AI और कैंसर अनुसंधान ── 2026-10-15
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（1） · स्तन（2） · फेफड़ा（2） · अग्न्याशय（0） · प्रोस्टेट（0） · एसीसी（0） · मस्तिष्क（2） · डिम्बग्रंथि（0） · एंडोमेट्रियल（0） · गैस्ट्रिक（0） · लिवर（1） · किडनी（0） · मूत्राशय（0）
कैंसर आणविक जीवविज्ञान और AI
- सार
ऊपरी मूत्र पथ यूरोथेलियल कार्सिनोमा (UTUC) के रोगियों में व्यक्तिगत प्रबंधन और फॉलो-अप योजना के लिए शल्यक्रिया के बाद पुनरावृत्ति का सटीक पूर्वानुमान आवश्यक है। हालांकि, इमेजिंग विशेषताओं और नैदानिक जानकारी की विषम प्रकृति के कारण विश्वसनीय जोखिम वर्गीकरण अब भी चुनौतीपूर्ण बना हुआ है। इस अध्ययन में, हम एक बहुविध (मल्टीमॉडल) नैदानिक निर्णय सहायता ढांचा प्रस्तावित करते हैं, जो शल्यक्रिया के बाद पुनरावृत्ति के पूर्वानुमान के लिए कंट्रास्ट-एन्हांस्ड कंप्यूटेड टोमोग्राफी (CT) छवियों को सामान्यतः उपलब्ध नैदानिक चरों के साथ एकीकृत करता है। प्रस्तावित ढांचा दृश्य निरूपणों और रोगी-विशिष्ट नैदानिक संदर्भ के बीच अर्थगत संरेखण को बढ़ाने के लिए एक छवि-नैदानिक एकीकृत शिक्षण रणनीति अपनाता है। इमेजिंग विशेषताओं को नैदानिक रूप से सूचित अर्थगत प्रॉम्प्ट द्वारा निर्देशित किया जाता है, जबकि एक गतिशील फ्यूज़न तंत्र विभिन्न मोडैलिटी के योगदान को अनुकूली रूप से संतुलित करता है। यह डिज़ाइन मज़बूत बहुविध अंतःक्रिया को संभव बनाता है और व्यक्तिगत जोखिम आकलन को बेहतर बनाता है। इस ढांचे का मूल्यांकन 2016 से 2023 के बीच उपचारित 160 रोगियों के एक पूर्वव्यापी UTUC समूह पर किया गया, जिसमें 59 पुनरावृत्ति के मामले और 101 गैर-पुनरावृत्ति के मामले शामिल थे। प्रयोगात्मक परिणाम दर्शाते हैं कि प्रस्तावित विधि रिसीवर ऑपरेटिंग कैरेक्टरिस्टिक कर्व के अंतर्गत क्षेत्रफल (AUC) 0.87 प्राप्त करती है, जो पारंपरिक कन्वोल्यूशनल न्यूरल नेटवर्क-आधारित मॉडलों और प्रतिनिधि बहुविध बेसलाइन की तुलना में बेहतर प्रदर्शन को दर्शाता है। गुणात्मक विश्लेषण आगे इमेजिंग पैटर्न और नैदानिक कारकों के बीच बेहतर संरेखण को इंगित करते हैं, और अटेंशन-आधारित विज़ुअलाइज़ेशन के माध्यम से व्याख्यात्मक अंतर्दृष्टि प्रदान करते हैं। ये निष्कर्ष सुझाव देते हैं कि प्रस्तावित बहुविध ढांचा शल्यक्रिया के बाद UTUC पुनरावृत्ति जोखिम वर्गीकरण के लिए एक संभावित दृष्टिकोण प्रदान करता है और नैदानिक निर्णय-निर्माण तथा जोखिम-अनुकूलित शल्यक्रिया-पश्चात प्रबंधन का समर्थन करने की क्षमता रखता है।
जर्नल IF-समतुल्य: 3.9 (OpenAlex 2-वर्षीय औसत उद्धरण, मान 2026-10-13 तक का, 2026-10-15 को प्राप्त; आधिकारिक Clarivate IF नहीं)संदर्भ: Liu D, Zhao T, Zhang S, Fang L. CLIP-CGPNet: पोस्टऑपरेटिव UTUC पुनरावृत्ति पूर्वानुमान के लिए एक मल्टीमॉडल क्लिनिकल निर्णय सहायता प्रणाली। J Digit Imaging Inform med. 2026 Oct 13 [प्रिंट से पहले प्रकाशित]. doi:10.1007/s10278-026-02358-4.जाँचा गया: केवल सार
सभी 1 कैंसर जीवविज्ञान शोध पत्र देखें →
स्तन कैंसर: उपचार, ट्रायल और AI
