AI और कैंसर अनुसंधान ── 2026-10-13

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（1） · फेफड़े（0） · अग्न्याशय（0） · प्रोस्टेट（0） · एसीसी（0） · मस्तिष्क（0） · डिम्बग्रंथि（0） · एंडोमेट्रियल（0） · गैस्ट्रिक（1） · लिवर（0） · किडनी（0） · मूत्राशय（0）

कैंसर आणविक जीवविज्ञान और AI

• पैन-कैंसर भविष्यवाणी और व्याख्यात्मक फ़ीचर विश्लेषण के लिए मशीन लर्निंग मॉडलों का तुलनात्मक अध्ययन
  International Journal of Scientific Research in Science Engineering and Technology · 2026-10-11 · साक्ष्य: पूर्वव्यापी अवलोकनात्मक (सार्वजनिक जीन-अभिव्यक्ति डेटा पर मॉडल विकास)
  सार

  कैंसर वर्गीकरण आणविक जानकारी पर आधारित एक अधिक जटिल बहुवर्गीय सीखने की समस्या है, क्योंकि अलग-अलग ऊतकों के ट्यूमर अलग-अलग अभिव्यक्ति प्रोफ़ाइल दिखा सकते हैं और समान आणविक विशेषताओं वाले कैंसर अलग-अलग ऊतकों में हो सकते हैं। इस शोधपत्र में वर्णित एक व्यावहारिक पैन-कैंसर वर्गीकरण ढाँचा बनाने के लिए The Cancer Genome Atlas (TCGA) के जीन-अभिव्यक्ति डेटा का उपयोग किया गया है। तैयारी और लेबलिंग के बाद कार्यशील डेटासेट में 33 कैंसर प्रकारों का प्रतिनिधित्व करने वाले 11,062 लेबल किए गए नमूने थे। फ़ीचर-चयन चरण का उपयोग करके इनपुट के प्रतिनिधित्व को 500 जीन-अभिव्यक्ति फ़ीचर तक घटाया गया। इसके बाद चुने गए अभिव्यक्ति प्रोफ़ाइल और 33 कैंसर वर्गों के बीच संबंध को समझने के लिए एक एकल XGBoost बहुवर्गीय वर्गीकारक को प्रशिक्षित किया गया। इस कार्यान्वयन ने होल्ड-आउट परीक्षण डेटा पर 94.49% की सटीकता (accuracy), 94.66% की प्रिसीजन, 94.49% का रिकॉल और 94.27% का F1 स्कोर प्राप्त किया। मॉडल की जाँच को आसान बनाने के लिए SHAP पर आधारित फ़ीचर-महत्व विश्लेषण जोड़ा गया। प्रशिक्षित मॉडल को Streamlit डैशबोर्ड में तैनात किया गया, जिसमें FastAPI बैकएंड के ज़रिए जीन-अभिव्यक्ति नमूना अपलोड किया जा सकता है और अनुमानित कैंसर प्रकार, कैंसर वर्गों की संभावनाएँ तथा व्याख्या संबंधी जानकारी प्रदर्शित होती है। यह प्रणाली एक शोध एवं शैक्षिक प्रोटोटाइप है, न कि नैदानिक रूप से प्रमाणित निदान प्रणाली; नैदानिक व्याख्या से पहले स्वतंत्र सत्यापन आवश्यक होना चाहिए।

  जर्नल IF-समतुल्य: 0.5 (OpenAlex का 2-वर्षीय औसत उद्धृतता, 2026-10-12 तक का मान, 2026-10-13 को प्राप्त; आधिकारिक Clarivate IF नहीं)
  संदर्भ: Lokesh N, Thara L, Kumuthaveni R. पैन-कैंसर पूर्वानुमान और व्याख्यायोग्य फ़ीचर विश्लेषण के लिए मशीन लर्निंग मॉडलों का तुलनात्मक अध्ययन. Int J Sci Res Sci Eng Technol. 2026 Oct 11;13(5):296-308. doi:10.32628/ijsrset2613529.
  जाँचा गया: केवल सार
• कोलोरेक्टल लिवर मेटास्टेसिस में हिस्टोपैथोलॉजिकल ग्रोथ पैटर्न की भविष्यवाणी के लिए इमेजिंग रेडियोमिक्स: एक व्यवस्थित समीक्षा और डायग्नोस्टिक मेटा-विश्लेषण
  World Journal of Surgical Oncology · 2026-10-10 · Evidence: Systematic review and diagnostic meta-analysis of retrospective studies
  सार

