AI और कैंसर अनुसंधान ── 2026-10-22
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 बायोलॉजी（4） · स्तन（3） · फेफड़ा（2） · अग्न्याशय（1） · प्रोस्टेट（2） · एसीसी（0） · मस्तिष्क（1） · डिम्बग्रंथि（0） · एंडोमेट्रियल（0） · आमाशय（2） · लिवर（1） · किडनी（0） · मूत्राशय（1）
कैंसर आणविक जीवविज्ञान और AI
- सार
उद्देश्य: यूरोलॉजिकल प्रैक्टिस में, अवरोध, ट्यूमर या एट्रॉफ़ी वाली किडनी को हटाने या बचाने का निर्णय स्प्लिट रीनल फंक्शन पर आधारित होता है, हालाँकि रेफ़रेंस स्टैंडर्ड के रूप में SPECT रीनल डायनामिक सिंटिग्राफ़ी संसाधन-गहन होती है। हमने नॉन-फंक्शनिंग किडनी की पहचान करने और इस स्थिति में यूरोलॉजिकल निर्णय-निर्माण में सहायता के लिए एक नॉन-कॉन्ट्रास्ट CT रेडियोमिक्स मॉडल विकसित किया और एक्सटर्नली वैलिडेट किया। विधियाँ: इस तीन-केंद्र वाले रेट्रोस्पेक्टिव अध्ययन (TRIPOD+AI) में, वयस्कों की 72 घंटे के भीतर नॉन-कॉन्ट्रास्ट CT और SPECT रीनल डायनामिक सिंटिग्राफ़ी की गई। PyRadiomics से IBSI-अनुरूप रेडियोमिक्स फ़ीचर निकाले गए और किडनियों के बीच की एसिमेट्री फ़ीचर बनाए गए। तीन-चरणीय चयन (Spearman, recursive feature elimination और LASSO) के बाद, 12 मशीन लर्निंग मॉडल विकसित किए गए और 2 स्वतंत्र कोहोर्ट्स में एक्सटर्नली वैलिडेट किए गए। एक Rad-score और क्लिनिकल नोमोग्राम भी तैयार किए गए। परिणाम: 1029 रोगियों में, इंटरनल कोहोर्ट में 418 रोगी शामिल थे। तेईस फ़ीचर बरकरार रखे गए। रैंडम फ़ॉरेस्ट मॉडल ने 0.9426 का इंटरनल टेस्ट AUC, 85.5% सेंसिटिविटी, 88.3% स्पेसिफ़िसिटी और 95.6% नेगेटिव प्रेडिक्टिव वैल्यू दिया। इसके एक्सटर्नल AUC 0.875 और 0.913 थे। नोमोग्राम ने 0.920 और 0.881 के एक्सटर्नल AUC हासिल किए। ट्रेनिंग डेटा में तय किए गए थ्रेशोल्ड पर, रैंडम फ़ॉरेस्ट ने 66.0 और 76.4% की एक्सटर्नल सेंसिटिविटी 94.8 और 93.3% के नेगेटिव प्रेडिक्टिव वैल्यू के साथ हासिल की, और नोमोग्राम ने 92.5 और 93.7% 98.3 और 97.2% के साथ। दोनों रेडियोमिक्स मॉडल ने क्लिनिकल वेरिएबल और सिंपल CT साइज़ तथा एसिमेट्री माप से बने लॉजिस्टिक-रिग्रेशन बेसलाइन से बेहतर प्रदर्शन किया, हालाँकि कंबाइंड बेसलाइन पर बढ़त एक एक्सटर्नल कोहोर्ट में सांख्यिकीय रूप से महत्वपूर्ण नहीं थी। Rad-score एकल-किडनी GFR के साथ सहसंबद्ध था (ρ = -0.738, P < 0.001) और रिस्क स्ट्रैटिफ़िकेशन में सहायक रहा। निष्कर्ष: नॉन-कॉन्ट्रास्ट CT रेडियोमिक्स ने कॉन्ट्रास्ट एजेंट या रेडियोट्रेसर के बिना नॉन-फंक्शनिंग किडनी की पहचान की। चूँकि नॉन-कॉन्ट्रास्ट CT पहले से ही रूटीन यूरोलॉजिकल वर्कअप का हिस्सा है, यह एक्सटर्नली वैलिडेटेड रूल-आउट टूल अनावश्यक SPECT जाँचों को कम कर सकता है और नेफ्रेक्टोमी तथा नेफ्रॉन-स्पेयरिंग प्रबंधन के बीच निर्णयों में सहायता कर सकता है।
जर्नल IF-समकक्ष: 1.9 (OpenAlex 2-वर्षीय औसत संदर्भिता, मान 2026-10-21 तक, पुनःप्राप्त 2026-10-22; आधिकारिक Clarivate IF नहीं)संदर्भ: Jiang Y, Zheng Y, Feng Z, Bao L, Wei Q. गैर-फ़ंक्शनिंग किडनी की पहचान के लिए गैर-कंट्रास्ट CT रेडियोमिक्स: एक बहु-केंद्र विकास और बाह्य सत्यापन अध्ययन। Int Urol Nephrol. 2026 Oct 20 [ई-पब प्रिंट से पहले]। doi:10.1007/s11255-026-05451-3. PMID: 42902104.जाँचा गया: केवल सार - सार
पारंपरिक रेडियोमिक्स मैन्युअल फ़ीचर इंजीनियरिंग और खराब क्रॉस-ट्यूमर सामान्यीकरण से बाधित है। हम SAFARI (Self-supervised Tumor-Agnostic Framework for Radiomics Representation Learning) प्रस्तुत करते हैं, जो रेडियोमिक्स के लिए एक नवीन, स्व-पर्यवेक्षित मॉडल है और रोग-अनिरपेक्ष ट्यूमर विशेषताएं सीखता है। डुअल-ऑब्जेक्टिव स्व-पर्यवेक्षित रणनीति के साथ ट्रांसफॉर्मर आर्किटेक्चर पर निर्मित — जो मास्क्ड फ़ीचर पुनर्निर्माण और ट्यूमर सबवॉल्यूम्स पर कॉन्ट्रास्टिव लर्निंग को संयोजित करती है — SAFARI को छह प्रमुख कैंसर प्रकारों (फेफड़े, लिवर, कोलोरेक्टल, किडनी, अग्न्याशय और कोलोरेक्टल लिवर मेटास्टेसिस) वाले 1,086 रोगियों के 27,144 ट्यूमर सबवॉल्यूम्स से प्राप्त 1,218 रेडियोमिक फ़ीचर्स पर प्रशिक्षित किया गया। 