- सार
स्तन कैंसर का ऑपरेशन-पूर्व आणविक उपप्रकार निर्धारण उपचार के चयन और पूर्वानुमान के आकलन के लिए आवश्यक है, फिर भी अधिकांश डीप लर्निंग दृष्टिकोण उपप्रकार की भविष्यवाणी को एक पारंपरिक फ्लैट बहु-श्रेणी कार्य के रूप में प्रस्तुत करते हैं, जो क्रमिक नैदानिक निर्णय प्रक्रिया को नहीं दर्शाता। हमने HCF-Net विकसित किया, जो एक पदानुक्रमित कैस्केड फ्यूज़न नेटवर्क है। यह उपप्रकार की भविष्यवाणी को तीन नैदानिक रूप से संरेखित बाइनरी निर्णय नोड्स में विभाजित करता है और मल्टीफ़ेज़ DCE-MRI को क्लिनिको-रेडियोलॉजिक जानकारी के साथ एकीकृत करता है। मॉडल को पूर्वव्यापी रूप से 373 महिलाओं के दो-केंद्रीय समूह का उपयोग करके विकसित और सत्यापित किया गया, जिनकी ऑपरेशन-पूर्व 3.0 T मल्टीफ़ेज़ DCE-MRI की गई थी। एक स्वतंत्र परीक्षण सेट (n = 75) पर HCF-Net ने 0.868 (95% CI, 0.806-0.923) का Macro-AUC, 73.3% की सटीकता, 0.732 का Macro-F1 और 0.631 का Cohen's κ प्राप्त किया। फ़्यूज़न मॉडल ने तीनों पदानुक्रमित निर्णय नोड्स में लगातार सर्वोच्च AUC प्राप्त किया: ल्यूमिनल बनाम गैर-ल्यूमिनल ट्यूमर के लिए 0.890, ल्यूमिनल A बनाम ल्यूमिनल B ट्यूमर के लिए 0.865, और HER2-समृद्ध बनाम ट्रिपल-नेगेटिव ट्यूमर के लिए 0.974। ConvNeXt-Tiny बैकबोन के साथ भी वर्गीकरण रणनीतियों का यही क्रम देखा गया। पारंपरिक फ्लैट वर्गीकरण रणनीतियों की तुलना में, पदानुक्रमित कैस्केड विभाजन और निर्णय-स्तर के फ़्यूज़न ने प्रदर्शन में उल्लेखनीय सुधार प्रदान किया। ये निष्कर्ष सुझाव देते हैं कि नैदानिक निर्णय मार्गों के अनुरूप एक पदानुक्रमित फ़्यूज़न ढाँचा ऑपरेशन-पूर्व स्तन कैंसर आणविक उपप्रकार की भविष्यवाणी के लिए एक प्रभावी और व्याख्यात्मक दृष्टिकोण प्रदान कर सकता है।
जर्नल IF-समतुल्य: 3.9 (OpenAlex 2-वर्षीय औसत उद्धरण, मान 2026-10-13 तक का, 2026-10-15 को प्राप्त; आधिकारिक Clarivate IF नहीं)संदर्भ: Chen Y, Hu L, Hou J, Xie Y, Nie S, Jiang Y, et al. HCF-Net: क्लिनिकल उपचार मार्गों के अनुरूप एक हाइरार्किकल कैस्केड फ्यूज़न नेटवर्क, डायनामिक कंट्रास्ट-एन्हांस्ड MRI पर स्तन कैंसर के प्रीऑपरेटिव आणविक उप-वर्गीकरण के लिए। J Digit Imaging Inform med. 2026 Oct 13 [Epub ahead of print]. doi:10.1007/s10278-026-02331-1.जाँचा गया: केवल सार - सार
हैबिटेट रेडियोमिक्स ट्यूमर के उप-क्षेत्रों के भीतर की बनावट (टेक्सचर) को चिह्नित करता है, लेकिन उनके बीच के स्थानिक संबंधों को छोड़ देता है। हमने DCE-MRI पर अंतर-हैबिटेट स्थानिक संरचना को मापने के लिए लैंडस्केप इकोलॉजी से प्रेरित एक ढांचा विकसित किया, हैबिटेट-आंतरिक रेडियोमिक्स के साथ उसके पूरक मूल्य का मूल्यांकन किया, और अर्ली बनाम लेट फ्यूज़न की तुलना की; मूल्यांकन कार्य के रूप में एक्सिलरी लिम्फ नोड मेटास्टेसिस (ALNM) की भविष्यवाणी का उपयोग किया गया। इस बहुकेंद्रीय पूर्वव्यापी अध्ययन में, एक केंद्र के 284 रोगियों को यादृच्छिक रूप से प्रशिक्षण (n = 198) और सत्यापन (n = 86) समूहों में बांटा गया, और एक स्वतंत्र संस्थान के 120 रोगियों को बाहरी परीक्षण सेट के रूप में लिया गया। 