस्थायी सत्यापन में, गतिशील मॉडल की संवेदनशीलता 0.867 और विशिष्टता 0.862 थी। इसका AUC संख्यात्मक रूप से बेसलाइन मॉडल से अधिक था, लेकिन अंतर सांख्यिकीय रूप से महत्वपूर्ण नहीं था (P = 0.184)। T790M की अधिक पूर्वानुमानित संभावना EGFR एक्सॉन 19 डिलीशन, शुरुआती ट्यूमर सिकुड़न की अधिक मात्रा और लंबे प्रगति-मुक्त उत्तरजीविता से जुड़ी थी। निष्कर्ष। नैदानिक और CT-आधारित फीचर्स को मिलाना पहली या दूसरी पीढ़ी के EGFR-TKI उपचार के बाद प्रगति के समय पाए गए T790M का पूर्वानुमान लगाने में आशाजनक रहा। शुरुआती प्रतिक्रिया और डेल्टा-रेडियोमिक्स ने विभेदन क्षमता में संख्यात्मक सुधार प्रदान किया। इस दृष्टिकोण को नैदानिक व्यवहार में आणविक पुनः-परीक्षण के लिए आधार बनाने से पहले संभावित बहुकेंद्रीय सत्यापन आवश्यक है।
जर्नल IF: अज्ञात (मिलान नहीं हो सका)संदर्भ: [कोई लेखक सूचीबद्ध नहीं]। मल्टीमॉडल CT रेडियोजीनोमिक्स का उपयोग करके फेफड़े के एडेनोकार्सिनोमा में अर्जित EGFR T790M का गैर-आक्रामक पूर्वानुमान। Zenodo (CERN European Organization for Nuclear Research)। [Epub ahead of print]। doi:10.5281/zenodo.23249913.जाँचा गया: केवल सार - सार
औषधीय कवक Ganoderma lucidum जैव-सक्रिय ट्राइटरपेनॉइड्स और पॉलीसैकेराइड्स से भरपूर है। फेफड़ों के कैंसर की जटिलता और अनुकूली प्रतिरोध ऐसी चिकित्सीय रणनीतियों की माँग करते हैं जो एक साथ कई ऑन्कोजेनिक मार्गों को बाधित करें। हमने G. lucidum यौगिकों के बहु-लक्ष्य कैंसर-रोधी तंत्र को स्पष्ट करने के लिए नेटवर्क विश्लेषण और कृत्रिम बुद्धिमत्ता को जोड़ने वाले सिस्टम्स फ़ार्माकोलॉजी दृष्टिकोण का उपयोग किया। जैव-सक्रिय मेटाबोलाइट्स की छँटाई की गई, और उनके लक्ष्यों को फेफड़ों के कैंसर से जुड़े जीनों के साथ एकीकृत करके यौगिक-लक्ष्य-मार्ग नेटवर्क बनाया गया। AI-आधारित मॉलिक्यूलर डॉकिंग ने प्रमुख अंतःक्रियाओं की पुष्टि की। शीर्ष अनुमानित बहु-लक्ष्य यौगिकों को H1299 नॉनस्मॉल सेल फेफड़े के कैंसर कोशिकाओं में जीवन-क्षमता, प्रवासन और वेस्टर्न ब्लॉट परीक्षणों से कार्यात्मक रूप से सत्यापित किया गया। PIK3CA, STAT3, EGFR और TP53 सहित 67 सहक्रियात्मक लक्ष्यों का एक नेटवर्क एक साथ प्रसार, एपोप्टोसिस और प्रतिरक्षा-चोरी के मार्गों को नियंत्रित करता है। lucidumol A और ganoderic acid A जैसे ट्राइटरपेनॉइड्स प्रमुख संचालक के रूप में कार्य करते हैं, जो कई सिग्नलिंग केंद्रों से जुड़ने में सक्षम हैं। ये मेटाबोलाइट्स और एक मानकीकृत G. lucidum अर्क कोशिका प्रसार को रोककर (अर्क IC 5 0 = 1669 μg/mL), प्रवासन को दबाकर, तथा STAT3 फ़ॉस्फ़ोरिलेशन और c-Myc अभिव्यक्ति को घटाकर सहक्रियात्मक रूप से ऑन्कोजेनिक सिग्नलिंग को बाधित करते हैं। ये कवक मेटाबोलाइट्स प्रभावी बहु-लक्ष्य ट्यूमर-दमनकारी गुण प्रदर्शित करते हैं।
