AI और कैंसर अनुसंधान ── 2026-10-14

इस अंक में 6 शोधपत्र। मुख्य: Self-Evolving Digital Twin Ecosystems for Early Detection and Precision Management of Breast, Lung, Colorectal, and Ovarian Cancers

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

कैंसर आणविक जीवविज्ञान और AI

स्तन, फेफड़े, कोलोरेक्टल और अंडाशय के कैंसर की शीघ्र पहचान और सटीक प्रबंधन के लिए स्व-विकसित होने वाले डिजिटल ट्विन इकोसिस्टम
International Journal of Drug Delivery Technology · 2026-10-12 · साक्ष्य: पूर्वव्यापी अवलोकनात्मक अध्ययन (आभासी परीक्षण सिमुलेशन के साथ बहु-केंद्रीय समूह)
सार
पृष्ठभूमि: मल्टी-ओमिक्स प्रोफ़ाइलिंग, रेडियोमिक्स और उन्नत मशीन लर्निंग के संगम ने प्रिसीजन ऑन्कोलॉजी में नई सीमाएँ खोल दी हैं।इस प्रगति के बावजूद, मौजूदा कम्प्यूटेशनल ढाँचे स्थिर बने हुए हैं, जो बदलते रोगी डेटा को शामिल करने या उपचार के परिणामों का गतिशील रूप से अनुकरण करने में विफल रहते हैं।एक स्व-विकसित डिजिटल ट्विन इकोसिस्टम रोगी-विशिष्ट आभासी मॉडलों को वास्तविक नैदानिक प्रक्षेप-पथों के साथ लगातार सिंक्रनाइज़ करके समाधान प्रदान करता है।उद्देश्य: स्तन, फेफड़े, कोलोरेक्टल और अंडाशय के कैंसर में शुरुआती कैंसर पहचान, रोग की प्रगति के पूर्वानुमान और व्यक्तिगत उपचार अनुकूलन के लिए नैदानिक, जीनोमिक, ट्रांसक्रिप्टोमिक, प्रोटियोमिक, रेडियोमिक और पैथोलॉजिकल डेटा को एकीकृत करने वाला स्व-विकसित डिजिटल ट्विन इकोसिस्टम विकसित करना और उसे सत्यापित करना।विधियाँ: 400 रोगियों का एक पूर्वव्यापी बहु-केंद्रीय समूह (स्तन n=120, फेफड़े n=100, कोलोरेक्टल n=100, अंडाशय n=80; आयु सीमा 25-75 वर्ष) तैयार किया गया।Random Forest, XGBoost और Deep Neural Network तुलनात्मक मॉडलों के साथ एक क्रॉस-मोडल ट्रांसफ़ॉर्मर फ़ाउंडेशन मॉडल को शामिल करते हुए छह-परत वाला डिजिटल ट्विन ढाँचा बनाया गया।प्रमुख प्रदर्शन मापदंडों में सटीकता (accuracy), परिशुद्धता (precision), रिकॉल, F1-स्कोर और ROC वक्र के अंतर्गत क्षेत्रफल (AUC) शामिल थे।आभासी नैदानिक परीक्षण सिमुलेशन और फ़ीचर महत्व विश्लेषण किए गए।परिणाम: फ़ाउंडेशन मॉडल ने Random Forest (0.812/0.847), XGBoost (0.841/0.879) और Deep Neural Network (0.873/0.906) की तुलना में सभी मापदंडों पर बेहतर प्रदर्शन हासिल किया (सटीकता 0.921, AUC 0.947)।ट्यूमर का चरण, TP53 उत्परिवर्तन और EGFR उत्परिवर्तन सबसे अधिक पूर्वानुमान-योग्य फ़ीचर के रूप में सामने आए।जोखिम स्तरीकरण में 148 (37.0%) कम जोखिम, 153 (38.3%) मध्यम जोखिम और 99 (24.8%) उच्च जोखिम वाले रोगी पहचाने गए।आभासी परीक्षण सिमुलेशन ने उच्च जोखिम उपसमूह के लिए अनुमानित प्रगति-मुक्त उत्तरजीविता में 23.4% सुधार दर्शाया।निष्कर्ष: स्व-विकसित डिजिटल ट्विन इकोसिस्टम पारंपरिक मशीन लर्निंग दृष्टिकोणों से उल्लेखनीय रूप से बेहतर प्रदर्शन करता है और कई कैंसर प्रकारों में रीयल-टाइम प्रिसीजन ऑन्कोलॉजी निर्णय सहायता के लिए एक नैदानिक रूप से व्यावहारिक, अनुकूली मंच प्रदान करता है।
