AI और कैंसर अनुसंधान ── 2026-10-11
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） · फेफड़े（1） · अग्न्याशय（0） · प्रोस्टेट（2） · एसीसी（0） · मस्तिष्क（1） · डिम्बग्रंथि（0） · एंडोमेट्रियल（0） · गैस्ट्रिक（0） · यकृत（2） · किडनी（0） · मूत्राशय（0）
कैंसर आणविक जीवविज्ञान और AI
- सार
पृष्ठभूमि: फेफड़ों का कैंसर विश्व भर में सबसे घातक कैंसरों में से एक है। हालांकि, ऑपरेटर की व्यक्तिपरकता के कारण ग्रेस्केल अल्ट्रासाउंड द्वारा सबप्ल्यूरल घातक घावों को सौम्य संक्रामक स्थितियों से सटीक रूप से अलग करना अब भी कठिन है। हमने स्वचालित घाव विभाजन (segmentation) और सौम्य-घातक वर्गीकरण के लिए एक दो-चरणीय डीप लर्निंग फ्रेमवर्क विकसित और सत्यापित किया। सामग्री और विधियाँ इस पूर्वव्यापी अध्ययन में शोध डेटा उन SPL रोगियों से लिया गया जो Jan 2023–Dec 2024 के बीच Center 1 में आए, साथ ही Jun 2024–Dec 2024 के दौरान Center 2 और Center 3 से भर्ती किए गए रोगियों से (क्रमशः External Test Set 1 और 2 के रूप में)। घाव विभाजन के लिए nnU-Net, U-Net और DeepLabv3 + मॉडल अपनाए गए, जबकि सौम्य-घातक वर्गीकरण के लिए DenseNet121/201, EfficientNet-B0/B1/B2/B3/B4/B5, ResNet18/50/101, Inception-V3 और VGG19 मॉडल उपयोग किए गए। मॉडल के प्रदर्शन का मूल्यांकन Dice similarity coefficient और receiver operating characteristic curve के अंतर्गत क्षेत्र (AUC) सहित मेट्रिक्स से किया गया। अलग-अलग अनुभव वाले 6 रेडियोलॉजिस्टों (3 जूनियर, 3 सीनियर) के नैदानिक प्रदर्शन की तुलना बिना सहायता और AI-सहायता प्राप्त रीडिंग के बीच की गई; तीन रीडरों के संयुक्त अंतरों का अनुमान Bonferroni समायोजन के साथ case-cluster bootstrap द्वारा लगाया गया।
परिणाम: अध्ययन में कुल 1059 रोगियों को शामिल किया गया (61.32 ± 13.82 वर्ष; 726 पुरुष रोगी)। nnU-Net मॉडल ने सर्वोत्तम सेगमेंटेशन हासिल किया (Dice: 0.920 [ट्यूनिंग-वैलिडेशन सेट, n = 257], 0.913 [बाहरी परीक्षण सेट 1, n = 108], 0.915 [बाहरी परीक्षण सेट 2, n = 94])। तेरह उम्मीदवार वर्गीकरण आर्किटेक्चर में से DenseNet121 ने आंतरिक ट्यूनिंग-वैलिडेशन सेट पर सर्वश्रेष्ठ प्रदर्शन किया और इसलिए इसे अंतिम मॉडल के रूप में चुना गया; फिर दो बाहरी समूहों पर इसका मूल्यांकन किया गया, जिसमें बाहरी परीक्षण सेट 1 और 2 में क्रमशः 0.889 (95% CI: 0.827–0.951) और 0.865 (95% CI: 0.790–0.940) के AUC प्राप्त हुए। दोनों बाहरी परीक्षण समूहों में जूनियर रेडियोलॉजिस्टों के लिए AI-सहायता प्राप्त रीडिंग सत्र में कुल नैदानिक सटीकता उल्लेखनीय रूप से अधिक थी (दोनों Bonferroni- समायोजित P < 0.001), जबकि वरिष्ठ रेडियोलॉजिस्टों में सुधार बहुलता समायोजन के बाद सांख्यिकीय महत्व तक नहीं पहुंचा।
निष्कर्ष: इस अध्ययन में बनाया गया डीप लर्निंग मॉडल SPL अल्ट्रासाउंड छवियों के स्वचालित सेगमेंटेशन और सौम्य-घातक वर्गीकरण को सटीकता से साकार कर सकता है, और एक संभावित सहायक नैदानिक उपकरण के रूप में काम कर सकता है। परीक्षण पंजीकरण लागू नहीं।
जर्नल IF-समतुल्य: 3.8 (OpenAlex 2-वर्षीय औसत उद्धरण, मान 2026-10-02 तक का, 2026-10-03 को प्राप्त; आधिकारिक Clarivate IF नहीं)संदर्भ: Ma Q, Liang T, Yi J, Bai H, Li Y, Shen M, et al. सबप्ल्यूरल पल्मोनरी घावों के स्वचालित सेगमेंटेशन और सौम्य-घातक विभेदन के लिए ग्रेस्केल अल्ट्रासाउंड-आधारित दो-चरणीय डीप लर्निंग फ्रेमवर्क। BMC Med Imaging. 2026 Oct 9 [Epub ahead of print]. doi:10.1186/s12880-026-02887-y.जाँचा गया: केवल सार - सार