762 रोगियों वाले स्वतंत्र डेटासेट पर किए गए ट्रांसफर लर्निंग प्रयोगों में फिक्स्ड SAFARI एम्बेडिंग्स ने कई डाउनस्ट्रीम कार्यों में हमारे मिलान वाले पारंपरिक रेडियोमिक्स बेसलाइन को पछाड़ दिया। पित्ताशय के कैंसर में HER2 स्थिति की भविष्यवाणी (AUC: 0.758 vs. 0.610), NSCLC हिस्टोपैथोलॉजी (सटीकता: 71.3% vs. 62.1%) और EGFR म्यूटेशन स्थिति (AUC: 0.805 vs. 0.690) के लिए प्रदर्शन लाभ काफी महत्वपूर्ण थे। यह प्रदर्शित करके कि एक एकल पूर्व-प्रशिक्षित मॉडल अधिकांश एंडपॉइंट्स पर मिलान वाले कार्य-विशिष्ट बेसलाइन से बेहतर प्रदर्शन करता है, SAFARI ऑन्कोलॉजी में रेडियोमिक विश्लेषण के लिए एक नया, अधिक मजबूत प्रतिमान स्थापित करता है।
जर्नल IF-समकक्ष: 3.2 (OpenAlex 2-वर्षीय औसत संदर्भिता, मान 2026-10-20 तक, पुनःप्राप्त 2026-10-21; आधिकारिक Clarivate IF नहीं)संदर्भ: Gupta P, Bose K, Dutta N, Mudgil P, Arora C. SAFARI: ऑन्कोलॉजी प्रैक्टिस में रेडियोमिक्स रिप्रेज़ेंटेशन लर्निंग के लिए एक स्व-पर्यवेक्षित ट्यूमर-अज्ञेयवादी फ़्रेमवर्क. ACM Trans Comput Healthcare. 2026 Oct 19 [Epub ahead of print]. doi:10.1145/3859479.जाँचा गया: केवल सार
सभी 4 कैंसर बायोलॉजी पेपर देखें →
स्तन कैंसर: उपचार, ट्रायल और AI
- सार
पृष्ठभूमि: स्तन-संरक्षण शल्यक्रिया (BCS) प्रारंभिक स्तन कैंसर के लिए मानक उपचार है। हालाँकि, सकारात्मक शल्य सीमाएँ उच्च पुनरावृत्ति का कारण बनती हैं और पुनः शल्यक्रिया की आवश्यकता होती है, जो एक नैदानिक चुनौती बनी हुई है। यह अध्ययन डायनामिक कंट्रास्ट-एन्हांस्ड मैग्नेटिक रेज़ोनेंस इमेजिंग (DCE-MRI) का उपयोग करके सकारात्मक सीमाओं की शल्यक्रिया-पूर्व भविष्यवाणी हेतु एक एन्सेम्बल मॉडल विकसित करने का उद्देश्य रखता है। विधियाँ: तीन चीनी चिकित्सा केंद्रों से कुल 887 रोगियों को शामिल किया गया। युन्नान (581 रोगी) और फ़ुजियान (51 रोगी) प्रांतों के रोगियों का उपयोग मॉडल विकास के लिए किया गया, जिसमें गुआंग्डोंग के 188 रोगियों पर बाह्य परीक्षण तथा युन्नान के 67 रोगियों पर संभावित (प्रोस्पेक्टिव) परीक्षण किया गया। तीन आधारभूत मॉडल विकसित किए गए: 32 विशेषताओं पर आधारित क्लिनिकल मॉडल, ResNet-34 का उपयोग करने वाला डीप लर्निंग (DL) मॉडल, और रेडियोमिक्स विशेषताओं का उपयोग करने वाला रेडियोमिक्स मॉडल। एन्सेम्बल मॉडल ने भारित मतदान (weighted voting) के माध्यम से इन तीनों आधारभूत मॉडलों की भविष्यवाणियों को संयोजित किया। प्रदर्शन मेट्रिक्स (सटीकता, AUC, संवेदनशीलता, विशिष्टता) की गणना की गई, और एक सार्वजनिक डेटासेट के साथ पूर्वानुमान संबंधी विश्लेषण किए गए। परिणाम: एन्सेम्बल मॉडल ने तीनों आधारभूत मॉडलों में से प्रत्येक से बेहतर प्रदर्शन किया, सत्यापन सेट में AUC 0.931, सटीकता 0.872, संवेदनशीलता 0.871 और विशिष्टता 0.880 रही। स्वतंत्र परीक्षण कोहोर्ट्स में मजबूती की पुष्टि की गई, जिनमें AUC क्रमशः 0.762 और 0.861 प्राप्त हुए। इसके अतिरिक्त, मॉडल द्वारा उच्च-जोखिम वाले के रूप में पहचाने गए रोगियों में खराब पुनरावृत्ति-रहित जीवनकाल (RFS, HR = 8.117, p < 0.0001) और समग्र जीवनकाल (OS, HR = 5.748, p < 0.0001) देखा गया, जो इसके पूर्वानुमानिक मूल्य को रेखांकित करता है। निष्कर्ष: DCE-MRI पर आधारित एन्सेम्बल मॉडल BCS रोगियों के लिए सकारात्मक सीमाओं और पूर्वानुमान की प्रभावी भविष्यवाणी करता है, जिससे शल्यक्रिया संबंधी नैदानिक निर्णय लेने में सहूलियत मिलती है। परीक्षण पंजीकरण यह अध्ययन युन्नान कैंसर अस्पताल (KYLX2023-134), ज़ियामेन विश्वविद्यालय के शियांगआन अस्पताल (XDYX202305K26), और शांटाउ विश्वविद्यालय मेडिकल कॉलेज के कैंसर अस्पताल (2024059) की आचार समिति द्वारा अनुमोदित किया गया था। यह अध्ययन चीनी क्लिनिकल ट्रायल रजिस्ट्री (ChiCTR2400083298, पंजीकृत 19 अप्रैल 2024, https://www.chictr.org.cn/showproj.html?%20proj=207948 ) में भी पंजीकृत किया गया था।