जर्नल IF-समतुल्य: 0.0 (OpenAlex का 2-वर्षीय औसत उद्धरण, मान 2026-10-07 तक का, 2026-10-08 को प्राप्त; आधिकारिक Clarivate IF नहीं)
संदर्भ: [कोई लेखक सूचीबद्ध नहीं]. स्तन, फेफड़े, कोलोरेक्टल और अंडाशय के कैंसर की शुरुआती पहचान और सटीक प्रबंधन के लिए स्व-विकसित होने वाले डिजिटल ट्विन इकोसिस्टम। IJDDT. 2026 Oct 12;16(65s). doi:10.25258/ijddt.16.65s.22.
जाँचा गया: केवल सार
टेम्पोरल अटेंशन से कोशिका भाग्य के निर्णयों को समझना
PLoS Computational Biology · 2026-10-12 · साक्ष्य: प्रीक्लिनिकल (कैंसर कोशिकाओं की इन विट्रो लाइव-सेल इमेजिंग)
सार
कोशिका के भाग्य के गैर-आनुवंशिक निर्धारकों को समझना कैंसर की चिकित्साओं के विकास और सुधार के लिए अत्यंत महत्वपूर्ण है, क्योंकि आनुवंशिक रूप से समान कोशिकाएँ एक ही उपचार की स्थितियों में भी भिन्न परिणाम दिखा सकती हैं। इस कार्य में, हम कीमोथेरेपी उपचार के तहत कैंसर कोशिका आबादी की कच्ची दीर्घकालिक लाइव-सेल रिकॉर्डिंग से कोशिका के भाग्य की भविष्यवाणी के लिए एक डीप लर्निंग दृष्टिकोण प्रस्तुत करते हैं। हमारा Transformer मॉडल पूर्वनिर्धारित आकृतिक या आणविक विशेषताओं पर निर्भर हुए बिना, सीधे कच्चे इमेज अनुक्रमों से कोशिका के भाग्य की भविष्यवाणी करने के लिए प्रशिक्षित है। वर्गीकरण से आगे बढ़कर, हम मॉडल की भविष्यवाणियों का मार्गदर्शन करने वाले temporal और आकृतिक संकेतों की व्याख्या के लिए एक व्यापक व्याख्यात्मकता ढाँचा प्रस्तुत करते हैं। हम दिखाते हैं कि कोशिका के परिणामों की भविष्यवाणी केवल वीडियो के आधार पर संभव है; हमारा मॉडल 0.94 की संतुलित सटीकता और 0.93 का F1-स्कोर प्राप्त करता है। Attention और masking प्रयोग आगे संकेत देते हैं कि कोशिका के भाग्य का पूर्वानुमान देने वाला संकेत कोशिका के प्रक्षेप-पथ के अंतिम फ्रेमों में ही सीमित नहीं है, क्योंकि घटना से 8 घंटे पहले तक विश्वसनीय भविष्यवाणियाँ संभव हैं। हमारा विश्लेषण माइटोटिक और एपोप्टोटिक अनुक्रमों में पूर्वानुमान संबंधी जानकारी के विशिष्ट temporal वितरण के साथ-साथ कोशिका के परिणाम निर्धारित करने में कोशिका आकृति और p53 सिग्नलिंग की भूमिका को उजागर करता है। कुल मिलाकर, ये निष्कर्ष दर्शाते हैं कि attention-आधारित temporal मॉडल सटीक कोशिका भाग्य भविष्यवाणी को सक्षम बनाते हैं, साथ ही कोशिकीय निर्णय-निर्धारण के गैर-आनुवंशिक निर्धारकों के बारे में जैविक रूप से व्याख्या योग्य अंतर्दृष्टि भी प्रदान करते हैं।
जर्नल IF-समतुल्य: 4.7 (OpenAlex 2-वर्षीय औसत उद्धरण दर, मान 2026-10-13 के अनुसार, 2026-10-14 को प्राप्त; आधिकारिक Clarivate IF नहीं)
संदर्भ: Bürger F, Dias Gomes M, Granada AE, Moreau N, Bozek K. Understanding cell fate decisions with temporal attention. PLoS Comput Biol. 2026 Oct 12;22(10):e1014813. doi:10.1371/journal.pcbi.1014813.
जाँचा गया: केवल सार