कैंसर उपचार पर कैसी प्रतिक्रिया देगा, इसका पूर्वानुमान लगाना कठिन बना हुआ है, क्योंकि ट्यूमर विविध होते हैं और कम्प्यूटेशनल मॉडल अपरिचित दवाओं या नमूनों पर अक्सर खराब प्रदर्शन करते हैं। यहाँ हम दिखाते हैं कि डीप लर्निंग मॉडलों की सटीकता आणविक इनपुट, दवा विवरण, मॉडल डिज़ाइन और मूल्यांकन सेटिंग के अनुसार बदलती है, और सबसे बड़ी गिरावट तब होती है जब मॉडलों को पहले से अदृश्य दवाओं या भिन्न डेटासेट पर परखा जाता है। इसलिए हम Drug Response Integration and Voting Ensemble विकसित करते हैं, जो एक मेटा-लर्निंग फ्रेमवर्क है और होल्ड-आउट डेटा से प्राप्त पूर्वानुमानों का उपयोग करके मॉडलों को संयोजित करता है। नौ मॉडलों का एक एन्सेम्बल व्यक्तिगत मॉडलों और अन्य एन्सेम्बल दृष्टिकोणों की तुलना में पूर्वानुमान सटीकता, दवा रैंकिंग और स्थिरता में सुधार करता है। हम इस फ्रेमवर्क को पुनरुत्पादनीय Nextflow वर्कफ़्लो के रूप में लागू करते हैं और इसका उपयोग कैंसर सेल लाइनों, रोगी-व्युत्पन्न नमूनों और यौगिक पुस्तकालयों में मापी गई और पूर्वानुमानित दवा प्रतिक्रियाओं का संसाधन बनाने के लिए करते हैं। कोलोरेक्टल कैंसर में, यह फ्रेमवर्क ऐसे उपचारों की पहचान करता है जिनकी कोशिका और पशु मॉडलों में पुष्ट ट्यूमर-रोधी गतिविधि है। यह दृष्टिकोण चिकित्सीय खोज के लिए एक स्केलेबल रणनीति प्रदान करता है। हम दवा प्रतिक्रिया मॉडलों का बेंचमार्क करते हैं और DRIVE विकसित करते हैं, जो बड़े पैमाने पर कैंसर दवा संवेदनशीलता पूर्वानुमान के लिए एक मेटा-लर्निंग एन्सेम्बल है। DRIVE मजबूती में सुधार करता है और कोलोरेक्टल कैंसर में सत्यापित ट्यूमर-रोधी गतिविधि वाले यौगिकों को प्राथमिकता देता है।
जर्नल IF-समतुल्य: 6.6 (OpenAlex 2-वर्षीय औसत उद्धरण दर, मान 2026-10-10 तक का, 2026-10-11 को प्राप्त; आधिकारिक Clarivate IF नहीं)संदर्भ: Feng Y, Zhou S, Luo S, Feng B, Wu H, Zeng Y, et al. कैंसर के विभिन्न प्रकारों में सुदृढ़ औषधि-प्रतिक्रिया पूर्वानुमान और बड़े पैमाने पर संवेदनशीलता प्रोफ़ाइलिंग के लिए एक एन्सेम्बल फ्रेमवर्क। Commun Biol. 2026 Oct 8 [Epub ahead of print]. doi:10.1038/s42003-026-11124-9.जाँचा गया: केवल सार
सभी 2 कैंसर जीवविज्ञान पेपर देखें →
स्तन कैंसर: उपचार, ट्रायल और AI
- सार
इनवेसिव ब्रेस्ट कैंसर (IBC) के रोगियों में सेंटिनल लिम्फ नोड (SLN) मेटास्टेसिस का प्रीऑपरेटिव मूल्यांकन व्यक्तिगत एक्सिलरी प्रबंधन को सुगम बनाता है। इस अध्ययन का उद्देश्य SLN मेटास्टेसिस की भविष्यवाणी के लिए डीप लर्निंग-आधारित अल्ट्रासाउंड रेडियोमिक्स मॉडल विकसित करना और उसका बाह्य सत्यापन करना था। इस पूर्वव्यापी दो-केंद्रीय अध्ययन में पैथोलॉजी से पुष्ट 246 IBC रोगियों को शामिल किया गया। केंद्र A के 194 रोगियों को प्रशिक्षण ( n = 155) और आंतरिक परीक्षण ( n = 39) समूहों में विभाजित किया गया, जबकि केंद्र B के 52 रोगी बाह्य सत्यापन समूह थे। ResNet50 के माध्यम से प्रीऑपरेटिव अल्ट्रासाउंड छवियों से डीप फीचर्स निकाले गए। प्रशिक्षण समूह में फीचर चयन के बाद, एक ग्रेडिएंट बूस्टिंग डिसीजन ट्री क्लासिफायर बनाया गया। मॉडल की विभेदन क्षमता का आकलन रिसीवर-ऑपरेटिंग कैरेक्टरिस्टिक विश्लेषण से किया गया, और अन्वेषणात्मक नेट-बेनिफिट मूल्यांकन के लिए डिसीजन-कर्व विश्लेषण लागू किया गया। बाईस डीप लर्निंग-आधारित फीचर्स बनाए रखे गए। मॉडल ने प्रशिक्षण, आंतरिक परीक्षण और बाह्य सत्यापन समूहों में क्रमशः