जर्नल IF-समतुल्य: 5.5 (OpenAlex 2-वर्षीय औसत उद्धरण दर, मान 2026-10-09 तक का, 2026-10-10 को प्राप्त; आधिकारिक Clarivate IF नहीं)संदर्भ: Wang H, Chen L, Zhang S, Ju M, Feng J, Tang Z, et al. प्रायोगिक सत्यापन के साथ एआई-सहायता प्राप्त सिस्टम्स फ़ार्माकोलॉजी फेफड़ों के कैंसर के विरुद्ध Ganoderma lucidum अर्क की बहु-लक्ष्य कैंसर-रोधी क्रियाविधियों को उजागर करती है। Mycology. 2026 Mar 6;17(3):773-93. doi:10.1080/21501203.2026.2634522; PMCID: PMC13647369.जाँचा गया: पूर्ण पाठ जाँचा गया
अग्न्याशय कैंसर: उपचार, परीक्षण और AI
- सार
एपिथेलियल-से-मेसेंकाइमल संक्रमण (EMT) के दौरान मध्यवर्ती या हाइब्रिड अवस्थाओं के आधार पर कैंसर कोशिकाओं का वर्गीकरण उनकी विषमता, प्लास्टिसिटी और आक्रामकता की जानकारी देता है। यह प्रोटीन मार्करों की इम्यूनोफ्लोरेसेंस इमेजिंग से किया जाता है, लेकिन इसकी थ्रूपुट कम है और यह नमूने की विषमता से सीमित है। चूँकि EMT के दौरान तंतुमय प्रोटीनों का अंतःकोशिकीय पुनर्वितरण कोशिकाओं के जैव-यांत्रिकी को बदल देता है, इसलिए हम माइक्रोफ्लुइडिक विस्कोइलास्टिक प्रवाहों के अंतर्गत विरूपण और पुनर्प्राप्ति क्षेत्रों के सतत विस्तार पर एकल-कोशिका इमेजिंग प्रस्तुत करते हैं, जिसे आकारमितीय आकृति विवरणकों, कोशिका ज्यामिति के बाइनरी मास्क और अंतःकोशिकीय बनावट को बनाए रखने वाले ब्राइटफ़ील्ड चित्रों पर उच्च-थ्रूपुट EMT वर्गीकरण के लिए बहु-क्षेत्र डीप लर्निंग ढाँचे के साथ जोड़ा गया है। हम निष्कर्ष निकालते हैं कि EMT के दौरान केंद्रक के बढ़ने से कठोरता बढ़ने के बावजूद, साइटोस्केलेटन के चारों ओर विमेंटिन का पुनर्वितरण संभवतः क्रमिक रूप से EMT-प्रेरित अग्न्याशय कैंसर कोशिकाओं को अधिक विरूपण सहने और समदैशिक आकृतियों में तेज़ी से शिथिल होने में सक्षम बनाता है। कन्वolutionल फ़ीचर निष्कर्षण को ध्यान-आधारित क्षेत्रीय संकलन के साथ जोड़ने वाले आर्किटेक्चर का उपयोग करके, मध्यवर्ती EMT अवस्थाओं के वर्गीकरण में कोशिका विरूपण और शिथिलन के योगदान को वैश्विक ज्यामितीय जानकारी और साइटोस्केलेटल पुनर्गठन से संबंधित अंतःकोशिकीय बनावट के माध्यम से पकड़ा जाता है। एकल-क्षेत्र इमेजिंग फ़्लो साइटोमेट्री या अदिश विरूपणीयता मापदंडों की तुलना में, विरूपण और शिथिलन गतिकी का यह बहु-क्षेत्र ध्यान-आधारित मापन उन मध्यवर्ती EMT अवस्थाओं के वर्गीकरण को बेहतर बनाता है जो मेटास्टेसिस के लिए सबसे अधिक प्लास्टिसिटी प्रदर्शित करती हैं।
जर्नल IF-समतुल्य: 5.6 (OpenAlex 2-वर्षीय औसत उद्धरण दर, मान 2026-10-09 तक का, 2026-10-10 को प्राप्त; आधिकारिक Clarivate IF नहीं)संदर्भ: Jarmoshti J, Gao H, Zeinali N, Siddique A, Adair SJ, Bauer TW, et al. माइक्रोफ्लुइडिक विस्कोइलास्टिक प्रवाह के अंतर्गत विरूपणशीलता साइटोमेट्री द्वारा उपकला से मेसेनकाइमल अवस्थाओं की प्रगति के दौरान अग्न्याशय कैंसर कोशिकाओं का डीप लर्निंग वर्गीकरण। Advanced Intelligent Systems. 2026 Oct 7 [Epub ahead of print]. doi:10.1002/aisy.70573.जाँचा गया: केवल सार
प्रोस्टेट कैंसर: उपचार, ट्रायल और AI
- सार