जर्नल IF-समकक्ष: 5.8 (OpenAlex 2-वर्षीय औसत संदर्भिता, मान 2026-10-21 तक, पुनःप्राप्त 2026-10-22; आधिकारिक Clarivate IF नहीं)संदर्भ: Zhao X, Bai JW, Dong LA, Li ZH, He JZ, Chen YX, et al. DCE-MRI पर आधारित एंसेम्बल मॉडल का उपयोग करके स्तन-संरक्षी शल्यक्रिया में पॉज़िटिव मार्जिन का प्री-ऑपरेटिव पूर्वानुमान: एक बहु-केंद्रीय पूर्वव्यापी और अग्रगामी अध्ययन। Breast Cancer Res. 2026 Jul 25;28(1):181. doi:10.1186/s13058-026-02354-0. PMID: 42902311.जाँचा गया: केवल सार - सार
पृष्ठभूमि: मस्तिष्क मेटास्टेसिस (BM) स्तन कैंसर (BC) की एक विनाशकारी जटिलता है, जिसका पूर्वानुमान खराब होता है। उच्च-जोखिम वाले रोगियों की शीघ्र पहचान आवश्यक है, लेकिन इस समय सटीक पूर्वानुमान उपकरणों का अभाव है। इस अध्ययन का उद्देश्य बड़ी, विविध रोगी आबादी में BM की भविष्यवाणी के लिए एक स्थिर मशीन लर्निंग मॉडल विकसित करना था। विधियाँ: हमने SEER कार्यक्रम, National Cancer Database और एक बहु-केंद्रीय चीनी कोहोर्ट से 186,351 प्राथमिक BC रोगियों का एक प्रतिगामी कोहोर्ट अध्ययन किया। रोगियों को प्रशिक्षण और सत्यापन सेट में विभाजित किया गया। संभावित पूर्वानुमानकों में जनसांख्यिकीय, क्लिनिकोपैथोलॉजिकल, बायोमार्कर और उपचार-संबंधी चर शामिल थे, जिनमें सर्जरी, कीमोथेरेपी, एंडोक्राइन थेरेपी, नियोएड्जुवेंट थेरेपी और रेडियोथेरेपी सम्मिलित हैं। फीचर चयन के लिए LASSO रिग्रेशन का उपयोग किया गया। कर्व के अंतर्गत क्षेत्र (AUC) और डिसीज़न कर्व विश्लेषण का उपयोग करके नौ मशीन लर्निंग मॉडल विकसित और तुलना किए गए। सर्वोत्तम मॉडल को एक ऑनलाइन उपकरण के रूप में तैनात किया गया। परिणाम: 186,351 रोगियों में से 2,982 (1.6%) में BM विकसित हुआ। बेसलाइन तुलनाओं में, जिन रोगियों में BM विकसित हुआ, उनमें अधिक बार उन्नत रोग विशेषताएं और भिन्न उपचार पैटर्न देखे गए, जो संभवतः अधिक आक्रामक रोग प्रस्तुति को दर्शाते हैं। अंतिम संक्षिप्त (parsimonious) मॉडल में बनाए रखे गए प्रमुख पूर्वानुमानकों में AJCC N/M/T स्टेज, आयु और सर्जरी की स्थिति शामिल थीं। LASSO-रेगुलराइज़्ड Logistic Regression मॉडल ने सत्यापन सेट में श्रेष्ठ भेदन क्षमता हासिल की, जिसका AUC 0.907 (95% CI: 0.857-0.958) था। मॉडल ने अच्छा कैलिब्रेशन, नैदानिक शुद्ध लाभ और व्याख्या-योग्यता प्रदर्शित की, जिसमें SHAP विश्लेषण ने व्यक्तिगत जोखिम अनुमानों में प्रत्येक बनाए रखे गए पूर्वानुमानक के योगदान की पुष्टि की। सर्वाइवल विश्लेषण ने BM से जुड़े खराब पूर्वानुमान की पुष्टि की (p < 0.001)। रीयल-टाइम जोखिम आकलन के लिए एक इंटरैक्टिव ऑनलाइन उपकरण विकसित किया गया। निष्कर्ष: हमने उत्तर अमेरिकी और एशियाई कोहोर्ट के 186,000 से अधिक रोगियों का उपयोग करके BC में BM की भविष्यवाणी के लिए एक सटीक, नैदानिक रूप से अनुप्रयोग-योग्य मॉडल विकसित किया और आंतरिक रूप से सत्यापित किया। यह वेब-आधारित उपकरण चिकित्सकों को उच्च-जोखिम वाले व्यक्तियों की पहचान में सहायता कर सकता है, जिससे व्यक्तिगत प्रबंधन संभव होता है और संभावित रूप से रोगी परिणामों में सुधार होता है।
जर्नल IF-समकक्ष: 8.3 (OpenAlex 2-वर्षीय औसत संदर्भिता, मान 2026-10-02 तक, पुनःप्राप्त 2026-10-03; आधिकारिक Clarivate IF नहीं)संदर्भ: Yuan Q, Sha Y, Yu R, Yu H, Ye R, Du Y, et al. स्तन कैंसर में मस्तिष्क मेटास्टेसिस के लिए इंटरप्रिटेबल मशीन लर्निंग मॉडल: एक वृहद-स्तरीय, बहु-केंद्रीय अध्ययन। J Transl Med. 2026 Jul 24;24(1):1326. doi:10.1186/s12967-026-08675-0. PMID: 42902382.जाँचा गया: केवल सार
फेफड़ों का कैंसर: उपचार, ट्रायल और AI
- सार