19 वोक्सेल-स्तरीय टेक्सचर डिस्क्रिप्टर्स के k-means क्लस्टरिंग द्वारा ट्यूमर को छह हैबिटेट में विभाजित किया गया, जिनके सेंट्रॉइड केवल प्रशिक्षण समूह से निकाले गए। तीन फीचर डोमेन बनाए गए: 8 क्लिनिकल पैरामीटर, 642 हैबिटेट-आंतरिक रेडियोमिक्स फीचर, और 94 अंतर-हैबिटेट स्थानिक संरचना फीचर, जिनमें विखंडन (n = 30), आकृति (n = 24), अंतर-हैबिटेट संपर्क (n = 15), अंतर-हैबिटेट दूरी (n = 15), क्षेत्रफल अनुपात (n = 6) और विविधता (n = 4) शामिल हैं। बाहरी परीक्षण सेट में, क्रमिक फ्यूज़न से AUC में बढ़ोतरी हुई: केवल क्लिनिकल 0.754, साथ में हैबिटेट-आंतरिक रेडियोमिक्स 0.843, साथ में अंतर-हैबिटेट स्थानिक संरचना 0.863 (95% CI 0.792-0.934)। पूर्ण अर्ली फ्यूज़न मॉडल ने केवल क्लिनिकल (DeLong P = 0.011) और केवल स्थानिक-संरचना (P = 0.044) मॉडलों से अधिक AUC प्राप्त किया; अर्ली फ्यूज़न का AUC संख्यात्मक रूप से लेट फ्यूज़न से अधिक रहा, पर सांख्यिकीय महत्व तक नहीं पहुंचा (0.863 बनाम 0.851, P = 0.636)। दोनों एकल-डोमेन इमेजिंग मॉडल सांख्यिकीय रूप से अलग नहीं थे (0.817 बनाम 0.784, P = 0.512)। अंतर-हैबिटेट स्थानिक संरचना ट्यूमर के उस संगठन को पकड़ती है जिसे पारंपरिक हैबिटेट रेडियोमिक्स अनदेखा करता है, और ऑपरेशन-पूर्व ALNM भविष्यवाणी के लिए पूरक जानकारी प्रदान करती है।
जर्नल IF-समतुल्य: 3.9 (OpenAlex 2-वर्षीय औसत उद्धरण, मान 2026-10-13 तक का, 2026-10-15 को प्राप्त; आधिकारिक Clarivate IF नहीं)संदर्भ: Liu P, Wang P, Zou X, Zhang Q, Wang W. इंट्रा- से इंटर-हैबिटैट विश्लेषण तक: ब्रेस्ट DCE-MRI पर एक्सिलरी लिम्फ नोड मेटास्टेसिस पूर्वानुमान के लिए स्थानिक संरचना विशेषताएँ। J Digit Imaging Inform med. 2026 Oct 13 [प्रिंट से पहले प्रकाशित]. doi:10.1007/s10278-026-02384-2.जाँचा गया: केवल सार
फेफड़ों का कैंसर: उपचार, ट्रायल और AI
- सार
पृष्ठभूमि: पल्मोनरी म्यूसिनस एडेनोकार्सिनोमा (PMA) फेफड़े के एडेनोकार्सिनोमा का एक दुर्लभ उपप्रकार है, जिसके लिए व्यापक पैथोलॉजिकल वर्गीकरण और रोग-निदान संबंधी कारकों का अभाव है। इस अध्ययन में, हम एक मल्टीमॉडल मशीन लर्निंग (ML) ढांचा प्रस्तावित करते हैं, जो PMA उपप्रकार वर्गीकरण और रोग-निदान पूर्वानुमान को बेहतर बनाने के लिए कई डेटा मॉडैलिटी को एकीकृत करता है। विधियाँ: इस पूर्वव्यापी अध्ययन में 175 प्राथमिक PMA मामलों को शामिल किया गया, जिनमें जनसांख्यिकीय, हिस्टोपैथोलॉजिकल, कंप्यूटेड टोमोग्राफी (CT) इमेजिंग और एपिथेलियल ग्रोथ फैक्टर रिसेप्टर ( EGFR ) म्यूटेशन डेटा का विवरण शामिल था। हिस्टोलॉजिकल वर्गीकरण के लिए लीस्ट एब्सोल्यूट श्रिंकेज एंड सिलेक्शन ऑपरेटर (LASSO) रेगुलराइज़्ड लॉजिस्टिक रिग्रेशन मॉडल का उपयोग किया गया, और आंतरिक सत्यापन के साथ उत्तरजीविता पूर्वानुमान के लिए Cox प्रोपोर्शनल हैज़ार्ड्स मॉडल का उपयोग किया गया। परिणाम: शुद्ध म्यूसिनस