बायपैरामेट्रिक MRI पर नैदानिक रूप से महत्वपूर्ण प्रोस्टेट कैंसर (csPCa) का सटीक रोगी-स्तरीय जोखिम स्तरीकरण अब भी चुनौतीपूर्ण है, क्योंकि अधिकांश मौजूदा दृष्टिकोणों में महंगे घाव-स्तरीय एनोटेशन की आवश्यकता होती है या उनका मूल्यांकन बड़े, समय के आधार पर अलग किए गए समूहों में नहीं किया गया है। हमने रोगी-स्तरीय csPCa वर्गीकरण के लिए एक बहुविध डीप लर्निंग फ्रेमवर्क विकसित और मान्य किया, जो T2-भारित (T2w), डिफ्यूजन-भारित (DWI) और स्पष्ट डिफ्यूजन गुणांक (ADC) वॉल्यूम को आयु, प्रोस्टेट-विशिष्ट एंटीजन (PSA) और PSA घनत्व (PSAD) के साथ जोड़ता है, और इसे घाव-स्तरीय एनोटेशन के बिना प्रशिक्षित किया गया। अध्ययन में 3, 939 जांचों का एक पूर्वव्यापी विकास समूह और 13 केंद्रों से भावी रूप से प्राप्त 1, 409 जांचों वाला एक स्वतंत्र समयगत सत्यापन समूह शामिल था। मॉडल में तीन अनुक्रम-विशिष्ट एनकोडर, असममित क्रॉस-अटेंशन फ्यूजन और दो-चरणीय ट्रांसफर-लर्निंग रणनीति का उपयोग किया गया है। जनसांख्यिकीय और नैदानिक चर जोड़ने से केवल-MRI मॉडलों की तुलना में प्रदर्शन लगातार बेहतर हुआ, जिसमें PSAD सबसे अधिक जानकारीपूर्ण पूरक कारक के रूप में उभरा, मुख्यतः विशिष्टता में सुधार करके। सर्वश्रेष्ठ प्रदर्शन करने वाले मॉडल—जो MRI, आयु, PSA और PSAD को क्रॉस-अटेंशन के साथ जोड़ता है—ने पूर्वव्यापी होल्ड-आउट परीक्षण सेट पर औसत AUC $$0.765\!\pm \!0.006$$ और स्वतंत्र समयगत सत्यापन समूह पर $$0.741\!\pm \!0.006$$ प्राप्त किया। पश्च-विश्लेषण (post hoc) उपसमूह विश्लेषणों ने अधिकांश स्तरों में मोटे तौर पर स्थिर रैंक-क्रम विभेदन (AUC) का संकेत दिया, हालांकि निश्चित-सीमा संवेदनशीलता और विशिष्टता में काफी भिन्नता रही, जबकि Grad-CAM मानचित्रों ने क्रॉस-अटेंशन के तहत संदिग्ध क्षेत्रों के साथ अधिक बार अतिव्याप्ति का गुणात्मक संकेत दिया। ये निष्कर्ष PSAD-आधारित बहुविध रोगी-स्तरीय मॉडलों को बायपैरामेट्रिक MRI पर csPCa जोखिम स्तरीकरण को परिष्कृत करने के एक व्यवहार्य साधन के रूप में समर्थन देते हैं, जिनमें ISUP ग्रेड समूह 1 रोग को नैदानिक रूप से महत्वपूर्ण के रूप में गलत सकारात्मक वर्गीकृत करने की संभावना कम करने की क्षमता है।
जर्नल IF-समतुल्य: 5.2 (OpenAlex 2-वर्षीय औसत उद्धरण दर, मान 2026-10-04 तक का, 2026-10-05 को प्राप्त; आधिकारिक Clarivate IF नहीं)संदर्भ: Dimitriadis A, Kalliatakis G, Osuala R, Kessler D, Diaz O, Mazzetti S, et al. Cross-attention fusion of biparametric MRI sequences with demographic and clinical variables for patient-level classification of clinically significant prostate cancer. Sci Rep. 2026 Oct 8 [प्रिंट से पहले ऑनलाइन प्रकाशित]. doi:10.1038/s41598-026-71998-x.जाँचा गया: केवल सार - सार
महत्त्व: Decipher Prostate Genomic Classifier (GC) और ArteraAI Multimodal Artificial Intelligence (MMAI) प्लेटफ़ॉर्म स्थानीयकृत प्रोस्टेट कैंसर (PCa) के लिए व्यापक रूप से उपयोग किए जाने वाले पूर्वानुमान उपकरण हैं, फिर भी एक ही रोगी समूह में इनकी सीधी तुलना नहीं की गई है।