फेफड़ों के एडेनोकार्सिनोमा (LUAD) में उपचार असफलता के प्रमुख कारण ट्यूमर आक्रमण और दूरस्थ मेटास्टेसिस बने हुए हैं, इसलिए आणविक तंत्रों को स्पष्ट करना LUAD के सटीक उपचार के लिए अत्यंत महत्वपूर्ण है। bulk RNA-Seq एवं सिंगल सेल ट्रांसक्रिप्टोम डेटा का उपयोग करते हुए, बहु-मशीन लर्निंग विधियों के साथ संयोजन में, हमने GOLM1 को LUAD में खराब पूर्वानुमान से जुड़े एक कोर जीन के रूप में पहचाना, जो घातक उपकला कोशिकाओं में उच्च स्तर पर व्यक्त होता है, जिनकी विशेषता बढ़ी हुई एक्स्ट्रासेलुलर मैट्रिक्स (ECM)-इंटीग्रिन सिग्नलिंग, ग्लाइकोसिलेशन रीमॉडेलिंग तथा आक्रमण से संबंधित ट्रांसक्रिप्शनल प्रोग्राम हैं। तंत्र के स्तर पर, हमने सत्यापित किया कि STAT1, GOLM1 का एक अपस्ट्रीम ट्रांसक्रिप्शन सक्रियक है, जो STAT1-GOLM1 अक्ष का निर्माण करता है और यह अक्ष LUAD आक्रमण को प्रेरित करता है। STAT1 के विरुद्ध कम्प्यूटेशनल मॉलिक्यूलर डॉकिंग द्वारा उम्मीदवार यौगिकों को प्राथमिकता दी गई और इसके बाद A549 कोशिकाओं में उनका मूल्यांकन किया गया। प्रायोगिक सत्यापन से पता चला कि यौगिक 1 ने PI3K/AKT सिग्नलिंग, कोशिका-चक्र तथा एपोप्टोसिस को विनियमित करके LUAD कोशिकाओं पर सबसे प्रबल निरोधी प्रभाव प्रदर्शित किया। समग्र रूप से, हमारे परिणामों ने LUAD में STAT1-GOLM1 अक्ष की महत्वपूर्ण भूमिका को स्पष्ट किया और LUAD के लिए एक आशाजनक AI-निर्देशित निरोधी उपलब्ध कराया।
जर्नल IF-समकक्ष: 8.9 (OpenAlex 2-वर्षीय औसत संदर्भिता, मान 2026-10-04 तक, पुनःप्राप्त 2026-10-05; आधिकारिक Clarivate IF नहीं)संदर्भ: Yang Q, Zeng Y, Ba L, Zhu Z, Bie Y, Zhao N, et al. फेफड़ों के एडेनोकार्सिनोमा में STAT1–GOLM1 अक्ष का एकीकृत ट्रांसक्रिप्टोमिक और मशीन-लर्निंग विश्लेषण तथा स्मॉल-मॉलेक्यूल इन्हिबिटर की खोज। npj Precis Onc. 2026 Oct 20 [ई-प्रकाशन, छपाई से पहले]। doi:10.1038/s41698-026-01735-0.जाँचा गया: केवल सार - सार
एपिडर्मल ग्रोथ फैक्टर रिसेप्टर (EGFR) म्यूटेशन नॉन-स्मॉल सेल लंग कैंसर (NSCLC) के लिए टार्गेटेड थेरेपी का मार्गदर्शन करने में अहम भूमिका निभाते हैं, फिर भी मौजूदा निदान तरीके आणविक परीक्षण पर काफी निर्भर हैं। यह अध्ययन हिस्टोपैथोलॉजिकल (H&E) इमेज विशेषताओं और मशीन लर्निंग का उपयोग करके EGFR म्यूटेशन की स्थिति की भविष्यवाणी के लिए पैथोलॉमिक्स-आधारित एक नया तरीका प्रस्तुत करता है।
जर्नल IF-समकक्ष: 1.7 (OpenAlex 2-वर्षीय औसत संदर्भिता, मान 2026-10-20 तक, पुनःप्राप्त 2026-10-21; आधिकारिक Clarivate IF नहीं)संदर्भ: Cheung E, Li A, Mok F, Kwong V, Cheung A, Tsang E, et al. MO27-6 नॉन-स्मॉल सेल लंग कैंसर में EGFR म्यूटेशन की भविष्यवाणी: एक पैथोलोमिक्स रैंडम फॉरेस्ट दृष्टिकोण. Annals of Oncology. 2026 Nov;37:S299. doi:10.1016/j.annonc.2026.07.158.जाँचा गया: केवल सार
अग्न्याशय कैंसर: उपचार, परीक्षण और AI
- सार
परिचय: पेरिन्यूरल इनवेज़न (PNI) अधिकांश पैनक्रियाटिक डक्टल एडिनोकार्सिनोमा (PDAC) मामलों में होता है और यह लोकल रिकरेंस, न्यूरोपैथिक दर्द और खराब सर्वाइवल से दृढ़ता से जुड़ा है, फिर भी ऑपरेशन से पहले इसकी पहचान के लिए कोई विश्वसनीय विधि मौजूद नहीं है। यहाँ, हमने PDAC में PNI की नॉन-इनवेसिव भविष्यवाणी के लिए मशीन लर्निंग के साथ एकीकृत, मल्टी-सीक्वेंस MRI-आधारित इंट्राट्यूमोरल हेटेरोजेनिटी (ITH) स्कोरिंग फ्रेमवर्क विकसित किया और बाह्य रूप से सत्यापित किया।
विधियाँ: चार चिकित्सा केंद्रों में शल्यक्रिया द्वारा रिसेक्ट किए गए 205 रोगियों (100 प्रशिक्षण, 43 आंतरिक परीक्षण, और 28 तथा 34 बाह्य सत्यापन रोगी) से प्राप्त प्रीऑपरेटिव T2-weighted, diffusion-weighted, और contrast-enhanced T1-weighted MRI का उपयोग करते हुए, हमने K-means क्लस्टरिंग-आधारित उपक्षेत्र विभाजन के माध्यम से द्विविमीय और त्रिविमीय ITH विशेषताएँ निकालीं तथा संयुक्त पूर्वानुमानित मॉडल बनाने के लिए स्वतंत्र क्लिनिकल पूर्वानुमानकों — ट्यूमर स्थान और क्लिनिकल T-stage — को शामिल किया। ग्यारह मशीन लर्निंग एल्गोरिद्म का व्यवस्थित रूप से मूल्यांकन किया गया।