  कोलोरेक्टल लिवर मेटास्टेसिस (CRLM) में हिस्टोपैथोलॉजिकल ग्रोथ पैटर्न (HGPs) रोगी के पूर्वानुमान और प्रणालीगत चिकित्सा के प्रति प्रतिक्रिया को महत्वपूर्ण रूप से प्रभावित करते हैं। जहाँ डेस्मोप्लास्टिक HGP बेहतर परिणामों से जुड़ा है, वहीं रिप्लेसमेंट HGP अक्सर अधिक आक्रामक फेनोटाइप का संकेत देता है। वर्तमान प्रीऑपरेटिव इमेजिंग इन पैटर्न में अंतर नहीं कर सकती, और ट्यूमर–लिवर इंटरफ़ेस के सीमित नमूने के कारण बायोप्सी अक्सर विश्वसनीय नहीं होती। यह सिस्टमैटिक रिव्यू और मेटा-विश्लेषण इमेजिंग डेटा के आधार पर HGPs की गैर-आक्रामक भविष्यवाणी के लिए रेडियोमिक्स/डीप लर्निंग मॉडलों के नैदानिक प्रदर्शन का मूल्यांकन करता है। यह अध्ययन PRISMA दिशानिर्देशों का पालन करते हुए किया गया, जिसमें 30 अगस्त, 2026 तक 4 डेटाबेस खोजे गए। इसमें वे अध्ययन शामिल किए गए जिन्होंने प्रीऑपरेटिव CT या MRI का उपयोग करके CRLM रोगियों में HGPs की भविष्यवाणी के लिए रेडियोमिक्स या डीप लर्निंग मॉडल विकसित किए। पद्धतिगत गुणवत्ता और पूर्वाग्रह के जोखिम का आकलन RQS 2 और QUADAS-2 उपकरणों से किया गया। संयुक्त संवेदनशीलता और विशिष्टता की गणना रैंडम-इफ़ेक्ट्स मॉडल से की गई। सात स्वतंत्र अध्ययन आबादियों का प्रतिनिधित्व करने वाली आठ पूर्वव्यापी रिपोर्टें सिस्टमैटिक रिव्यू में शामिल की गईं; 724 अद्वितीय रोगियों वाली सात स्वतंत्र आबादियाँ मात्रात्मक संश्लेषण में शामिल की गईं। संयुक्त संवेदनशीलता और विशिष्टता क्रमशः 0.86 (95% CI: 0.81–0.90) और 0.77 (95% CI: 0.64–0.87) थीं। SROC वक्र से AUC 0.845 प्राप्त हुआ। अधिकांश विश्लेषणों में उपसमूह विश्लेषण सांख्यिकीय महत्व तक नहीं पहुँचा, और उपलब्ध अध्ययनों की सीमित संख्या को देखते हुए इसके निष्कर्षों की व्याख्या सावधानी से की जानी चाहिए। औसत RQS 2.0 स्कोर 17.1 (31%) था, जो दर्शाता है कि तकनीकी विकास मानकीकृत है, जबकि संभावित (प्रॉस्पेक्टिव) सत्यापन और नैदानिक अनुप्रयोग के उपाय फिलहाल अनुपस्थित हैं। इमेजिंग-आधारित AI मॉडलों ने गैर-आक्रामक HGP वर्गीकरण के लिए उत्साहजनक विभेदक प्रदर्शन दिखाया। हालाँकि, उपलब्ध साक्ष्य नैदानिक उपयोगिता या रोगी प्रबंधन अथवा परिणामों में सुधार को प्रदर्शित नहीं करते। नैदानिक कार्यान्वयन पर विचार करने से पहले संभावित बहुकेंद्रीय सत्यापन और निर्णय-प्रभाव अध्ययन आवश्यक हैं।

  जर्नल IF-समतुल्य: 2.7 (OpenAlex का 2-वर्षीय औसत उद्धृतता, 2026-10-12 तक का मान, 2026-10-13 को प्राप्त; आधिकारिक Clarivate IF नहीं)
  संदर्भ: Rahnama Y, Eghbali S, Pishraft-Sabet H, Eghbali S, Kolahi S, Ahmadi-Tafti SM, et al. कोलोरेक्टल लिवर मेटास्टेसिस में हिस्टोपैथोलॉजिकल ग्रोथ पैटर्न की भविष्यवाणी के लिए इमेजिंग रेडियोमिक्स: एक व्यवस्थित समीक्षा और डायग्नोस्टिक मेटा-विश्लेषण. World J Surg Onc. 2026 Oct 11 [Epub ahead of print]. doi:10.1186/s12957-026-04613-y.
  जाँचा गया: केवल सार