विधियाँ: हमने स्थानीयकृत और ऑलिगोमेटास्टैटिक PCa वाले कुल 688 रोगियों के बहु-संस्थागत समूहों में GC और MMAI की संगति और पूर्वानुमान मूल्य का मूल्यांकन करने का प्रयास किया। इनमें अफ्रीकी अमेरिकी और पूर्वी एशियाई रोगियों की अधिकता वाली आबादी शामिल थी। GC और MMAI स्कोर को नमूने के प्रकार (बायोप्सी या रेडिकल प्रोस्टेटेक्टोमी (RP)) के आधार पर जोखिम समूहों में वर्गीकृत किया गया। प्राथमिक एंडपॉइंट डिस्टेंट मेटास्टेसिस-फ्री सर्वाइवल (DMFS) था, जिसे निदान से लेकर अंतिम फॉलो-अप या घटना तक मापा गया।
परिणाम: GC और MMAI स्कोर कई समूहों (कोहोर्ट) में उल्लेखनीय रूप से सहसंबद्ध थे। Moffitt RP, बायोप्सी और NCCS कोहोर्ट में MMAI और GC दोनों अकेले भी और नैदानिक चरों के समायोजन के बाद भी पूर्वानुमान-सूचक थे। दोनों बायोमार्कर और नैदानिक चरों को शामिल करने वाले बहुचर विश्लेषण से पता चला कि Moffitt RP में GC को ध्यान में रखने पर भी MMAI सार्थक रहा, और Moffitt बायोप्सी में सीमा रेखा पर रहा। संगत/असंगत मामलों के विश्लेषण से पता चला कि जो मरीज़ GC और MMAI दोनों के लिए उच्च जोखिम वाले थे, उनके परिणाम गुणात्मक रूप से अधिक खराब रहे। पाथवे विश्लेषण में Moffitt RP और ऑलिगोमेटास्टैटिक मरीज़ों के लिए GC और MMAI के बीच संगति उच्च थी। दोनों बायोप्सी कोहोर्ट में, अधिकांश जैविक पाथवे संगत होने के बावजूद, सिग्नलिंग, मेटाबॉलिक और DNA मरम्मत के कुछ पाथवे लगातार असंगत रहे।
निष्कर्ष: PCa में GC और MMAI की पहली प्रत्यक्ष रोगी-स्तरीय तुलना में पाया गया कि इन बायोमार्करों में मध्यम सहसंबंध है, और दोनों बायोमार्करों ने विविध आबादियों और रोग अवस्थाओं में पूर्वानुमान मूल्य दिखाया।
जर्नल IF-समतुल्य: 2.2 (OpenAlex 2-वर्षीय औसत उद्धरण दर, मान 2026-10-09 तक का, 2026-10-10 को प्राप्त; आधिकारिक Clarivate IF नहीं)संदर्भ: Hong BH, Olabumuyi AA, Zhao SG, Trivedi P, Putney R, Katende E, et al. प्रोस्टेट कैंसर में Decipher जीनोमिक क्लासिफायर और Artera मल्टीमॉडल आर्टिफिशियल इंटेलिजेंस (MMAI) की बहु-संस्थागत, रोगी-स्तरीय तुलना। Clinical Cancer Research. 2026 Oct 8 [प्रकाशन से पहले Epub]. doi:10.1158/1078-0432.ccr-26-2269.जाँचा गया: केवल सार
एडेनॉइड सिस्टिक कार्सिनोमा: उपचार, ट्रायल और AI
इस अंक के लिए कोई नया योग्य पेपर नहीं।
मस्तिष्क ट्यूमर: उपचार, परीक्षण और AI
इस अंक के लिए कोई नया योग्य पेपर नहीं।
डिम्बग्रंथि कैंसर: उपचार, ट्रायल और AI
इस अंक के लिए कोई नया योग्य पेपर नहीं।
एंडोमेट्रियल कैंसर: इलाज, परीक्षण और AI
इस अंक के लिए कोई नया योग्य पेपर नहीं।
गैस्ट्रिक कैंसर: उपचार, ट्रायल और AI
- सार