एडेनोकार्सिनोमा में रेडियोग्राफिक या पैथोलॉजिकल ट्यूमर का आकार छोटा, निचले लोब में स्थानीयकरण, लिम्फ नोड मेटास्टेसिस और वायु स्थानों के माध्यम से प्रसार (STAS) की दर कम, प्रारंभिक पैथोलॉजिकल चरण, कार्सिनोएम्ब्रियोनिक एंटीजन (CEA) ≤5 ng/mL, स्पिक्युलेटेड मार्जिन, Ki-67 की कम अभिव्यक्ति और EGFR एक्सॉन 19 डिलीशन की कम आवृत्ति अधिक प्रचलित थी (P=0.002, 0.003, EGFR exon 19 deletion as independent prognostic factors in PMA (P=0.04, 0.049, respectively). इसके अलावा, Kaplan-Meier वक्रों ने नोमोग्राम स्कोर द्वारा स्तरीकृत निम्न- और उच्च-जोखिम समूहों के बीच उल्लेखनीय रूप से भिन्न परिणाम दिखाए (P<0.001)। निष्कर्ष: मिश्रित म्यूसिनस और म्यूसिन-स्रावी प्रकार की तुलना में पल्मोनरी शुद्ध म्यूसिनस एडेनोकार्सिनोमा में दुर्दमता कम पाई गई। इस अध्ययन में विकसित और सत्यापित नोमोग्राम मॉडल ने PMA रोगियों में शल्यक्रिया से पहले हिस्टोलॉजिकल उपप्रकार और उत्तरजीविता का पूर्वानुमान लगाने में आशाजनक प्रभावकारिता दिखाई, जो निदान और रोग-निदान पूर्वानुमान में चिकित्सकों का मार्गदर्शन करता है।
जर्नल IF-समतुल्य: 1.4 (OpenAlex 2-वर्षीय औसत उद्धरण, मान 2026-10-13 तक का, 2026-10-15 को प्राप्त; आधिकारिक Clarivate IF नहीं)संदर्भ: Yang W, Chen C, Li L, Chen Z, Chen Z, Le H, et al. फुफ्फुसीय म्यूसिनस एडेनोकार्सिनोमा के रोगियों में सटीक उप-वर्गीकरण और पूर्वानुमान के लिए मल्टीमॉडल डेटा का एकीकरण। Transl Cancer Res. 2026 Sep;15(9):708-8. doi:10.21037/tcr-2026-1241.जाँचा गया: केवल सार - सार
पृष्ठभूमि: प्रोफिलैक्टिक क्रैनियल इरेडिएशन (PCI) के बाद भी, स्मॉल सेल लंग कैंसर (SCLC) के रोगियों में ब्रेन मेटास्टेसिस एक महत्वपूर्ण नैदानिक चिंता बनी हुई है। PCI के बाद ब्रेन मेटास्टेसिस के उच्च जोखिम वाले रोगियों की सटीक पहचान से व्यक्तिगत निगरानी और प्रबंधन में सहायता मिल सकती है। इस अध्ययन में द्वि-और-आधा-आयामी (2.5D) मल्टी-चैनल डीप लर्निंग फीचर्स, नैदानिक फीचर्स और रेडियोमिक्स फीचर्स पर आधारित एक फ्यूज़न मॉडल विकसित किया गया, जो यह अनुमान लगाता है कि SCLC के रोगियों में PCI के बाद ब्रेन मेटास्टेसिस विकसित होगा या नहीं। विधियाँ: इस पूर्वव्यापी अध्ययन में PCI करवाने वाले SCLC के 185 रोगियों को शामिल किया गया और उन्हें यादृच्छिक रूप से प्रशिक्षण समूह (N=148) और परीक्षण समूह (N=37) में विभाजित किया गया। 2.5D डीप लर्निंग फीचर्स निकालने के लिए CT छवियों से प्राप्त बहु-तलीय रुचि क्षेत्रों (ROI) के आधार पर एक 2.5D मल्टी-चैनल कन्वोल्यूशनल न्यूरल नेटवर्क (CNN) मॉडल बनाया गया। ट्यूमर ROI के सबसे बड़े अनुप्रस्थ काट और त्रि-आयामी (3D) आयतन के आधार पर क्रमशः द्वि-आयामी (2D) और 3D डीप लर्निंग फीचर्स निकाले गए। इसके बाद, विभिन्न आयामों के फीचर्स को नैदानिक फीचर्स और पारंपरिक ओमिक्स फीचर्स के साथ मिलाकर क्रमशः 2D_clinic_Rad, 2.5D_clinic_Rad और 3D_clinic_Rad मॉडल बनाए गए। फिर 3D मॉडलों और नैदानिक तथा पारंपरिक