रिसीवर-ऑपरेटिंग कैरेक्टरिस्टिक कर्व के अंतर्गत क्षेत्रफल (AUC) 0.734 (95% CI, 0.655–0.813), 0.761 (95% CI, 0.601–0.920) और 0.742 (95% CI, 0.598–0.886) प्राप्त किए। बाह्य समूह में सटीकता, संवेदनशीलता, विशिष्टता, पॉजिटिव प्रेडिक्टिव वैल्यू (PPV) और नेगेटिव प्रेडिक्टिव वैल्यू (NPV) क्रमशः 0.769, 0.650, 0.844, 0.722 और 0.794 थे। डिसीजन कर्व अन्वेषणात्मक थे और नैदानिक उपयोगिता स्थापित नहीं करते। मॉडल ने SLN मेटास्टेसिस के लिए मध्यम विभेदन क्षमता दिखाई, जिसमें AUC के बिंदु अनुमान समान थे पर समूहों में विश्वास अंतराल चौड़े थे; यह केवल प्रारंभिक विभेदन और जोखिम क्रमांकन प्रदान करता है और वर्तमान में नैदानिक रूप से कार्यान्वयन योग्य नहीं है। किसी भी नैदानिक उपयोग से पहले बड़े समूहों में भावी सत्यापन आवश्यक है।
जर्नल IF-समतुल्य: 3.8 (OpenAlex 2-वर्षीय औसत उद्धरण, मान 2026-10-02 तक का, 2026-10-03 को प्राप्त; आधिकारिक Clarivate IF नहीं)संदर्भ: He K, Qiu Y, Zeng B, Huang Z, Lin J, Chen J, et al. इनवेसिव स्तन कैंसर में सेंटिनल लिम्फ नोड मेटास्टेसिस के प्रीऑपरेटिव पूर्वानुमान के लिए अल्ट्रासाउंड-आधारित डीप लर्निंग-व्युत्पन्न रेडियोमिक्स: एक द्वि-केंद्रीय पूर्वव्यापी अध्ययन। BMC Med Imaging. 2026 Oct 9 [प्रिंट से पहले ऑनलाइन प्रकाशित]. doi:10.1186/s12880-026-02919-7.जाँचा गया: केवल सार - सार
स्तन कैंसर में HER2 स्थिति का सटीक आकलन उपचार का मार्गदर्शन करने के लिए अत्यंत महत्वपूर्ण रहा है, और एंटीबॉडी–ड्रग कॉन्जुगेट्स के आगमन के साथ यह और भी अधिक महत्वपूर्ण हो गया है, जो अब HER2-low ट्यूमर में भी संकेतित हैं। हालांकि, पर्यवेक्षकों के बीच और एक ही पर्यवेक्षक के भीतर की भिन्नता पैथोलॉजिस्टों के बीच HER2 IHC स्कोरिंग की पुनरुत्पादनीयता को सीमित करती है। आर्टिफिशियल इंटेलिजेंस (AI) मॉडल निदान की सटीकता को मानकीकृत करने और सुधारने की क्षमता रखते हैं, और वर्तमान प्रथाओं की कमियों के बारे में नई अंतर्दृष्टि प्रदान करते हैं। हमने एक अध्ययन किया जिसमें डिजिटाइज़्ड HER2 IHC होल स्लाइड इमेज का मूल्यांकन करने के लिए पूरे ब्राज़ील के Rede D’Or केंद्रों से सामान्य और विशेषज्ञ पैथोलॉजिस्टों को शामिल किया गया। वही इमेज पैथोलॉजिस्टों को एक महीने के अंतराल पर और AIM-HER2 (PathAI ®, Boston, MA) AI मॉडल को प्रस्तुत की गईं। 126 स्तन कैंसर नमूनों में पर्यवेक्षक-भीतर और पर्यवेक्षकों-के-बीच सहमति, साथ ही AI के साथ सहमति, मापी गई। AI स्थानिक विश्लेषण डेटा का उपयोग करके नमूने की विशेषताओं और सहमति मापदंडों के बीच संबंध का भी विश्लेषण किया गया। पैथोलॉजिस्टों में, पर्यवेक्षक-भीतर सहमति की माध्यिका 66.67% थी, और AI के साथ सहमति की माध्यिका 60.8% थी। पर्यवेक्षकों-के-बीच सहमति की माध्यिका 67.65% थी, और 25.4% नमूनों में उच्च सहमति (> 85%) देखी गई। सभी सहमति मापदंडों के बीच महत्वपूर्ण सकारात्मक सहसंबंध देखे गए। AI स्थानिक विश्लेषण स्कोर द्वारा निर्धारित कम नमूना-भीतर विषमता वाले नमूने उच्च सहमति स्तरों से जुड़े थे। हमारे निष्कर्ष पैथोलॉजिस्टों के बीच HER2 IHC स्कोरिंग में महत्वपूर्ण भिन्नता को उजागर करते हैं। हमने पाया कि AI द्वारा आकलित नमूना-भीतर विषमता पैथोलॉजिस्टों के बीच कम सहमति दर से संबंधित है। हमारा मानना है कि यह वर्तमान स्कोरिंग प्रथाओं की एक संभावित सीमा को दर्शाता है, और AIM-HER2 जैसे AI मॉडल उन नमूनों की ओर संकेत करके विश्लेषण की पुनरुत्पादनीयता बढ़ाने में भूमिका निभा सकते हैं जिनमें मूल्यांकनकर्ताओं के बीच निदानात्मक असहमति की संभावना अधिक होती है।