परिणाम: संयुक्त clinical-ITH मॉडल ने आंतरिक टेस्ट सेट में 0.907 का area under the curve (AUC) और दो बाहरी सत्यापन कोहोर्ट्स में 0.860 तथा 0.869 के AUC हासिल किए। ITH मॉडल के लिए संगत AUC 0.881, 0.860, और 0.850 थे तथा क्लिनिकल लॉजिस्टिक रिग्रेशन मॉडल के लिए 0.758, 0.342, और 0.700 थे। Discussion SHAP विश्लेषण ने तीन T2WI-व्युत्पन्न विशेषताओं को संयुक्त मॉडल आउटपुट का सबसे बड़ा योगदानकर्ता स्थान दिया; विशेषताओं के प्रभाव दिशा में भिन्न थे और समान रूप से मोनोटोनिक नहीं थे। ये निष्कर्ष दर्शाते हैं कि मल्टी-सीक्वेंस MRI-आधारित ITH मात्रीकरण ऑपरेशन-पूर्व PNI मूल्यांकन का एक व्याख्या-योग्य तरीका प्रदान करता है, जो दोनों बाहरी सर्जिकल कोहोर्ट्स में सुसंगत भेदन-क्षमता रखता है, और अग्नाशय के कैंसर में सर्जिकल योजना तथा सहायक चिकित्सा (adjuvant therapy) के चयन का मार्गदर्शन करने वाला एक संभावित उपकरण प्रदान करता है।
जर्नल IF-समकक्ष: 6.1 (OpenAlex 2-वर्षीय औसत संदर्भिता, मान 2026-10-21 तक, पुनःप्राप्त 2026-10-22; आधिकारिक Clarivate IF नहीं)संदर्भ: Ouyang Z, Song Z, Li Z, Cui S, Liu X, Shen W, et al. मल्टी-सीक्वेंस एमआरआई से प्राप्त 2D और 3D इंट्राट्यूमोरल हेटरोजेनिटी फीचर्स को एकीकृत करने वाले मशीन लर्निंग मॉडल: पैंक्रियाटिक डक्टल एडिनोकार्सिनोमा में पेरिन्यूरल इनवेज़न की सटीक भविष्यवाणी. Front Artif Intell. 2026 Oct 20;9:1975752. doi:10.3389/frai.2026.1975752.जाँचा गया: केवल सार
प्रोस्टेट कैंसर: उपचार, ट्रायल और AI
- सार
इस रेट्रोस्पेक्टिव अध्ययन में प्रोस्टेट कैंसर के लिए रेडिकल प्रोस्टेटेक्टॉमी करवा रहे मरीज़ों में एपिकल पॉज़िटिव सर्जिकल मार्जिन (PSMs) की प्रीऑपरेटिव भविष्यवाणी के लिए T2-weighted imaging (T2WI) आधारित रेडियोमिक्स मॉडल विकसित और सत्यापित किया गया। कुल मिलाकर, 235 मरीज़ (74 एपिकल PSMs वाले और 161 एपिकल PSMs के बिना) को यादृच्छिक रूप से एक ट्रेनिंग सेट (n = 164; 69.8%) और एक स्वतंत्र टेस्ट सेट (n = 71; 30.2%) में बांटा गया। पात्र मरीज़ों में सर्जरी से 6 सप्ताह पहले के भीतर प्रीऑपरेटिव मल्टीपैरामेट्रिक मैग्नेटिक रेज़ोनेंस इमेजिंग, प्रोस्टेटिक एपेक्स को शामिल करने वाला या उसके समीप आने वाला इंडेक्स लेसियन, निश्चित एपिकल मार्जिन स्थिति, और नर्व-स्पेयरिंग के बिना मानक रेडिकल प्रोस्टेटेक्टॉमी होना शामिल था। एपिकल मूल्यांकन या region-of-interest रेखांकन के लिए अपर्याप्त इमेजिंग, पूर्व ट्रांसयूरेथ्रल रीसेक्शन ऑफ द प्रोस्टेट, या नियोएडजुवेंट एंड्रोजन-डिप्रिवेशन थेरेपी वाले मरीज़ों को बाहर रखा गया। T2WI से कुल 1409 रेडियोमिक फ़ीचर्स निकाले गए। नॉर्मलाइज़ेशन और अत्यधिक सहसंबद्ध फ़ीचर्स (|r| > 0.99) को हटाने के बाद, recursive feature elimination द्वारा छह इष्टतम फ़ीचर्स चुने गए। एक ग्रेडिएंट बूस्टिंग मशीन मॉडल बनाया गया, और receiver operating characteristic curve के अंतर्गत क्षेत्र (AUC), Brier score, और decision curve analysis का उपयोग करके प्रदर्शन का आकलन किया गया। एपिकल PSM दर 31.5% थी। टेस्ट सेट में, मॉडल ने 0.874 का AUC, 0.120 का Brier score, 87.3% की सटीकता, 81.8% की संवेदनशीलता और 89.8% की विशिष्टता हासिल की। स्क्यूनेस सबसे महत्वपूर्ण फ़ीचर था, जिसने मॉडल को 34.8% का योगदान दिया। एपिकल PSMs का extraprostatic extension (P = 0.001) के साथ महत्वपूर्ण संबंध था, और ट्यूमर-मार्जिन मॉडल ने सबसे अधिक शुद्ध नैदानिक लाभ प्रदान किया। T2WI आधारित रेडियोमिक्स प्रोस्टेट कैंसर के लिए व्यक्तिगत प्रीऑपरेटिव जोखिम मूल्यांकन और सर्जिकल प्लानिंग में सहायता कर सकता है।
जर्नल IF-समकक्ष: 2.8 (OpenAlex 2-वर्षीय औसत संदर्भिता, मान 2026-10-21 तक, पुनःप्राप्त 2026-10-22; आधिकारिक Clarivate IF नहीं)संदर्भ: Liu Y, Zhao YZ, Liu S, Gao XS, Ma MW. MRI में दिखने वाले एपिकल ट्यूमर वाले प्रोस्टेट कैंसर में T2-weighted MRI रेडियोमिक्स से शल्यक्रिया-पूर्व एपिकल मार्जिन जोखिम आकलन: बहुविषयक निर्णय सहायता की ओर. Asian J Androl. 2026 Oct 20 [Epub ahead of print]. doi:10.4103/aja202625. PMID: 42902531.जाँचा गया: केवल सार - सार