रेडियोमिक्स मॉडलों के बीच प्रदर्शन के अंतरों की तुलना की गई। परिणाम: 2.5D_clinic_Rad फ्यूज़न मॉडल ने ब्रेन मेटास्टेसिस का अनुमान लगाने में सर्वश्रेष्ठ प्रदर्शन किया, जिसने परीक्षण समूह पर 0.841 का एरिया अंडर द कर्व (AUC) प्राप्त किया और नैदानिक मॉडलों, पारंपरिक रेडियोमिक्स मॉडलों तथा 2D और 3D डीप लर्निंग फ्यूज़न मॉडलों से बेहतर रहा। डिसीज़न कर्व और कैलिब्रेशन कर्व के विश्लेषण से पता चला कि अन्य मॉडलों की तुलना में 2.5D_clinic_Rad मॉडल ने सर्वाधिक नैदानिक शुद्ध लाभ और सर्वश्रेष्ठ कैलिब्रेशन संगति प्रदर्शित की। निष्कर्ष: 2.5D_clinic_Rad पर आधारित फ्यूज़न मॉडल संपूर्ण-मस्तिष्क प्रोफिलैक्टिक इरेडिएशन के बाद SCLC के रोगियों में ब्रेन मेटास्टेसिस के जोखिम का प्रभावी ढंग से अनुमान लगा सकता है।
जर्नल IF-समतुल्य: 2.5 (OpenAlex 2-वर्षीय औसत उद्धरण, मान 2026-10-13 तक का, 2026-10-15 को प्राप्त; आधिकारिक Clarivate IF नहीं)संदर्भ: Zhang X, Zhao L, Wang J, Zhang X, Liang X, Cao W, et al. स्मॉल सेल लंग कैंसर में प्रोफिलैक्टिक ब्रेन इरेडिएशन के बाद ब्रेन मेटास्टेसिस की घटना का पूर्वानुमान लगाने के लिए व्याख्यात्मक डीप लर्निंग और रेडियोमिक्स। Transl Lung Cancer Res. 2026 Sep;15(9):281-1. doi:10.21037/tlcr-2026-0708.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
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
- सार
ग्लियोब्लास्टोमा (GBM) में उपचार की प्रतिक्रिया अत्यधिक विषम होती है। उपचार से पहले के MRI से परिणामों का पूर्वानुमान लगाना एक महत्वपूर्ण अपूर्ण आवश्यकता है, फिर भी "ब्लैक बॉक्स" डीप लर्निंग (DL) मॉडलों को नैदानिक रूप से अपनाने में पारदर्शिता की कमी बाधा बनती है। नैदानिक भरोसा बनाने के लिए सुदृढ़ और समग्र सत्यापन ढाँचे अभी विकसित किए जाने बाकी हैं। GBM की समग्र उत्तरजीविता का पूर्वानुमान लगाने के लिए पहले से विकसित एक डीप लर्निंग मॉडल का विश्लेषण करने हेतु बहु-स्तरीय eXplainable AI (XAI) पाइपलाइन का उपयोग किया गया। पहले, मॉडल के दृश्य फोकस का गुणात्मक और मात्रात्मक विश्लेषण किया गया। दूसरे, इनपुट एब्लेशन अध्ययनों से मॉडल की फीचर-निर्भरता को मापा गया। तीसरे, आंतरिक निरूपणों की रैखिक प्रोबिंग द्वारा यह पता लगाया गया कि किस गहराई पर श्रेणी-सूचना को डिकोड किया जा सकता है। अंत में, GEE (Generalised Estimating Equations) और क्लस्टर्ड बूटस्ट्रैपिंग का उपयोग करके एक बहु-पाठक, बहु-केस अध्ययन (37 रोगी, 4 पाठक, 3 चरण, 444 अवलोकन) में AI और उसकी व्याख्याओं के नैदानिक प्रभाव का आकलन किया गया। विश्लेषण में एक उच्च-तीव्रता वाली ह्यूरिस्टिक सामने आई: खोपड़ी की परिधि पर अति-तीव्र पिक्सेल "दीर्घकालिक" पूर्वानुमानों का आधार बने, जबकि उनके अभाव में मॉडल ट्यूमर एन्हांसमेंट के आधार पर "अल्पकालिक" पूर्वानुमान पर चला गया। एब्लेशन अध्ययन ने इस निर्भरता को स्थापित किया, और रैखिक प्रोबिंग ने भी उसी दिशा की ओर संकेत किया। नैदानिक अध्ययन में, AI की सहायता से