उद्देश्य: CT शिरा-चरण (venous-phase) छवियों पर आधारित विभिन्न रेडियोमिक्स मॉडल बनाना, ताकि गैस्ट्रिक कैंसर (GC) के गैस्ट्रिक दीवार में आक्रमण की गहराई का मात्रात्मक आकलन किया जा सके, और प्रारंभिक (T1–T2 चरण) तथा उन्नत (T3–T4 चरण) GC में अंतर करने में विभिन्न मशीन-लर्निंग मॉडलों के नैदानिक प्रदर्शन की तुलना करना, जिसका उद्देश्य एक मजबूत और व्याख्या-योग्य मॉडल की पहचान करना और उसके नैदानिक अनुप्रयोग की संभावना का मूल्यांकन करना है।
विधियाँ: इस पूर्वव्यापी अध्ययन में, जनवरी 2022 से मई 2025 के बीच उपचारित 223 पैथोलॉजी-पुष्ट GC रोगियों (66 प्रारंभिक-चरण, 157 उन्नत-चरण) को शामिल किया गया। स्तरीकृत यादृच्छिक नमूनाकरण द्वारा 7:3 के अनुपात में रोगियों को एक प्रशिक्षण सेट (n = 156) और एक आंतरिक होल्ड-आउट परीक्षण सेट (n = 67) में बाँटा गया। सभी रोगियों का सर्जरी से एक सप्ताह के भीतर एन्हांस्ड CT किया गया। वीनस-फेज़ इमेज चुनी गईं, और रेडियोमिक्स फीचर निष्कर्षण के लिए ट्यूमर को घेरने वाले त्रि-आयामी रीजन ऑफ इंटरेस्ट (ROI) को 3D Slicer की मदद से मैन्युअल रूप से चिह्नित किया गया। डेटा लीकेज को सख्ती से रोकने के लिए, सभी प्रीप्रोसेसिंग चरण—जिनमें फीचर स्टैंडर्डाइज़ेशन, LASSO फीचर चयन, हाइपरपैरामीटर ट्यूनिंग और थ्रेशोल्ड निर्धारण शामिल हैं—केवल प्रशिक्षण सेट के भीतर, 5-फोल्ड क्रॉस-वैलिडेशन के साथ पाइपलाइन-आधारित तरीके से किए गए। फीचर चयन की स्थिरता का आकलन 50 बार दोहराए गए स्तरीकृत क्रॉस-वैलिडेशन से भी किया गया। चार मशीन लर्निंग मॉडल बनाए गए: लॉजिस्टिक रिग्रेशन (LR), रैंडम फ़ॉरेस्ट (RF), XGBoost (XGB) और सपोर्ट वेक्टर मशीन (SVM)। प्रदर्शन का मूल्यांकन ROC कर्व, PR कर्व, कन्फ्यूज़न मैट्रिक्स और डिसीज़न कर्व एनालिसिस (DCA) से किया गया। व्याख्यात्मकता के लिए LR मॉडल पर SHAP विश्लेषण लागू किया गया।
परिणाम: कुल 107 रेडियोमिक्स विशेषताएँ निकाली गईं, जिनमें से LASSO रिग्रेशन द्वारा 23 प्रमुख विशेषताएँ चुनी गईं। विशेषता चयन स्थिरता विश्लेषण से पता चला कि 2 विशेषताएँ सभी 50 पुनरावृत्तियों में लगातार चुनी गईं (100% आवृत्ति), 1 विशेषता ≥ 98% पुनरावृत्तियों में बनी रही; कुल मिलाकर 6 विशेषताओं की चयन आवृत्ति ≥ 80% रही, और 8 विशेषताओं की आवृत्ति ≥ 50% रही, जबकि शेष विशेषताओं में चयन की काफ़ी परिवर्तनशीलता दिखी। आंतरिक होल्ड-आउट परीक्षण सेट में, LR मॉडल ने 0.926 (95% CI: 0.860–0.978) का AUC प्राप्त किया, इसके बाद SVM (AUC = 0.915, 95% CI: 0.848–0.973), RF (AUC = 0.893, 95% CI: 0.814–0.960), और XGBoost (AUC = 0.889, 95% CI: 0.806–0.956) रहे। DeLong के परीक्षण से चारों मॉडलों के AUC में कोई सांख्यिकीय रूप से महत्वपूर्ण अंतर नहीं मिला (सभी P > 0.05); LR और RF के बीच सीमांत अंतर (AUC अंतर = 0.033, P = 0.051) केवल एक कमज़ोर संख्यात्मक अंतर दर्शाता है, जिससे LR की सांख्यिकीय श्रेष्ठता सिद्ध नहीं होती। LR मॉडल ने संतुलित प्रदर्शन दिखाया: सटीकता 0.836, संवेदनशीलता 0.830, विशिष्टता 0.850, PPV 0.929, NPV 0.680, F1-स्कोर 0.876, और औसत परिशुद्धता (AP) 