प्रोस्टेट कैंसर पुरुषों में सबसे आम घातक ट्यूमरों (मैलिग्नैंसी) में से एक है, और ग्लीसन ग्रेड का सटीक सेगमेंटेशन प्रभावी निदान और उपचार योजना के लिए अत्यंत महत्वपूर्ण है। वर्तमान डीप लर्निंग विधियों को अक्सर CNN और ट्रांसफ़ॉर्मर की पूरक विशेषताओं (फ़ीचर) को फ्यूज़ करने में कठिनाई होती है, और वे मुख्य रूप से कॉनकैटिनेशन या संकलन जैसी नाइव फ़ीचर फ्यूज़न तकनीकों पर निर्भर रहती हैं। ये विधियाँ टेक्सचर और वैश्विक संदर्भ की पूरक ताक़तों का लाभ नहीं उठा पातीं, जिससे सेगमेंटेशन प्रदर्शन सीमित हो जाता है। इस चुनौती का समाधान करने के लिए, हम TexTNet प्रस्तुत करते हैं, जो एक नया टेक्सचर-निर्देशित पदानुक्रमिक आर्किटेक्चर है और Local Binary Pattern (LBP) विशेषताओं को Swin Transformer के क्वेरी प्रोजेक्शन में एकीकृत करके एक Texture-Guided Attention तंत्र बनाता है। यह दृष्टिकोण ट्रांसफ़ॉर्मर का ध्यान ग्रंथिमय सीमाओं और नाभिकीय गुच्छों जैसे टेक्सचर-समृद्ध क्षेत्रों की ओर मोड़ता है, जिससे सेगमेंटेशन सटीकता बढ़ती है। हम Dual Path Squeeze-Fusion-Excitation (DP-SFE) मॉड्यूल से फ़ीचर फ्यूज़न को और बेहतर करते हैं, जो सीमा के धुंधलेपन को कम करता है, और कुशल फ़ीचर निष्कर्षण के लिए Asymmetric Convolution Blocks (ACB) प्रस्तुत करते हैं। इसके अतिरिक्त, Cross-Directional Feature Aggregator (CDFA) डिकोडर फ्यूज़न के दौरान सटीक स्थितिज पुनर्निर्माण और शोर दमन सुनिश्चित करता है। हम SICAPv2, PANDA, ProstateX और HuBMAP डेटासेट पर TexTNet का मूल्यांकन करते हैं, जिसमें प्रोस्टेट कैंसर सेगमेंटेशन में अत्याधुनिक विधियों से बेहतर प्रदर्शन दिखाया गया है। TexTNet एक क्लिनिकल निर्णय-सहायता उपकरण के रूप में आशाजनक है, जो जटिल, वास्तविक दुनिया की हिस्टोपैथोलॉजिकल छवियों पर मज़बूत प्रदर्शन और प्रोस्टेट कैंसर ग्रेडिंग के लिए निदान की विश्वसनीयता में सुधार की क्षमता प्रदर्शित करता है।
जर्नल IF-समतुल्य: 2.6 (OpenAlex 2-वर्षीय औसत उद्धरण दर, 2026-10-08 तक का मान, 2026-10-09 को प्राप्त; आधिकारिक Clarivate IF नहीं)संदर्भ: Arshad M, Chengliang W, Wajeeh Us Sima M, Shaikh JA, Alkhalaf S, Alturise F. TexTNet: व्होल स्लाइड इमेज में प्रोस्टेट कैंसर के Gleason सेगमेंटेशन के लिए टेक्सचर-गाइडेड हायरार्किकल आर्किटेक्चर। Front Med. 2026 Oct 19;13:1815031. doi:10.3389/fmed.2026.1815031.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: ग्लियोब्लास्टोमा के लिए कीमोरेडिएशन के बाद सत्य प्रगति (TP) को छद्म प्रगति (PsP) से अलग करना नैदानिक रूप से कठिन बना हुआ है। हमने चुंबकीय अनुनाद इमेजिंग (MRI)-आधारित मशीन लर्निंग मॉडल्स के बाहरी रूप से मान्यकृत नैदानिक प्रदर्शन का मूल्यांकन किया तथा अध्ययन की गुणवत्ता और पारदर्शिता का आकलन किया। विधियाँ: PubMed, Embase, MEDLINE और Cochrane Library की खोज 1 अक्टूबर 2025 तक की गई (PROSPERO पंजीकरण CRD420251144894)। पात्र वयस्क ग्लियोब्लास्टोमा अध्ययनों ने TP को PsP से हिस्टोपैथोलॉजी और/या क्लिनिकोरेडियोलॉजिक फॉलो-अप के आधार पर अलग करने हेतु MRI-आधारित मशीन लर्निंग का उपयोग किया। प्राथमिक मेटा-विश्लेषण में निकाले जा सकने वाले 2 × 2 डेटा वाले बाहरी टेस्ट कोहोर्ट शामिल थे; आंतरिक तथा संयुक्त आंतरिक-बाहरी टेस्ट विश्लेषण द्वितीयक थे। नैदानिक सटीकता को द्विचर रैंडम-इफेक्ट्स मॉडल्स से संश्लेषित किया गया। परिणाम: इमेजिंग मूल्यांकन कराने वाले 2,344 रोगियों सहित 31 अध्ययन शामिल किए गए। 