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: Ferrari P, Petaccia de Macedo M, Werneck da Cunha I, Soares-Souza GB, Soares FA, Breast Cancer Cooperative Study Group, et al. Artificial Intelligence Model’s assessment of intra-sample heterogeneity of HER2 IHC in breast cancer is related to interobserver and intraobserver agreement among pathologists. BMC Cancer. 2026 Oct 9 [Epub ahead of print]. doi:10.1186/s12885-026-17049-0.जाँचा गया: केवल सार
फेफड़ों का कैंसर: उपचार, ट्रायल और AI
- सार
स्थानीय रूप से उन्नत नॉन-स्मॉल सेल फेफड़ों के कैंसर के कीमोरेडियोथेरेपी से उपचार में तीव्र ईसोफेजाइटिस को सीमित करना एक नैदानिक चुनौती बना हुआ है। इस अध्ययन में, Radiation Therapy Oncology Group 0617 क्लिनिकल ट्रायल में उपचारित रोगियों (n = 451; प्रशिक्षण सेट 70% और स्वतंत्र परीक्षण सेट 30%) में तीव्र ईसोफेजाइटिस की भविष्यवाणी के लिए मशीन लर्निंग (ML) एल्गोरिदम का उपयोग किया गया। नैदानिक, रेडियोमिक्स और डोसिमेट्रिक/डोसिओमिक्स विशेषताओं का उपयोग करके ग्रेड ≥ 2 ईसोफेजाइटिस की भविष्यवाणी के लिए कई ML मॉडल प्रशिक्षित किए गए। मॉडल के प्रदर्शन का मूल्यांकन रिसीवर ऑपरेटिंग कैरेक्टरिस्टिक कर्व के अंतर्गत क्षेत्रफल (AUC) से किया गया। सबसे अच्छा प्रदर्शन करने वाले मॉडल की व्याख्या Shapley additive explanation फ्रेमवर्क और डिसीजन कर्व विश्लेषण से की गई। सर्वाधिक सटीकता वाला मॉडल least absolute shrinkage and selection operator मॉडल का उपयोग करते हुए रेडियोमिक्स–डोसिओमिक्स विशेषताओं पर आधारित था (AUC = 0.70; 95% विश्वास अंतराल (CI): 0.60–0.78)। ट्यूमर की स्थिति के सापेक्ष ग्रासनली की ज्यामिति को ध्यान में रखने वाले एक नए मॉडल ने डोज़–वॉल्यूम हिस्टोग्राम संबंधों का उपयोग करके 0.67 (95% CI: 0.58–0.76) का AUC प्राप्त किया। ML मॉडलों ने ऐसे महत्वपूर्ण संबंध उजागर किए जो व्यक्तिगत जोखिम को न्यूनतम करने और वैयक्तिकृत विकिरण चिकित्सा को सुगम बनाने के लिए विकिरण खुराक की योजना का मार्गदर्शन कर सकते हैं।
जर्नल IF-समतुल्य: 1.5 (OpenAlex 2-वर्षीय औसत उद्धरण, मान 2026-10-10 तक का, 2026-10-11 को प्राप्त; आधिकारिक Clarivate IF नहीं)संदर्भ: Upadhaya T, Chetty IJ, Lui J, Atkin KM. NRG/RTOG 0617 क्लिनिकल ट्रायल में उपचारित फेफड़े के कैंसर के रोगियों के लिए व्याख्या-योग्य मशीन लर्निंग एल्गोरिदम का उपयोग करके विकिरण-जनित ईसोफैगाइटिस का लक्षण-वर्णन। AIH. 2026 Oct 8;0(0):026220054. doi:10.36922/aih026220054.जाँचा गया: केवल सार
अग्न्याशय कैंसर: उपचार, परीक्षण और AI
इस अंक के लिए कोई नया योग्य पेपर नहीं।
प्रोस्टेट कैंसर: उपचार, ट्रायल और AI
- सार
प्रोस्टेट कैंसर (PCa) में गहरी नैदानिक विविधता पाई जाती है, और मौजूदा पूर्वानुमान उपकरण आक्रामक प्रगति के आणविक कारकों को पकड़ने में विफल रहते हैं। E2F-संचालित प्रसार और G2/M चेकपॉइंट विनियमन के बीच कार्यात्मक पारस्परिक क्रिया एक केंद्रीय धुरी बनाती है, जो कोशिका चक्र के अनियमन को DNA क्षति मरम्मत पर निर्भरता से जोड़ती है, फिर भी इस क्रॉसटॉक को पकड़ने वाले एकीकृत हस्ताक्षर अभी भी उपलब्ध नहीं हैं। हमने कई स्वतंत्र PCa समूहों में पूर्वानुमान मॉडलों के व्यवस्थित निर्माण और बेंचमार्किंग के लिए एक अनुकूलित AutoML R पैकेज विकसित किया। एक एकीकृत E2F-G2M हस्ताक्षर