विशेषज्ञों की सटीकता में उल्लेखनीय सुधार हुआ (OR 1.598, p < 0.01) और आत्मविश्वास कृत्रिम रूप से नहीं बढ़ा (p = 0.561)। महत्वपूर्ण बात यह है कि XAI हीटमैप जोड़ने का संबंध इस बात में बदलाव से था कि विशेषज्ञ AI स्कोर का उपयोग कैसे करते हैं (अंतःक्रिया p < 0.01), और ऐसे रोगियों की संख्या कम होने से भी, जिन्हें गलती से दीर्घकालिक उत्तरजीवी बताया गया। उच्च पूर्वानुमान सटीकता निम्न-स्तरीय तीव्रता ह्यूरिस्टिक पर निर्भरता को छिपा सकती है। सैलिएंसी मैप की सतही व्याख्या खतरनाक है, लेकिन बहु-स्तरीय ऑडिट इन शॉर्टकट को उजागर करते हैं। नैदानिक रूप से, स्थानिक हीटमैप का संबंध विशेषज्ञों की बेहतर नैदानिक सटीकता और निर्णय लेने की रणनीति में बदलाव से था।
जर्नल IF-समतुल्य: 3.9 (OpenAlex 2-वर्षीय औसत उद्धरण, मान 2026-10-13 तक का, 2026-10-15 को प्राप्त; आधिकारिक Clarivate IF नहीं)संदर्भ: Andres R, Moreau NN, Dessoude L, Le Henaff L, Missohou F, Stefan D, et al. ग्लियोब्लास्टोमा उपचार प्रभावकारिता पूर्वानुमान में डीप लर्निंग की व्याख्या-योग्यता और नैदानिक भरोसा: एक व्यापक ढाँचा। J Digit Imaging Inform med. 2026 Oct 13 [Epub ahead of print]. doi:10.1007/s10278-026-02381-5.जाँचा गया: केवल सार - सार
पृष्ठभूमि: उच्च CD9 अभिव्यक्ति वयस्क-प्रकार के डिफ्यूज़ ग्लियोमा (ADGs) वाले रोगियों में कम समग्र उत्तरजीविता (OS) से महत्वपूर्ण रूप से जुड़ी है। साथ ही, दवा स्क्रीनिंग विश्लेषणों ने उच्च CD9 अभिव्यक्ति वाले ग्लियोमा के लिए एमेटीन (emetine) को एक संभावित लक्षित चिकित्सीय एजेंट के रूप में पहचाना है, जो दर्शाता है कि CD9 एक नए बायोमार्कर के रूप में कार्य कर सकता है जिसमें ग्लियोमा के निदान और उपचार को बदलने की क्षमता है। इस अध्ययन का उद्देश्य ऑपरेशन-पूर्व मैग्नेटिक रेज़ोनेंस इमेजिंग (MRI) छवियों पर आधारित एक कृत्रिम बुद्धिमत्ता भविष्यवाणी मॉडल विकसित करना था, ताकि ADGs वाले रोगियों में उच्च CD9 अभिव्यक्ति की शीघ्र पहचान में सहायता मिल सके। विधियाँ: हमने The Cancer Genome Atlas (TCGA) और Chinese Glioma Genome Atlas (CGGA) समूहों से ADGs वाले 262 रोगियों का CD9 अभिव्यक्ति डेटा पूर्वव्यापी रूप से एकत्र किया। ऑपरेशन-पूर्व MRI अनुक्रमों [कंट्रास्ट-एन्हांस्ड T1-भारित इमेजिंग (CET1) और T2-भारित इमेजिंग (T2WI)] का उपयोग करके, K-means क्लस्टरिंग एल्गोरिदम की सहायता से Habitat विशेषताएँ निकाली गईं, साथ ही रेडियोमिक विशेषताएँ भी निकाली गईं। इसके अतिरिक्त, ResNet101, DenseNet121 और SimpleViT सहित न्यूरल नेटवर्क आर्किटेक्चर के आधार पर बहु-चैनल 2.5-आयामी डीप लर्निंग (2.5D_DL) डेटा तैयार किया गया और DL विशेषताएँ निकाली गईं। अलग-अलग Radiomics, Habitat और 2.5D_DL भविष्यवाणी मॉडल बनाने के लिए सात क्लासिफ़ायर का उपयोग किया गया। इसके बाद, उच्च CD9 अभिव्यक्ति की भविष्यवाणी के लिए एक एनसेम्बल फ़्यूज़न रणनीति द्वारा एक Stacking मॉडल विकसित किया गया। मॉडल के प्रदर्शन का मूल्यांकन रिसीवर