219 रोगी अवलोकनों सहित 7 बाहरी टेस्ट कोहोर्ट प्राथमिक मेटा-विश्लेषण में सम्मिलित हुए। पूल्ड संवेदनशीलता 0.78 (95% आत्मविश्वास अंतराल [CI], 0.63-0.88), विशिष्टता 0.75 (95% CI, 0.63-0.84), और रिसीवर ऑपरेटिंग कैरेक्टरिस्टिक वक्र के अंतर्गत क्षेत्रफल (AUC) का सारांश 0.81 (बूटस्ट्रैप 95% CI, 0.69-0.91) था। आंतरिक टेस्ट कोहोर्ट ने बाहरी कोहोर्ट की तुलना में अधिक आभासी प्रदर्शन दिखाया (AUC, 0.91 बनाम 0.81), परंतु अंतर सांख्यिकीय रूप से सार्थक नहीं था (अंतर, -0.09; 95% CI, -0.22 से 0.02; P = 0.12)। पक्षपात का जोखिम अक्सर उच्च या अस्पष्ट था, और रिपोर्टिंग की पारदर्शिता असमान थी। निष्कर्ष: MRI-आधारित मशीन लर्निंग ने TP बनाम PsP के भेदन में मध्यम से अच्छा बाहरी मान्यकरण प्रदर्शन दिखाया, परंतु साक्ष्य छोटे बाहरी टेस्ट कोहोर्ट, पक्षपात और अधूरी रिपोर्टिंग के कारण सीमित बना हुआ है। नियमित नैदानिक कार्यान्वयन से पहले बड़े, पारदर्शी मल्टीसेंटर मान्यकरणों की आवश्यकता है। ग्लियोब्लास्टोमा के लिए कीमोरेडिएशन के बाद नई या बिगड़ती MRI असामान्यताएँ या तो सत्य ट्यूमर प्रगति या छद्म प्रगति हो सकती हैं। इस समीक्षा ने सत्य प्रगति को छद्म प्रगति से अलग करने हेतु मशीन लर्निंग अध्ययनों का मूल्यांकन किया, जिसमें बाहरी केंद्रों पर परीक्षित मॉडल्स पर बल दिया गया। बाहरी मान्यकरण ने मध्यम से अच्छा नैदानिक प्रदर्शन दिखाया, परंतु साक्ष्य छोटे टेस्ट कोहोर्ट, असंगत संदर्भ मानकों और अधूरी रिपोर्टिंग से सीमित था। इन मॉडल्स के नैदानिक अभ्यास में नियमित उपयोग से पहले वर्तमान WHO 2021 आणविक परिभाषाओं, मानकीकृत नैदानिक मानदंडों और पूर्ण रिपोर्टिंग का उपयोग करने वाले बड़े मल्टीसेंटर अध्ययनों की आवश्यकता है।
जर्नल IF-समकक्ष: 1.2 (OpenAlex 2-वर्षीय औसत संदर्भिता, मान 2026-10-20 तक, पुनःप्राप्त 2026-10-21; आधिकारिक Clarivate IF नहीं)संदर्भ: Zhang X, Guo X, Wang Y, Wagstyl K, Booth TC. ग्लियोब्लास्टोमा में स्यूडोप्रोग्रेशन से वास्तविक प्रगति को अलग करने के लिए एमआरआई-आधारित मशीन लर्निंग: एक अद्यतन व्यवस्थित समीक्षा और मेटा-विश्लेषण। Neuro-Oncology. 2026 Oct 19 [प्रिंट से पहले ई-प्रकाशित]. doi:10.1093/neuonc/noag259.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
- सार
इस डेटासेट में “Multi-cohort machine learning and experimental validation identify THY1 as an extracellular matrix remodeling-associated biomarker in gastric cancer.” शीर्षक वाले अध्ययन के समर्थन-डेटा और विश्लेषण सामग्री शामिल हैं। जमा की गई सामग्री में शामिल हैं: (1) चित्र 7 और 8 में प्रस्तुत प्रयोगात्मक विश्लेषणों के नीचे का मूल संख्यात्मक डेटा; (2) पूरक तालिकाएँ S1-S7; (3) बिना क्रॉप की गई वेस्टर्न ब्लॉट छवियाँ; और (4) सार्वजनिक-डेटासेट प्रीप्रोसेसिंग, मशीन-लर्निंग विश्लेषण, सांख्यिकीय विश्लेषण और विज़ुअलाइज़ेशन के लिए प्रयुक्त विश्लेषण कोड। अध्ययन में विश्लेषित किए गए सार्वजनिक ट्रांसक्रिप्टोमिक डेटासेट GEO, TCGA-STAD और TISCH2 से प्राप्त किए गए थे। GEO डेटासेट GSE118916, GSE54129, GSE63089 और GSE65801 का उपयोग प्रशिक्षण/खोज कोहोर्ट के रूप में किया गया; GSE146996, GSE51575 और GSE66229 का उपयोग बाह्य सत्यापन के लिए किया गया; TCGA-STAD का उपयोग सर्वाइवल और क्लिनिकोपैथोलॉजिकल विश्लेषणों के लिए किया गया; तथा GSE134520 और GSE167297 का उपयोग सिंगल-सेल ट्रांसक्रिप्टोमिक संदर्भीकरण के लिए किया गया।
जर्नल IF: अज्ञात (मिलान नहीं हो सका)संदर्भ: [लेखकों के नाम उपलब्ध नहीं]। “मल्टी-कोहॉर्ट मशीन लर्निंग और प्रायोगिक सत्यापन गैस्ट्रिक कैंसर में THY1 को एक्स्ट्रासेल्युलर मैट्रिक्स रीमॉडलिंग-संबंधी बायोमार्कर के रूप में पहचानते हैं” के लिए सहायक डेटा। Figshare. [Epub ahead of print]। doi:10.6084/m9.figshare.34715742.जाँचा गया: केवल सार - सार
Maharat Nakhon Ratchasima अस्पताल में एडवांस्ड गैस्ट्रिक कैंसर (AGC) के मरीजों का ओवरऑल सर्वाइवल (OS) अक्सर बहुत छोटा होता है, आमतौर पर केवल 2-3 महीने। तेज़ शारीरिक पतन के कारण कई मरीज इलाज बीच में छोड़ देते हैं। OS < 90 दिनों के जोखिम वाले मरीजों की शुरुआती पहचान समय पर हस्तक्षेप और अनुकूलित उपचार रणनीतियों में सहायता कर सकती है।