स्थापित किया गया और 1,128 रोगियों वाले पाँच स्वतंत्र समूहों में उसका सत्यापन किया गया। E2F-G2M हस्ताक्षर की जैविक विशेषताओं और चिकित्सीय निहितार्थों की जाँच के लिए जीनोमिक लक्षण-वर्णन, दवा संवेदनशीलता पूर्वानुमान और प्रायोगिक सत्यापन किया गया। PCa की प्रगति के दौरान E2F और G2/M दोनों मार्ग लगातार सक्रिय रहे और स्वतंत्र रूप से खराब परिणामों का पूर्वानुमान लगाया। एकीकृत E2F-G2M हस्ताक्षर ने चार बाहरी PCa समूहों में औसतन 0.78 का C‑index हासिल किया, जो एकल‑मार्ग मॉडलों, पारंपरिक नैदानिक चरों और पहले रिपोर्ट किए गए हस्ताक्षरों से बेहतर रहा। E2F-G2M–उच्च ट्यूमर बार-बार होने वाले ट्यूमर सप्रेसर जीन परिवर्तनों, कमज़ोर AR सिग्नलिंग और न्यूरोएंडोक्राइन-जैसी विशेषताओं से जुड़े थे। इसके अलावा, E2F-G2M-उच्च ट्यूमर PARP अवरोधकों और चुनिंदा प्रतिकृति तनाव-लक्षित एजेंटों, जिनमें ATR, WEE1 और CHK1/2 अवरोधक शामिल हैं, के प्रति संवेदनशील पाए गए, जबकि CDK4/6 और ATM अवरोधकों के प्रति उनकी संवेदनशीलता कम थी। E2F-संबंधित कोशिका-चक्र कार्यक्रमों और G2/M चेकपॉइंट विनियमन को लक्षित करने वाली संयोजन रणनीतियों ने RB1 की स्थिति से संबंधित संदर्भ-निर्भर तालमेल दिखाया। एकीकृत E2F-G2M हस्ताक्षर एक सुदृढ़ पूर्वानुमान ढाँचा प्रदान करता है जो आक्रामक PCa फेनोटाइप को पकड़ता है और संभावित चिकित्सीय कमज़ोरियों की पहचान करता है।
जर्नल IF-समतुल्य: 10.3 (OpenAlex 2-वर्षीय औसत उद्धरण, मान 2026-10-10 तक का, 2026-10-11 को प्राप्त; आधिकारिक Clarivate IF नहीं)संदर्भ: Wang L, Wang L. आक्रामक प्रोस्टेट कैंसर में प्रोग्नोस्टिक स्तरीकरण और चिकित्सीय लक्ष्यीकरण के लिए मशीन लर्निंग से प्राप्त E2F-G2M सिग्नेचर। Cell Commun Signal. 2026 Oct 9 [प्रकाशन से पहले ऑनलाइन]. doi:10.1186/s12964-026-03276-2.जाँचा गया: केवल सार - सार
उद्देश्य: लैप्रोस्कोपिक रेडिकल प्रोस्टेटेक्टोमी (LRP) के बाद बायोकेमिकल पुनरावृत्ति (BCR) प्रोस्टेट कैंसर (PCa) रोगियों के दीर्घकालिक जीवित रहने को काफ़ी प्रभावित करती है। इस अध्ययन का उद्देश्य नैदानिक-पैथोलॉजिकल विशेषताओं और सर्जरी-पूर्व सूजन व पोषण सूचकांकों को मिलाकर एक व्याख्यायोग्य मशीन लर्निंग मॉडल विकसित और सत्यापित करना था, ताकि पुनरावृत्ति-मुक्त उत्तरजीविता (RFS) का पूर्वानुमान लगाया जा सके और संभावित आणविक चिकित्सीय लक्ष्यों की खोज की जा सके।
विधियाँ: बीजिंग चाओयांग अस्पताल, कैपिटल मेडिकल यूनिवर्सिटी में LRP करवाने वाले 320 PCa रोगियों के एक पूर्वव्यापी समूह (retrospective cohort) का विश्लेषण किया गया। हमने LRP से पहले जनसांख्यिकीय और क्लिनिकोपैथोलॉजिकल चरों तथा सात संयुक्त सूजन/पोषण सूचकांकों को एकीकृत किया। Cox-आधारित फीचर चयन को सर्वाइवल एल्गोरिदम के साथ मिलाकर Mime-आधारित मशीन लर्निंग सर्वाइवल पाइपलाइन का उपयोग किया गया। मॉडल के प्रदर्शन का मूल्यांकन कॉन्कॉर्डेंस इंडेक्स (C-index), समय-निर्भर ROC, कैलिब्रेशन कर्व और निर्णय वक्र विश्लेषण (DCA) से किया गया। मॉडल की व्याख्या और नैदानिक कटऑफ निकालने के लिए SHAP (SHapley Additive exPlanations) का उपयोग किया गया। इसके अलावा, GeneCards के माध्यम से BCR, लिम्फोसाइट-से-मोनोसाइट अनुपात (LMR) और प्रोग्नोस्टिक न्यूट्रिशनल इंडेक्स (PNI) के साझा जीनों की पहचान की गई, जिसके बाद दवा संवेदनशीलता स्क्रीनिंग और आणविक डॉकिंग की गई।