सभी 2 कैंसर जीवविज्ञान पेपर देखें →

स्तन कैंसर: उपचार, ट्रायल और AI

मैमोग्राफी-आधारित डीप लर्निंग रेडियोमिक्स द्वारा स्तन कैंसर में HER2 अभिव्यक्ति का पूर्वानुमान: HER2-लो स्थिति पर केंद्रित दोहरे-केंद्र का अध्ययन
BMC Medical Imaging · 2026-10-12 · साक्ष्य: पूर्वव्यापी अवलोकनात्मक अध्ययन (दो-केंद्रीय, बाह्य सत्यापन सहित)
सार
पृष्ठभूमि: HER2 स्थिति का सटीक प्री-ऑपरेटिव आकलन लक्षित चिकित्सा का मार्गदर्शन करने के लिए महत्वपूर्ण है, लेकिन पारंपरिक बायोप्सी-आधारित तरीके आक्रामक हैं और ट्यूमर की विषमता से सीमित हैं। मैमोग्राफी एक व्यापक रूप से सुलभ और किफायती इमेजिंग पद्धति है, जो प्री-ऑपरेटिव चरण में नियमित रूप से की जाती है। इस अध्ययन का उद्देश्य स्तन कैंसर में HER2 अभिव्यक्ति स्थिति के गैर-आक्रामक पूर्वानुमान के लिए मैमोग्राफी-आधारित डीप लर्निंग रेडियोमिक्स मॉडल विकसित और सत्यापित करना था।
विधियाँ: दो केंद्रों से कुल 546 स्तन कैंसर रोगियों को पूर्वव्यापी रूप से शामिल किया गया: केंद्र 1 से 420 (प्रशिक्षण समूह में 294 और आंतरिक सत्यापन समूह में 126) और केंद्र 2 से 126 बाहरी सत्यापन समूह के रूप में। दो वर्गीकरण कार्य परिभाषित किए गए: कार्य 1 में HER2-पॉजिटिव और HER2-नेगेटिव स्तन कैंसर में अंतर किया गया, और कार्य 2 में HER2-लो और HER2-ज़ीरो स्तन कैंसर में अंतर किया गया। रेडियोमिक विशेषताएं Visformer आर्किटेक्चर से निकाली गईं। इसके बाद पूर्वानुमान मॉडल बनाने के लिए भारित मतदान एनसेंबल विधि अपनाई गई, जिसमें भार केवल प्रशिक्षण समूह के भीतर क्रॉस-वैलिडेटेड AUC से अनुकूलित किए गए। दोनों कार्यों के लिए मॉडल का प्रदर्शन रिसीवर ऑपरेटिंग कैरेक्टरिस्टिक (ROC) वक्रों से आंका गया।
परिणाम: कार्य 1 (HER2-पॉज़िटिव बनाम HER2-नेगेटिव) के लिए, रेडियोमिक्स मॉडल ने प्रशिक्षण, आंतरिक सत्यापन और बाहरी सत्यापन समूहों में क्रमशः 0.836, 0.763 और 0.714 के AUC प्राप्त किए। कार्य 2 (HER2-लो बनाम HER2-ज़ीरो) के लिए संबंधित AUC 0.890, 0.785 और 0.713 थे। क्लिनिकोपैथोलॉजिकल विश्लेषण से पता चला कि हिस्टोलॉजिकल ग्रेड (OR = 2.28), Ki-67 इंडेक्स (OR = 4.71) और BI-RADS श्रेणी (OR = 2.49) HER2-पॉज़िटिव स्थिति के स्वतंत्र भविष्यसूचक कारक थे, जबकि PR स्थिति (OR = 4.48), BI-RADS श्रेणी (OR = 1.75) और स्तन घनत्व (OR = 0.32) HER2-लो स्थिति के स्वतंत्र भविष्यसूचक कारक थे (सभी P < 0.05)।
निष्कर्ष: मैमोग्राफी-आधारित डीप लर्निंग रेडियोमिक्स मॉडल ने स्तन कैंसर में HER2 अभिव्यक्ति स्थिति के पूर्वानुमान में सार्थक विभेदक क्षमता प्रदर्शित की और यह प्रीऑपरेटिव HER2 मूल्यांकन के लिए एक संभावित गैर-आक्रामक सहायक साधन के रूप में काम कर सकता है, जिसके लिए आगे प्रोस्पेक्टिव सत्यापन आवश्यक है। क्लिनिकल ट्रायल संख्या: 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: Wang H, Liu C, Zhao Y, Fang Y, Kang Z, Deng L, et al. मैमोग्राफी-आधारित डीप लर्निंग रेडियोमिक्स द्वारा स्तन कैंसर में HER2 अभिव्यक्ति की भविष्यवाणी: HER2-लो स्थिति पर केंद्रित एक दोहरे-केंद्र का अध्ययन। BMC Med Imaging. 2026 Oct 12 [Epub ahead of print]. doi:10.1186/s12880-026-02921-z.