जर्नल IF-समकक्ष: 1.7 (OpenAlex 2-वर्षीय औसत संदर्भिता, मान 2026-10-20 तक, पुनःप्राप्त 2026-10-21; आधिकारिक Clarivate IF नहीं)संदर्भ: Thanestada J, Sihaban K. MO40-5 PREDICT-GC/ShortOS: उन्नत गैस्ट्रिक कैंसर में अत्यंत अल्प सर्वाइवल का पूर्वानुमान लगाने के लिए मशीन लर्निंग और रिग्रेशन मॉडल। Annals of Oncology. 2026 Nov;37:S307. doi:10.1016/j.annonc.2026.07.186.जाँचा गया: केवल सार
यकृत कैंसर: उपचार, परीक्षण और AI
- सार
इसोफेजियल वेरिसीज़ (EV) से रक्तस्राव हेपैटोसेल्युलर कार्सिनोमा (HCC) के रोगियों में एक घातक जटिलता है। वर्तमान जोखिम स्तर-निर्धारण इनवेसिव एंडोस्कोपी या यकृत सिरोसिस के प्रणालीगत सरोगेट पर निर्भर करता है। इस अध्ययन का उद्देश्य HCC के रोगियों में एंडोस्कोपिक मानदंडों द्वारा परिभाषित उच्च-जोखिम इसोफेजियल वेरिसीज़ की पहचान के लिए EV-विशिष्ट CT रेडियोमिक्स का उपयोग करते हुए एक मशीन लर्निंग मॉडल विकसित करना था। 151 HCC रोगियों को नामांकित किया गया और उन्हें एक प्रशिक्षण कोहॉर्ट (n = 101; 75 उच्च-जोखिम; जनवरी 2017 - दिसंबर 2022) तथा एक स्वतंत्र कालिक सत्यापन कोहॉर्ट (n = 50; 29 उच्च-जोखिम; जनवरी 2023 - दिसंबर 2024) में विभाजित किया गया। सक्रिय रक्तस्राव या उच्च-जोखिम विशेषताओं वाली वेरिसीज़ सहित एंडोस्कोपिक स्टिग्मेटा को समापन बिंदु के रूप में प्रयोग किया गया। रेडियोमिक विशेषताएँ एंडोस्कोपी से पूर्व छह महीनों के भीतर प्राप्त कंट्रास्ट-एन्हांस्ड CT छवियों से निकाली गईं। मॉडल के प्रदर्शन का मूल्यांकन रिसीवर ऑपरेटिंग कैरेक्टेरिस्टिक (ROC) के वक्र के अंतर्गत क्षेत्र (AUC), ब्रायर स्कोर, अंशांकन वक्रों और निर्णय वक्र विश्लेषण (DCA) का उपयोग करके किया गया। प्रशिक्षण कोहॉर्ट में, लीस्ट एब्सोल्यूट श्रिंकेज एंड सेलेक्शन ऑपरेटर (LASSO) के माध्यम से विकसित वेरिक्स-विशिष्ट रेडियोमिक्स सिग्नेचर ने उत्कृष्ट विभेदी क्षमता प्रदर्शित की (क्रॉस-वैलिडेटेड AUC: 0.956; 95% CI 0.872-1.000)। कालिक सत्यापन कोहॉर्ट में, इस मॉडल ने उच्च सामान्यीकरण बनाए रखा, जिसमें 0.926 का AUC (95% CI 0.846-0.984, संवेदनशीलता: 93.1%, विशिष्टता: 71.4%) प्राप्त हुआ, साथ ही 0.1186 का ब्रायर स्कोर और अच्छा अंशांकन (इंटरसेप्ट = -0.157, स्लोप = 1.354) रहा। सरफ़ेस-टू-वॉल्यूम रेशियो (SVR) और NGTDM कोर्सनेस व्यवहार्य रेडियोमिक्स हैं। वेरिक्स-विशिष्ट रेडियोमिक्स मॉडल HCC के रोगियों में EV रक्तस्राव के लिए अत्यधिक संवेदनशील और गणितीय रूप से स्थिर गैर-इनवेसिव जोखिम स्तर-निर्धारण प्रदान करता है।
जर्नल IF-समकक्ष: 2.6 (OpenAlex 2-वर्षीय औसत संदर्भिता, मान 2026-10-21 तक, पुनःप्राप्त 2026-10-22; आधिकारिक Clarivate IF नहीं)संदर्भ: Li PC, Ma CY, Chang SA, Chen CC. हेपेटोसेलुलर कार्सिनोमा में रक्तस्राव के उच्च जोखिम वाले इसोफेजियल वेरिसीज की पहचान हेतु मशीन लर्निंग-आधारित CT रेडियोमिक्स. Abdom Radiol (NY). 2026 Oct 20 [Epub ahead of print]. doi:10.1007/s00261-026-05808-3. PMID: 42900382.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
- सार
इंट्रावेसिकल Bacillus Calmette-Guérin (BCG) उच्च-जोखिम वाले नॉन–मसल-इनवेसिव ब्लैडर कैंसर (NMIBC) के लिए मानक एडजुवेंट थेरेपी है, फिर भी परिणाम भिन्न होते हैं, जिनमें 5 वर्षों में 40% तक रोगियों में उच्च-ग्रेड रिकरेंस (HGR) होती हैं। BCG की निरंतर वैश्विक कमी, उपचार सहन न कर पाना और वैकल्पिक थेरेपी का उदय, प्रबंधन का मार्गदर्शन करने के लिए नए बायोमार्कर की आवश्यकता को और बढ़ा दिया है [1]।
जर्नल IF-समकक्ष: 1.5 (OpenAlex 2-वर्षीय औसत संदर्भिता, मान 2026-10-02 तक, पुनःप्राप्त 2026-10-03; आधिकारिक Clarivate IF नहीं)संदर्भ: [लेखकों के नाम उपलब्ध नहीं]। ANZUP 1301 रैंडमाइज़्ड फेज़ 3 ट्रायल में नॉन–मसल-इनवेसिव ब्लैडर कैंसर में BCG उपचार के लिए कम्प्यूटेशनल हिस्टोलॉजी आर्टिफ़िशियल इंटेलिजेंस–आधारित बायोमार्कर का सत्यापन। European Urology. [Epub ahead of print]। doi:10.1016/j.eururo.2026.10.004.जाँचा गया: केवल सार