0.972; उल्लेखनीय रूप से, LR की झूठी-नकारात्मक दर सबसे कम (17.0%) रही, जो उन्नत GC के अपर्याप्त उपचार के नैदानिक जोखिम को न्यूनतम करती है। Hosmer-Lemeshow परीक्षण ने Random Forest ( P = 0.586), XGBoost ( P = 0.081), और SVM ( P = 0.213) मॉडलों के लिए अच्छा अंशांकन दिखाया, जबकि Logistic Regression मॉडल में अंशांकन की गड़बड़ी के प्रमाण मिले ( P < 0.001)। इस अंशांकन सीमा के बावजूद, LR मॉडल का उत्कृष्ट विभेदक प्रदर्शन (AUC = 0.926) बाइनरी क्लासिफ़ायर के रूप में उसकी नैदानिक उपयोगिता का समर्थन करता है। DCA ने संकेत दिया कि चारों मॉडल नैदानिक रूप से उपयोगी रहे, और LR मॉडल अधिकांश सीमा संभावनाओं पर अनुकूल शुद्ध लाभ प्रदान करता है। SHAP विश्लेषण ने पुष्टि की कि LeastAxisLength और SurfaceVolumeRatio जैसी चयनित विशेषताओं के योगदान की दिशाएँ रोगविज्ञान संबंधी व्याख्याओं के अनुरूप थीं।
निष्कर्ष: CT वेनस-फ़ेज़ छवियों के आधार पर बनाए गए सभी चार मशीन लर्निंग मॉडलों ने तुलनीय विभेदन क्षमता दिखाई, और DeLong परीक्षण से मॉडलों के बीच AUC में कोई सांख्यिकीय रूप से महत्वपूर्ण अंतर नहीं मिला (सभी P > 0.05)। सांख्यिकीय रूप से श्रेष्ठ पूर्वानुमान क्षमता के बजाय, LR मॉडल की उत्कृष्ट व्याख्यात्मकता, संतुलित वर्गीकरण मेट्रिक्स और न्यूनतम फ़ॉल्स-नेगेटिव जोखिम के कारण उसकी नैदानिक उपयोग की संभावना अधिक थी। पारदर्शी गुणांक संरचना और अच्छी नैदानिक क्षमता वाला LR मॉडल, शल्यक्रिया-पूर्व स्टेजिंग और उपचार निर्णय के लिए एक मात्रात्मक सहायक उपकरण के रूप में काम कर सकता है, जो GC के सटीक निदान और उपचार के लिए वस्तुनिष्ठ आधार देता है। औपचारिक नैदानिक उपयोग से पहले आगे की बहु-केंद्रीय बाहरी संभावित पुष्टि अनिवार्य है।
जर्नल IF-समतुल्य: 5.3 (OpenAlex 2-वर्षीय औसत उद्धरण दर, मान 2026-10-02 तक का, 2026-10-03 को प्राप्त; आधिकारिक Clarivate IF नहीं)संदर्भ: Zhang H, Liu Q, Lian W, Huang R, Zhao X, Li L, et al. CT venous-phase radiomics for preoperative differentiation of early and advanced gastric cancer: construction, comparison, and validation of machine-learning models. Cancer Imaging. 2026 Oct 8 [Epub ahead of print]. doi:10.1186/s40644-026-01132-7.जाँचा गया: केवल सार
यकृत कैंसर: उपचार, परीक्षण और AI
- सार
पृष्ठभूमि/उद्देश्य: हेपैटोसेलुलर कार्सिनोमा (HCC) के लिए उपचार का आवंटन एक अत्यंत जटिल कार्य है जिसमें बहुविषयक ट्यूमर बोर्ड (MDT) के इनपुट की आवश्यकता होती है; हालाँकि, इसकी सुलभता और विश्वसनीयता स्वास्थ्य प्रणाली में अलग-अलग हो सकती है। बड़े भाषा मॉडल (LLMs) MDTs की सहायता के लिए संभावित नैदानिक निर्णय-सहायक उपकरण के रूप में उभरे हैं। हमारा उद्देश्य HCC मामलों के लिए विभिन्न LLM-जनित उपचार अनुशंसाओं की तुलना MDT के निर्णयों से करना था।