सभी 2 कैंसर जीवविज्ञान पेपर देखें →

स्तन कैंसर: उपचार, ट्रायल और AI

• डिजिटल ब्रेस्ट टोमोसिंथेसिस पर आधारित Moran's index हैबिटैट और पेरिट्यूमोरल रेडियोमिक्स, स्तन कैंसर में Ki-67 स्थिति की भविष्यवाणी के लिए।
  Quantitative imaging in medicine and surgery · 2026-09-16 · साक्ष्य: पूर्वव्यापी अवलोकनात्मक अध्ययन
  सार

  पृष्ठभूमि: स्तन कैंसर की विषमता उपचार संबंधी निर्णयों और रोगी के पूर्वानुमान को प्रभावित करने वाला एक प्रमुख कारक है। एक महत्वपूर्ण कोशिका प्रसार मार्कर के रूप में, Ki-67 प्रोटीन का अभिव्यक्ति स्तर ट्यूमर की आक्रामकता, पुनरावृत्ति के जोखिम और पूर्वानुमान से निकटता से जुड़ा है। इस अध्ययन का लक्ष्य डिजिटल ब्रेस्ट टोमोसिंथेसिस (DBT) पर आधारित एक एकीकृत रेडियोमिक्स मॉडल विकसित और सत्यापित करना था, जिसमें हैबिटैट उप-क्षेत्रों और पेरिट्यूमोरल विशेषताओं दोनों को शामिल किया गया है, ताकि स्तन कैंसर में Ki-67 अभिव्यक्ति की स्थिति का शल्यक्रिया से पहले अनुमान लगाया जा सके। विधियाँ: शल्यक्रिया से पहले DBT करवाने वाले invasive स्तन कैंसर के कुल 146 रोगियों को पूर्वव्यापी रूप से अध्ययन में शामिल किया गया और उन्हें प्रशिक्षण (n=102) और परीक्षण (n=44) समूहों में विभाजित किया गया। ट्यूमर के भीतरी क्षेत्रों को मैन्युअल रूप से सेगमेंट किया गया, जबकि ट्यूमर के आसपास के क्षेत्रों (2, 4 और 6 मिमी) को मास्क पैडिंग के माध्यम से स्वचालित रूप से चिह्नित किया गया। Moran's index क्लस्टरिंग का उपयोग करके ट्यूमर को चार हैबिटैट उप-क्षेत्रों में विभाजित किया गया। रेडियोमिक्स विशेषताएँ ट्यूमर के भीतरी क्षेत्रों, हैबिटैट उप-क्षेत्रों और ट्यूमर के आसपास के क्षेत्रों से निकाली गईं। विशेषता चयन के बाद, मशीन लर्निंग एल्गोरिदम का उपयोग करके रेडियोमिक्स मॉडल स्थापित किए गए। इसके बाद हैबिटैट उप-क्षेत्रों और ट्यूमर के आसपास की रेडियोमिक्स विशेषताओं को नैदानिक कारकों के साथ मिलाकर एक संयुक्त मॉडल विकसित किया गया। रेडियोमिक्स मॉडलों के प्रदर्शन का आकलन करने के लिए वक्र के नीचे का क्षेत्रफल (AUC) उपयोग किया गया। परिणाम: Ki-67 अभिव्यक्ति की स्थिति का अनुमान लगाने में, हैबिटैट रेडियोमिक्स विशेषताओं से बना rbf_support vector machine (SVM) मॉडल अन्य मॉडलों से बेहतर रहा, जिसके AUC मान प्रशिक्षण और परीक्षण समूहों में क्रमशः 0.841 और 0.820 थे। संयुक्त मॉडल ने AUC मानों को थोड़ा बढ़ाकर क्रमशः 0.849 और 0.852 कर दिया। निष्कर्ष: हैबिटैट, ट्यूमर के आसपास की रेडियोमिक्स विशेषताओं और नैदानिक कारकों को एकीकृत करने वाले संयुक्त मॉडल ने स्तन कैंसर में Ki-67 अभिव्यक्ति स्तर का अनुमान लगाने में सर्वोत्तम सटीकता दिखाई; यह मॉडल चिकित्सकों को स्तन कैंसर के रोगियों के लिए वैयक्तिकृत उपचार योजनाएँ बनाने में मदद कर सकता है।

  जर्नल IF-समतुल्य: 1.9 (OpenAlex का 2-वर्षीय औसत उद्धृतता, 2026-10-12 तक का मान, 2026-10-13 को प्राप्त; आधिकारिक Clarivate IF नहीं)
  संदर्भ: Gong J, Zhuang Z, Liu S, Xu L, Liu H, Zhu H, et al. स्तन कैंसर में Ki-67 स्थिति की भविष्यवाणी के लिए डिजिटल ब्रेस्ट टोमोसिंथेसिस पर आधारित मोरान इंडेक्स हैबिटैट और पेरिट्यूमोरल रेडियोमिक्स। Quant Imaging Med Surg. 2026 Oct;16(10):807-7. doi:10.21037/qims-2026-1-0047.
  जाँचा गया: केवल सार