ऑपरेटिंग कैरेक्टरिस्टिक (ROC) वक्रों से किया गया, और नैदानिक प्रभावकारिता का आकलन डिसीज़न कर्व एनालिसिस (DCA) द्वारा किया गया। मशीन लर्निंग भविष्यवाणियों की पारदर्शिता बढ़ाते हुए मॉडलों की व्याख्या को समझने के लिए Shapley Additive Explanations (SHAP) विश्लेषण किया गया। इसके अलावा, रोगियों को Stacking मॉडल स्कोर के आधार पर उच्च- और निम्न-जोखिम समूहों में बाँटा गया, और Kaplan-Meier विश्लेषण तथा log-rank परीक्षण द्वारा उत्तरजीविता में अंतर की तुलना की गई। परिणाम: Habitat मॉडल ने ROC वक्र [ROC के अंतर्गत क्षेत्रफल (AUC)] मानों में Radiomics मॉडल से बेहतर प्रदर्शन दिखाया। बहु-चैनल 2.5D_DL मॉडलों में, SimpleViT मॉडल ने कन्वोल्यूशनल न्यूरल नेटवर्क (CNN) आधारित मॉडलों (ResnNet101 और DenseNet121) की तुलना में थोड़ा बेहतर प्रदर्शन प्राप्त किया। अंतिम Stacking मॉडल, जिसने Habitat, Radiomics और 2.5D_DL मॉडलों के आउटपुट को एकीकृत किया, ने बेहतर AUC मान दर्शाए। प्रशिक्षण, सत्यापन और परीक्षण सेटों में AUC क्रमशः 0.999, 0.822 और 0.728 तक पहुँचा। DeLong परीक्षण ने प्रशिक्षण सेट में प्रत्येक मॉडल के AUC मानों में सांख्यिकीय रूप से महत्वपूर्ण अंतर की पुष्टि की, लेकिन अन्य सेटों में कोई सांख्यिकीय रूप से महत्वपूर्ण अंतर नहीं देखा गया। इसके अलावा, DCA द्वारा इस एकीकृत मॉडल के लिए जोखिम सीमाओं की अधिक व्यापक श्रेणी में बढ़े हुए शुद्ध नैदानिक लाभ की पुष्टि की गई। Stacking मॉडल द्वारा पूर्वानुमान-आधारित स्तरीकरण ने उच्च-जोखिम और निम्न-जोखिम समूहों के बीच उत्तरजीविता परिणामों में महत्वपूर्ण अंतर दर्शाए। निष्कर्ष: ऑपरेशन-पूर्व MRI पर आधारित Stacking मॉडल ADGs वाले रोगियों में उच्च CD9 अभिव्यक्ति वाले रोगियों की प्रभावी रूप से पहचान करता है और रोगी जोखिम का स्तरीकरण करता है, जिससे नैदानिक उपचार निर्णय और वैयक्तिकृत पूर्वानुमान मूल्यांकन में सहायता मिलती है। इस मॉडल के पूर्वानुमान प्रदर्शन और सामान्यीकरण क्षमता को प्रमाणित करने के लिए भावी बहुकेंद्रीय डेटा की अभी भी आवश्यकता है।
जर्नल IF-समतुल्य: 1.4 (OpenAlex 2-वर्षीय औसत उद्धरण, मान 2026-10-13 तक का, 2026-10-15 को प्राप्त; आधिकारिक Clarivate IF नहीं)संदर्भ: Pang B, Yuan M, Yan Y, Li J, Xue J, Jing L, एवं अन्य। MRI-आधारित हैबिटैट रेडियोमिक्स का ट्रांसफॉर्मर डीप लर्निंग के साथ एकीकरण: उच्च CD9 अभिव्यक्ति के पूर्व-शल्यक पूर्वानुमान के लिए, वयस्क-प्रकार के डिफ्यूज़ ग्लियोमा में एक नवीन रोगनिदान मार्कर। Transl Cancer Res. 2026 Sep;15(9):703-3. doi:10.21037/tcr-2026-1847.जाँचा गया: केवल सार
सभी 2 मस्तिष्क शोध पत्र देखें →
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