विधियाँ: हमने रोमानिया के क्लुज-नापोका स्थित एक तृतीयक-देखभाल अस्पताल में MDT बैठकों में चर्चित 100 HCC मामलों का पूर्वव्यापी विश्लेषण किया। चार अलग-अलग LLM (ChatGPT-5, एक अनुकूलित Tumor Board ChatGPT, Gemini 2.5 Flash और Gemini 2.5 Pro) को समान प्रॉम्प्ट और संरचित नैदानिक जानकारी दी गई, और प्रत्येक से उपचार संबंधी सिफ़ारिशें देना अपेक्षित था। पहले, दूसरे और तीसरे उपचार विकल्पों पर MDT के निर्णयों के साथ सहमति का आकलन किया गया। मॉडलों के बीच अंतर का मूल्यांकन Cochran’s Q और Holm-समायोजित exact McNemar परीक्षणों से किया गया। संयोग-सुधारित सहमति का आकलन Cohen’s kappa (κ) से किया गया, और generalized estimating equations से सहमति तथा नैदानिक जटिलता के बीच संबंधों का मूल्यांकन किया गया।
परिणाम: पहली अनुशंसा की सहमति GPT-5 के लिए 81% (95% CI 72.2–87.5), Gemini 2.5 Pro के लिए 80% (71.1–86.7), TumorBoard ChatGPT के लिए 78% (68.9–85.0) और Gemini 2.5 Flash के लिए 63% (53.2–71.8) रही; संचयी शीर्ष-3 सहमति क्रमशः 95%, 92%, 95% और 86% तक पहुँची। GPT-5 (κ = 0.754) और Gemini 2.5 Pro (κ = 0.743) ने संयोग-सुधारित पर्याप्त सहमति दिखाई। Gemini 2.5 Flash में सहमति उल्लेखनीय रूप से कम रही, BCLC स्टेज, Child–Pugh वर्ग, ट्यूमर भार और उपचार श्रेणी के समायोजन के बाद भी (p = 0.006), जबकि ये नैदानिक जटिलता चर सहमति से सांख्यिकीय रूप से महत्वपूर्ण रूप से जुड़े नहीं थे।
निष्कर्ष: HCC जैसी जटिल बीमारी के लिए LLM ने MDT के निर्णयों के साथ मध्यम से पर्याप्त स्तर की सहमति दिखाई, जिसमें मॉडलों के बीच उल्लेखनीय अंतर थे। हमारा अध्ययन रेखांकित करता है कि मानवीय निगरानी आवश्यक है, फिर भी कुछ नैदानिक परिवेशों में LLM विशेषज्ञ मार्गदर्शन के लिए सहायक उपकरण के रूप में काम कर सकते हैं, और यह लिवर कैंसर की देखभाल को बेहतर बनाने में AI की संभावना को भी दर्शाता है।
जर्नल IF-समतुल्य: 2.1 (OpenAlex 2-वर्षीय औसत उद्धरण दर, मान 2026-10-09 तक का, 2026-10-10 को प्राप्त; आधिकारिक Clarivate IF नहीं)संदर्भ: Grapa C, Mocan T, Leucuta DC, Mocan LP, Craciun R, Stefanescu H, et al. हेपेटोसेल्युलर कार्सिनोमा के उपचार आवंटन में बड़े भाषा मॉडलों और बहुविषयक ट्यूमर बोर्ड की सिफारिशों के बीच संगति। Livers. 2026 Oct 8;6(5):104. doi:10.3390/livers6050104.जाँचा गया: केवल सार - सार
परिचय: इस अध्ययन में यह आकलन किया गया कि क्या Gd-DTPA-एन्हांस्ड MRI, ऊतक के नमूने की आवश्यकता के बिना, उपचार से पहले HCC में इम्यूनोस्कोर का गैर-आक्रामक रूप से पूर्वानुमान लगा सकती है। विधियाँ: पूर्वव्यापी रूप से, शल्य चिकित्सा से उपचारित उन HCC रोगियों को शामिल किया गया जिनकी शल्य-पूर्व Gd-DTPA-एन्हांस्ड MRI जाँच हुई थी। पात्र रोगियों को 3:1 यादृच्छिकीकरण योजना के अनुसार यादृच्छिक रूप से एक प्रशिक्षण सेट और एक सत्यापन सेट में आवंटित किया गया। CD3-पॉज़िटिव और CD8-पॉज़िटिव कोशिका घनत्व को मापने के लिए इम्यूनोहिस्टोकेमिस्ट्री की गई; माध्यिका कटऑफ का उपयोग करके रोगियों को उच्च और