परिणाम: Random Survival Forest मॉडल के साथ संयुक्त StepCox[both] ने सर्वश्रेष्ठ प्रदर्शन दिखाया, जिसमें validation C-index 0.788 प्राप्त हुआ। SHAP विश्लेषण ने पुनरावृत्ति के शीर्ष पांच पूर्वानुमान कारकों की पहचान की: ऑपरेशन-पूर्व LMR, PNI स्कोर, ऑपरेशन-पश्चात Gleason स्कोर ≥ 8, पॉज़िटिव सर्जिकल मार्जिन, और लिम्फोवैस्कुलर इन्वेज़न। मॉडल से प्राप्त कटऑफ LMR = 3.9 और PNI = 48.8 निर्धारित किए गए। इंटरसेक्शन विश्लेषण से BCR, LMR और PNI के बीच 1211 साझा लक्ष्य सामने आए, जिनमें TP53 और PTEN सर्वोच्च स्थान पर रहे। औषधि संवेदनशीलता विश्लेषण और मॉलिक्यूलर डॉकिंग ने इन लक्ष्यों पर sabutoclax और dordaviprone जैसे यौगिकों के संभावित निरोधात्मक प्रभावों का संकेत दिया।
निष्कर्ष: प्रस्तावित मॉडल पोस्टऑपरेटिव PCa रोगियों के लिए एक मजबूत और व्याख्या-योग्य जोखिम स्तरीकरण के रूप में काम कर सकता है। क्लिनिकल फेनोटाइपिंग और अन्वेषणात्मक मॉलिक्यूलर डॉकिंग का एकीकरण प्रोग्नोस्टिक सूचकांकों से संभावित चिकित्सीय परिकल्पनाओं तक एक ट्रांसलेशनल मार्ग प्रदान करता है, जिसके लिए आगे प्रॉस्पेक्टिव सत्यापन आवश्यक है।
जर्नल IF-समतुल्य: 3.5 (OpenAlex 2-वर्षीय औसत उद्धरण, मान 2026-10-10 तक का, 2026-10-11 को प्राप्त; आधिकारिक Clarivate IF नहीं)संदर्भ: Wang H, Zhang Y, Li Z, Wu J, Cao H, Gan L, et al. रेडिकल प्रोस्टेटेक्टॉमी के बाद बायोकेमिकल पुनरावृत्ति के लिए सूजन-पोषण संबंधी बायोमार्कर को एकीकृत करने वाला व्याख्यात्मक मशीन लर्निंग प्रोग्नोस्टिक मॉडल: विकास, आंतरिक सत्यापन और ट्रांसलेशनल लक्ष्य अन्वेषण। Curr Oncol. 2026 Oct 9;33(10):608. doi:10.3390/curroncol33100608.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
- सार
पृष्ठभूमि/उद्देश्य: वयस्क-प्रकार के डिफ्यूज़ ग्लियोमा (ADGs) आक्रामक मस्तिष्क ट्यूमर हैं, जिनके नैदानिक परिणाम बेहद भिन्न होते हैं। नियमित हेमेटोक्सिलिन और ईओसिन (H&E) से रंगी संपूर्ण-स्लाइड इमेज (WSIs) से सीधे पूर्वानुमान का आकलन व्यक्तिगत निर्णय लेने में सहायक हो सकता है।
विधियाँ: हमारी जानकारी के अनुसार, यह 2021 विश्व स्वास्थ्य संगठन (WHO) वर्गीकरण के अंतर्गत ADGs में समग्र उत्तरजीविता (OS) जोखिम स्तरीकरण के लिए पैथोलॉजी फाउंडेशन मॉडल (FMs) और मल्टीपल इंस्टेंस लर्निंग (MIL) विधियों की पहली व्यवस्थित बेंचमार्किंग है। The Cancer Genome Atlas (TCGA) के 817 प्रतिभागियों के एक पूर्वव्यापी, बहु-संस्थागत समूह का विश्लेषण किया गया। ऊतक विभाजन और पैच-स्तर की क्यूरेशन के बाद, हमने रोगी-स्तरीय 10-फोल्ड क्रॉस-वैलिडेशन का उपयोग करते हुए 77 पैथोलॉजी FM-MIL संयोजनों (11 FMs × 7 MIL विधियाँ) और सात ResNet-50 बेसलाइन कॉन्फ़िगरेशन (कुल 84 एन्कोडर-MIL कॉन्फ़िगरेशन) का मूल्यांकन किया। परटर्बेशन-आधारित मूल्यांकन ने अटेंशन मैकेनिज़्म की विश्वसनीयता का आकलन किया।
परिणाम: UNI2 को MambaMIL के साथ जोड़ने पर सबसे अधिक क्रॉस-वैलिडेटेड कॉन्कॉर्डेंस इंडेक्स (C-index = 0.77) प्राप्त हुआ, जबकि इसका समय-निर्भर AUC मामूली था (12–36 महीनों पर 0.60–0.61), और कई संयोजनों ने तुलनीय प्रदर्शन किया। Kaplan–Meier विश्लेषण ने उच्च- और निम्न-जोखिम समूहों के बीच महत्वपूर्ण अंतर दिखाया (log-rank p = 9.16 × 10−17; हैज़र्ड अनुपात [HR] = 2.90, 95% विश्वास अंतराल [CI]: 2.23–3.76), जिसमें औसत OS क्रमशः 16.6 महीने (95% CI: 15.0–20.4) बनाम 63.5 महीने (95% CI: 43.9-NR) रहा। टर्टाइल स्तरीकरण ने OS में 94.5 महीने से 14.7 महीने तक एकदिशीय ढलान की पुष्टि की (p = 3.25 × 10−17)। WHO 2021 के अलग-अलग प्रकारों के भीतर जोखिम स्तरीकरण महत्वपूर्ण नहीं था। अधिकांश डोमेन-विशिष्ट FMs ने ImageNet-पूर्वप्रशिक्षित आधार रेखा से बेहतर प्रदर्शन किया, और अत्यधिक ध्यान पाने वाले पैच हटाने से प्रदर्शन घटा, जो अटेंशन की विश्वसनीयता का समर्थन करता है।