जाँचा गया: केवल सार
स्तन कैंसर अनुसंधान में आर्टिफिशियल इंटेलिजेंस: उभरते रुझानों और भावी दिशाओं की व्यवस्थित समीक्षा और ग्रंथमितीय विश्लेषण।
Frontiers in oncology · 2026-09-28 · प्रमाण: ग्रंथसूचीमितीय विश्लेषण के साथ व्यवस्थित समीक्षा
सार
परिचय: स्तन कैंसर दुनिया भर में महिलाओं में कैंसर की घटनाओं और मृत्यु का एक प्रमुख कारण बना हुआ है, जिसमें शीघ्र पहचान, सटीक निदान, पूर्वानुमान के आकलन और उपचार-प्रतिक्रिया के मूल्यांकन में लगातार चुनौतियाँ बनी हुई हैं। मशीन लर्निंग और डीप लर्निंग सहित आर्टिफिशियल इंटेलिजेंस (AI) ने उच्च-आयामी इमेजिंग, पैथोलॉजिकल, जीनोमिक और क्लिनिकल डेटा के विश्लेषण को संभव बनाकर स्तन कैंसर अनुसंधान को तेज़ी से आगे बढ़ाया है। हालांकि, इस साहित्य के तेज़ी से विस्तार के परिणामस्वरूप क्लिनिकल कार्यों, डेटा मोडैलिटी, एल्गोरिदमिक प्रतिमानों और सॉफ़्टवेयर पारितंत्रों में काफ़ी विखंडन आ गया है। यह व्यवस्थित समीक्षा हाल ही में प्रकाशित AI-संचालित स्तन कैंसर अनुसंधान का एक व्यापक ग्रंथमितीय (बिब्लियोमेट्रिक) विश्लेषण प्रस्तुत करती है। विधियाँ: Scopus और Web of Science को प्राथमिक डेटा स्रोतों के रूप में उपयोग करते हुए, एक बहु-डेटाबेस दृष्टिकोण अपनाया गया, जिसमें प्रदर्शन विश्लेषण, विज्ञान मानचित्रण और विषयगत विकास को एकीकृत करने वाला एक व्यवस्थित ग्रंथमितीय ढाँचा प्रयुक्त किया गया। यह विश्लेषण स्पष्ट शोध प्रश्नों द्वारा निर्देशित है, जो इनकी जाँच करते हैं: (i) निदान, पूर्वानुमान और उपचार-प्रतिक्रिया की भविष्यवाणी में AI अनुप्रयोगों का विकास; (ii) व्याख्यात्मक AI और हाइपरपैरामीटर अनुकूलन पद्धतियों को अपनाना; (iii) इस क्षेत्र को आकार देने वाले डेटासेट, सॉफ़्टवेयर फ्रेमवर्क और एल्गोरिदम; (iv) एक प्रमुख मोडैलिटी के रूप में मैमोग्राफी की भूमिका; और (v) ट्रांसफ़ॉर्मर-आधारित आर्किटेक्चर सहित उभरते शोध केंद्र बिंदु। परिणाम और चर्चा: मुख्यतः उद्धरण मेट्रिक्स पर केंद्रित पूर्व ग्रंथमितीय अध्ययनों के विपरीत, यह कार्य कार्य-सजग, पद्धति-केंद्रित दृष्टिकोण अपनाता है, जो स्तन कैंसर देखभाल के लिए पुनरुत्पादनीय, व्याख्या-योग्य और क्लिनिकल रूप से एकीकृत AI प्रणालियों का समर्थन करने हेतु कार्रवाई-योग्य अंतर्दृष्टि प्रदान करता है।
जर्नल IF-समतुल्य: 2.7 (OpenAlex का 2-वर्षीय औसत उद्धरण, मान 2026-10-02 तक का, 2026-10-03 को प्राप्त; आधिकारिक Clarivate IF नहीं)
संदर्भ: Mohamed YB, ZainEldin H, Eladl SG, Sayed HA, Shehata M, Badawy M, et al. Artificial intelligence in breast cancer research: a systematic review and bibliometric analysis of emerging trends and future directions. Front Oncol. 2026 Sep 28;16:1800218. doi:10.3389/fonc.2026.1800218.
जाँचा गया: केवल सार

सभी 2 स्तन पेपर देखें →