निम्न इम्यूनोस्कोर समूहों में वर्गीकृत किया गया। रेडियोमिक्स फीचर निष्कर्षण के लिए, यकृत घावों को घेरने वाले रुचि के आयतन, जिनमें ट्यूमर के भीतर और ट्यूमर के आसपास के 10 मिमी किनारे शामिल थे, बहुपरिमितीय MRI अनुक्रमों पर हाथ से चिह्नित किए गए। नैदानिक और रोग-संबंधी डेटा इलेक्ट्रॉनिक चिकित्सा अभिलेखों से प्राप्त किए गए। तीन पूर्वानुमान मॉडल विकसित करने के लिए Support Vector Machine (SVM) का उपयोग किया गया: (1) इंट्राट्यूमोरल रेडियोमिक्स मॉडल (IRM), (2) संयुक्त इंट्रा- और पेरिट्यूमोरल रेडियोमिक्स मॉडल (CRM), और (3) क्लिनिकल कम्बाइंड रेडियोमिक्स मॉडल (CCRM)। मॉडल प्रदर्शन की तुलना DeLong परीक्षण से की गई और इसका मूल्यांकन रिसीवर ऑपरेटिंग कैरेक्टरिस्टिक कर्व के अंतर्गत क्षेत्र (AUC), कैलिब्रेशन कर्व और डिसीज़न कर्व एनालिसिस (DCA) के माध्यम से किया गया। परिणाम: 111 पात्र रोगियों में से 83 को प्रशिक्षण समूह में और 28 को सत्यापन समूह में रखा गया। समूहों के बीच आधारभूत विशेषताएँ संतुलित थीं। दोनों समूहों में CCRM के AUC मान सबसे अधिक रहे (प्रशिक्षण: 0.947; सत्यापन: 0.913)। IRM की तुलना में, CCRM ने सत्यापन समूह में उल्लेखनीय रूप से बेहतर प्रदर्शन दिखाया (p = 0.016), लेकिन प्रशिक्षण समूह में नहीं (p = 0.084)। सत्यापन समूह में CCRM ने CRM से उल्लेखनीय रूप से बेहतर प्रदर्शन नहीं किया (p = 0.55), जबकि प्रशिक्षण समूह में एक महत्वपूर्ण अंतर देखा गया (p = 0.036)। कैलिब्रेशन कर्व ने अच्छी सहमति दर्शाई। DCA ने संकेत दिया कि CCRM और CRM ने समान कुल शुद्ध लाभ प्राप्त किए, जो 46% से 98% की थ्रेशोल्ड प्रायिकताओं में IRM से अधिक थे। चर्चा: यह रेडियोमिक्स दृष्टिकोण HCC में शल्य-पूर्व इम्यूनोस्कोर पूर्वानुमान के लिए नियमित Gd-DTPA-एन्हांस्ड MRI के उपयोग की व्यवहार्यता का संकेत देता है, जो ट्यूमर की प्रतिरक्षा विशेषताओं के निर्धारण के लिए प्रारंभिक साक्ष्य प्रदान करता है। निष्कर्ष: ट्यूमर के भीतर और आसपास की MRI विशेषताओं को एकीकृत करने वाला रेडियोमिक्स मॉडल HCC में शल्य-पूर्व इम्यूनोस्कोर का गैर-आक्रामक पूर्वानुमान संभव बनाता है, जो व्यक्तिगत इम्यूनोथेरेपी निर्णय लेने के लिए प्रारंभिक सहायता प्रदान कर सकता है, हालाँकि बाहरी सत्यापन आवश्यक है।
जर्नल IF-समतुल्य: 1.3 (OpenAlex 2-वर्षीय औसत उद्धरण दर, मान 2026-10-09 तक का, 2026-10-10 को प्राप्त; आधिकारिक Clarivate IF नहीं)संदर्भ: Wang J, Jiang Y, Li Z, Xu D, Teng H, Meng H, et al. Gd-DTPA-संवर्धित मल्टीपैरामीट्रिक MRI पर आधारित रेडियोमिक्स मॉडल हेपैटोसेलुलर कार्सिनोमा में इम्यूनोस्कोर के गैर-आक्रामक उपचार-पूर्व पूर्वानुमान का समर्थन करता है। CMIR. 2026 Sep 30;22. doi:10.2174/0115734056504350260925115431.जाँचा गया: केवल सार
किडनी कैंसर: उपचार, ट्रायल और AI
इस अंक के लिए कोई नया योग्य पेपर नहीं।
मूत्राशय कैंसर: उपचार, परीक्षण और AI
इस अंक के लिए कोई नया योग्य पेपर नहीं।