पृष्ठभूमि: हेपेटोसेलुलर कार्सिनोमा (HCC) विश्वभर में कैंसर से संबंधित मृत्यु के प्रमुख कारणों में से एक है, और TP53 उत्परिवर्तन (म्यूटेशन) एक ट्रंक म्यूटेशन के रूप में ट्यूमर की प्रगति को बढ़ावा देता है। हालांकि, TP53 म्यूटेशन की स्थिति वर्तमान में केवल इनवेसिव लिवर बायोप्सी से ही निर्धारित की जा सकती है। यह अध्ययन P53-म्यूटेटेड HCC की भविष्यवाणी करने के लिए मैग्नेटिक रेजोनेंस इमेजिंग (MRI) की बहुक्षेत्रीय रेडियोमिक्स विशेषताओं का उपयोग करता है और इस आक्रामक उपप्रकार की पहचान के लिए एक गैर-इनवेसिव उपकरण प्रदान करता है। विधियाँ: इस पूर्वव्यापी अध्ययन में, प्रीऑपरेटिव MRI करवाने वाले 320 रोगियों के आँकड़ों का विश्लेषण किया गया और उन्हें एक प्रशिक्षण समूह (TC; n=224) तथा एक सत्यापन समूह (VC; n=96) में विभाजित किया गया। पूर्वानुमान मॉडल बनाने के लिए स्टेपवाइज़ रिग्रेशन के माध्यम से नैदानिक जोखिम कारकों की पहचान की गई। हमने छह MRI अनुक्रमों में तीन मशीन लर्निंग क्लासिफ़ायर का मूल्यांकन किया, और रेडियोमिक्स मॉडल स्थापित करने के लिए चार क्षेत्रों (संपूर्ण ट्यूमर, IntraPeri_9mm, IntraPeri_11mm और IntraPeri_13mm) में से सर्वश्रेष्ठ IntraPeri फ़्यूज़न मॉडल चुनने हेतु least absolute shrinkage and selection operator (LASSO) विधि का उपयोग किया गया। P53-म्यूटेटेड HCC के लिए पूर्वानुमान नोमोग्राम ने इन नैदानिक पूर्वसूचकों को विभेदक रेडियोमिक्स विशेषताओं के साथ एकीकृत किया, और इसके प्रदर्शन का मूल्यांकन रिसीवर ऑपरेटिंग कैरेक्टरिस्टिक विश्लेषण, कैलिब्रेशन और डिसीजन कर्व्स द्वारा किया गया। परिणाम: 320 रोगियों (259 पुरुष और 61 महिलाएँ; औसत आयु, 58.25±11.51 वर्ष) में से 183 को P53-म्यूटेटेड HCC था और 137 को गैर-P53-म्यूटेटेड HCC था। सबसे बड़ा ट्यूमर व्यास (LTD), Edmondson-Steiner ग्रेड और रिम आर्टेरियल फ़ेज़ हाइपरएन्हांसमेंट को P53-म्यूटेटेड HCC के स्वतंत्र पूर्वसूचक के रूप में पहचाना गया। IntraPeri_11mm क्षेत्र के भीतर इष्टतम MRI अनुक्रम [T1-वेटेड इमेजिंग-आर्टेरियल फ़ेज़ (T1WI-AP)] की रेडियोमिक्स विशेषताओं पर आधारित ExtraTrees क्लासिफ़ायर ने उच्च पूर्वानुमान सटीकता प्राप्त की [एरिया अंडर द कर्व (AUC) TC =0.805; AUC VC =0.660]। नैदानिक और रेडियोमिक्स विशेषताओं को एकीकृत करने वाले पूर्वानुमान नोमोग्राम ने TC [AUC =0.815; 95% विश्वास अंतराल (CI): 0.758-0.872] और VC (AUC =0.802; 95% CI: 0.713-0.890) दोनों में उत्कृष्ट प्रदर्शन दिखाया। डिसीजन कर्व विश्लेषण ने इसकी नैदानिक उपयोगिता की और पुष्टि की। निष्कर्ष: नैदानिक मॉडल को IntraPeri_11mm रेडियोमिक्स के साथ मिलाने वाला नोमोग्राम HCC में प्रीऑपरेटिव P53 म्यूटेशन स्थिति के प्रभावी पूर्वसूचक के रूप में कार्य कर सकता है।
जर्नल IF-समतुल्य: 1.4 (OpenAlex 2-वर्षीय औसत उद्धरण, मान 2026-10-13 तक का, 2026-10-15 को प्राप्त; आधिकारिक Clarivate IF नहीं)संदर्भ: Weng J, Yao D, Zeng Q, He Y, Yang C, Yang B. मैग्नेटिक रेजोनेंस इमेजिंग-आधारित रेडियोमिक्स द्वारा P53-म्यूटेटेड हेपेटोसेलुलर कार्सिनोमा की भविष्यवाणी: इंट्राट्यूमोरल और पेरिट्यूमोरल विश्लेषण. Transl Cancer Res. 2026 Sep;15(9):709-9. doi:10.21037/tcr-2026-1579.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।