निष्कर्ष: व्यक्तिगत नैदानिक और आणविक चरों के लिए समायोजन के बाद भी AI-आधारित जोखिम स्कोर OS से जुड़ा रहा, लेकिन पूरी तरह समायोजित मॉडल में स्वतंत्र पूर्वानुमान मूल्य सिद्ध नहीं हुआ (HR = 1.32, 95% CI: 0.94–1.85, p = 0.104), और इसका विभेदन मुख्यतः WHO 2021 प्रकारों के बीच के अंतर को दर्शाता है। यह बेंचमार्किंग ढांचा उत्तरजीविता पूर्वानुमान को लक्षित करने वाले कम्प्यूटेशनल पैथोलॉजी अनुप्रयोगों में FM-MIL डिजाइन के लिए मार्गदर्शन प्रदान करता है; नैदानिक उपयोग से पहले बाहरी सत्यापन आवश्यक है।
जर्नल IF-समतुल्य: 5.3 (OpenAlex 2-वर्षीय औसत उद्धरण, मान 2026-10-07 तक का, 2026-10-08 को प्राप्त; आधिकारिक Clarivate IF नहीं)संदर्भ: Innani S, Pitarch-Abaigar C, Majeed MM, Harmsen H, Bell WR, Makris D, et al. H&E-स्टेन्ड स्लाइड्स से वयस्क-प्रकार के डिफ्यूज़ ग्लियोमा रोगियों का AI-आधारित प्रोग्नोस्टिक जोखिम स्तरीकरण। Cancers. 2026 Oct 9;18(20):3259. doi:10.3390/cancers18203259.जाँचा गया: केवल सार
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
इस अंक के लिए कोई नया योग्य पेपर नहीं।
यकृत कैंसर: उपचार, परीक्षण और AI
- सार
हेपेटोसेल्युलर कार्सिनोमा (HCC) में उपचार रणनीतियों को अनुकूलित करने के लिए ट्रांसआर्टेरियल कीमोएम्बोलाइज़ेशन (TACE) की रिफ्रैक्टरीनेस का पूर्वानुमान लगाना महत्वपूर्ण है; हालाँकि, सटीक जोखिम आकलन चुनौतीपूर्ण बना हुआ है। इमेजिंग और नैदानिक संकेतकों के माध्यम से प्राप्त प्रारंभिक चिकित्सीय प्रतिक्रिया अंतर्निहित उपचार संवेदनशीलता को दर्शाती है और दीर्घकालिक रिफ्रैक्टरीनेस के लिए महत्वपूर्ण पूर्वानुमान मूल्य रखती है। इस अध्ययन ने प्रारंभिक TACE के बाद उपचार प्रभाव की विषमता का मूल्यांकन किया, ताकि बार-बार सत्रों के बाद TACE रिफ्रैक्टरीनेस के पूर्वानुमान के लिए एक बहुविध नॉमोग्राम विकसित किया जा सके। मल्टीपैरामीट्रिक MRI स्थानिक हैबिटैट रेडियोमिक्स का उपयोग करके, हमने तीन इमेजिंग-परिभाषित हैबिटैट की पहचान की, जिनके सिग्नल प्रोफ़ाइल द्रवीकरण परिगलन (liquefactive necrosis), अवशिष्ट जीवित ट्यूमर और स्कंदन परिगलन (coagulative necrosis) से मिलते-जुलते थे। हैबिटैट और पारंपरिक रेडियोमिक विशेषताओं को एकीकृत करके, आठ मशीन लर्निंग एल्गोरिदम का उपयोग करते हुए एक व्याख्यात्मक रेडियोमिक स्कोर बनाया गया। इस स्कोर को बाद में अनुदैर्ध्य गतिशील नैदानिक मापदंडों के साथ जोड़कर एक संयुक्त नैदानिक-रेडियोमिक नॉमोग्राम बनाया गया। नॉमोग्राम ने प्रशिक्षण, आंतरिक सत्यापन और बाह्य सत्यापन समूहों में क्रमशः 0.924, 0.860 और 0.864 का एरिया अंडर द कर्व (AUC) प्राप्त किया। ये निष्कर्ष सुझाव देते हैं कि हैबिटैट रेडियोमिक्स को गतिशील नैदानिक विशेषताओं के साथ एकीकृत करने से प्रारंभिक TACE सत्र के बाद और बार-बार उपचार से पहले आगे की TACE रिफ्रैक्टरीनेस के जोखिम को स्तरीकृत करने में मदद मिल सकती है, जिससे संभावित रूप से उपचार-प्रतिक्रिया का शीघ्र आकलन और व्यक्तिगत नैदानिक निर्णय-निर्माण समर्थित हो सकता 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: Liu JK, Gu YQ, Sun QA, Chang JH, Zhao J, Liu YB, et al. मल्टीपैरामेट्रिक MRI हैबिटैट रेडियोमिक्स और अनुदैर्ध्य गतिशील नैदानिक मापदंड HCC में TACE रिफ्रैक्टरीनेस की भविष्यवाणी करते हैं। Sci Rep. 2026 Oct 9 [प्रकाशन से पहले ऑनलाइन]। doi:10.1038/s41598-026-74555-8.जाँचा गया: केवल सार - सार