सभी 1 Breast शोध-पत्र देखें →

फेफड़ों का कैंसर: उपचार, ट्रायल और AI

इस अंक के लिए कोई नया योग्य पेपर नहीं।

अग्न्याशय कैंसर: उपचार, परीक्षण और AI

इस अंक के लिए कोई नया योग्य पेपर नहीं।

प्रोस्टेट कैंसर: उपचार, ट्रायल और AI

इस अंक के लिए कोई नया योग्य पेपर नहीं।

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

• अलग-अलग एनीमिया स्थिति वाली महिला गैस्ट्रिक कैंसर रोगियों में सूजन-पोषण सूचकांकों के विशिष्ट रोगनिदान पैटर्न और XGBoost पूर्वानुमान मॉडल का निर्माण
  Discover Oncology · 2026-10-11 · साक्ष्य: पूर्वव्यापी अवलोकनात्मक अध्ययन (एकल-केंद्र)
  सार

  पेट के कैंसर में प्रीऑपरेटिव एनीमिया आम है और रोगियों के परिणामों पर, विशेष रूप से महिलाओं में, प्रतिकूल प्रभाव डाल सकता है। इस अध्ययन का उद्देश्य एनीमिया के पूर्वानुमान संबंधी महत्व का मूल्यांकन करना और व्यक्तिगत उत्तरजीविता पूर्वानुमान के लिए सूजन-पोषण से संबंधित सूचकांकों पर आधारित एक मशीन लर्निंग मॉडल बनाना था। उपचारात्मक R0 शल्यचिकित्सा करवा रही कुल 1,178 महिला पेट कैंसर रोगियों का पूर्वव्यापी विश्लेषण किया गया। Kaplan–Meier और Cox रिग्रेशन विश्लेषणों ने एनीमिया की पूर्वानुमान संबंधी भूमिका का आकलन किया। रिकर्सिव फीचर एलिमिनेशन के उपयोग से सूजन और पोषण संबंधी सूचकांकों का चयन किया गया, और 5 वर्ष की समग्र उत्तरजीविता का पूर्वानुमान लगाने के लिए कई मशीन लर्निंग एल्गोरिदम विकसित किए गए। मॉडल के प्रदर्शन और व्याख्यात्मकता का मूल्यांकन AUC मेट्रिक्स और SHAP विश्लेषण से किया गया। एनीमिया एक स्वतंत्र प्रतिकूल पूर्वानुमान कारक के रूप में पहचाना गया। एनीमिया वाले और बिना एनीमिया वाले समूहों के बीच सूजन-पोषण सूचकांकों के अलग-अलग पूर्वानुमान पैटर्न देखे गए। XGBoost मॉडल ने सर्वश्रेष्ठ पूर्वानुमान प्रदर्शन प्राप्त किया (क्रमशः AUC = 0.735 और 0.773) और व्याख्या योग्य जोखिम स्तरीकरण प्रदान किया, जिसमें उच्च जोखिम वाले रोगियों की उत्तरजीविता उपसमूहों में उल्लेखनीय रूप से कम रही। नियमित रक्त संबंधी संकेतकों पर आधारित XGBoost मॉडल ने इस एकल-केंद्र प्रूफ-ऑफ-कॉन्सेप्ट अध्ययन में आशाजनक पूर्वानुमान प्रदर्शन दिखाया। आगे बाहरी सत्यापन और भावी मूल्यांकन के साथ, यह प्रारंभिक जोखिम आकलन के लिए एक सरल और आसानी से उपलब्ध उपकरण के रूप में काम कर सकता है। हालांकि, इसकी वर्तमान नैदानिक उपयोगिता की पुष्टि व्यापक रोगी आबादी में किया जाना अभी बाकी है।

  जर्नल IF-समतुल्य: 2.4 (OpenAlex का 2-वर्षीय औसत उद्धृतता, 2026-10-12 तक का मान, 2026-10-13 को प्राप्त; आधिकारिक Clarivate IF नहीं)
  संदर्भ: Qi J, Sun W, Zhang L, Jin X. Distinct prognostic patterns of inflammation nutrition indices in female gastric cancer patients with different anemia statuses and construction of an XGBoost predictive model. Discov Onc. 2026 Oct 11 [Epub ahead of print]. doi:10.1007/s12672-026-06051-4.
  जाँचा गया: केवल सार

सभी 1 गैस्ट्रिक पेपर देखें →

यकृत कैंसर: उपचार, परीक्षण और AI

इस अंक के लिए कोई नया योग्य पेपर नहीं।

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।