हेपेटोसेलुलर कार्सिनोमा (HCC) के लिए एनाटॉमिकल लिवर रिसेक्शन पोर्टल शिरा की शारीरिक संरचना की सटीक इंट्राऑपरेटिव पहचान पर बहुत अधिक निर्भर करता है। यद्यपि इंट्राऑपरेटिव अल्ट्रासाउंड (IOUS) को लिवर सर्जरी के दौरान रीयल-टाइम वाहिका मार्गदर्शन के लिए गोल्ड स्टैंडर्ड माना जाता है, फिर भी खंड-विशिष्ट पोर्टल शिरा शाखाओं की पहचान तकनीकी रूप से कठिन है और सर्जिकल अनुभव पर अत्यधिक निर्भर करती है। कृत्रिम बुद्धिमत्ता (AI)-सहायता प्राप्त अल्ट्रासाउंड व्याख्या इंट्राऑपरेटिव वाहिका पहचान की दक्षता और एकरूपता में सुधार कर सकती है; हालांकि, अधिकांश पूर्व अध्ययन रीयल-टाइम सर्जिकल उपयोग के बिना केवल स्थिर छवि विश्लेषण तक सीमित रहे हैं। इस अध्ययन का उद्देश्य लैपरोस्कोपिक इंट्राऑपरेटिव अल्ट्रासाउंड के दौरान चयनित पोर्टल शिरा शाखाओं की स्वचालित पहचान के लिए YOLOv5-आधारित डीप-लर्निंग पाइपलाइन विकसित और मूल्यांकित करना तथा एनाटॉमिकल लिवर रिसेक्शन के दौरान रीयल-टाइम इंट्राऑपरेटिव परिनियोजन की व्यवहार्यता की जांच करना था। HCC के लिए एनाटॉमिकल लिवर रिसेक्शन करा रहे 100 लगातार रोगियों से प्राप्त कुल 3254 लैपरोस्कोपिक इंट्राऑपरेटिव अल्ट्रासाउंड छवियों को पूर्वव्यापी रूप से एकत्र किया गया और अनुभवी हेपेटोबिलियरी सर्जनों द्वारा मैन्युअल रूप से एनोटेट किया गया। एनोटेट किए गए डेटासेट को रोगी स्तर पर स्वतंत्र प्रशिक्षण, सत्यापन और परीक्षण समूहों (क्रमशः 80%, 15% और 5%) में विभाजित किया गया। अंतिम YOLOv5 मॉडल को पांच पूर्वनिर्धारित दाएं-पक्षीय पोर्टल शिरा वर्गों: P58, P67, P6, P7 और P8d का उपयोग करके प्रशिक्षित किया गया। 20 रोगियों में संभावित रीयल-टाइम सत्यापन के दौरान उसी पांच-वर्ग मॉडल का बिना पुनः प्रशिक्षण या वर्ग संशोधन के उपयोग किया गया। मॉडल ने स्वतंत्र परीक्षण डेटासेट पर 0.941 का माध्य औसत परिशुद्धता ([email protected]) प्राप्त किया। अधिकतम F1-स्कोर 0.202 की कॉन्फिडेंस सीमा पर 0.58 था, जबकि परिशुद्धता 0.764 की कॉन्फिडेंस सीमा पर 1.00 तक पहुंची। शाखा-विशिष्ट फ्रेम-स्तरीय सटीकता P58 के लिए 0.81, P67 के लिए 0.81, P8d के लिए 0.80, P7 के लिए 0.79 और P6 के लिए 0.78 थी। संभावित इंट्राऑपरेटिव सत्यापन के दौरान, सिस्टम ने प्रति फ्रेम 50 ms से कम की प्रोसेसिंग विलंबता के साथ निरंतर रीयल-टाइम पहचान की। प्रस्तावित पाइपलाइन ने लैपरोस्कोपिक इंट्राऑपरेटिव अल्ट्रासाउंड के दौरान पांच चयनित दाएं-पक्षीय पोर्टल शिरा वर्गों की रीयल-टाइम पहचान की तकनीकी व्यवहार्यता प्रदर्शित की। सामान्यीकरण और नैदानिक उपयोगिता स्थापित करने के लिए व्यापक शारीरिक कवरेज और बड़े संभावित समूहों वाले आगे के बहुकेंद्रीय अध्ययनों की आवश्यकता है।
जर्नल IF-समतुल्य: 3.5 (OpenAlex 2-वर्षीय औसत उद्धरण, मान 2026-10-10 तक का, 2026-10-11 को प्राप्त; आधिकारिक Clarivate IF नहीं)संदर्भ: Xu J, Zhang X, Li S, Wei Y, Huang S, Cao L, et al. लैप्रोस्कोपिक अल्ट्रासाउंड स्कैनिंग के दौरान शारीरिक यकृत उच्छेदन के लिए पोर्टल शिरा की पहचान में रियल टाइम में सहायता करने वाली एक डीप-लर्निंग पाइपलाइन। Eur J Med Res. 2026 Oct 9 [Epub ahead of print]. doi:10.1186/s40001-026-05291-y.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।