AI dan Penelitian Kanker ── 2026-10-15
Makalah baru tentang kanker dan AI, dikumpulkan dari feed jurnal, PubMed (dicari di semua jurnal) dan OpenAlex (indeks publik yang digunakan sebagai pengganti Google Scholar), dinilai oleh Jev (AI yang membuat penilaian bahasa): penelitian orisinal, AI sebagai inti, termasuk salah satu dari 13 tema, terapi atau uji coba, lalu diberi peringkat berdasarkan kepentingan hingga batas harian. Jurnal tidak disaring berdasarkan faktor dampak; setiap makalah menampilkan IF-ekuivalen jurnalnya (rata-rata sitasi dua tahun OpenAlex) dan tanggal nilai tersebut. Setiap entri menampilkan abstrak asli secara lengkap.
Baca menurut jenis kanker: Biologi kanker（1） · Payudara（2） · Paru-paru（2） · Pankreas（0） · Prostat（0） · ACC（0） · Otak（2） · Ovarium（0） · Endometrium（0） · Lambung（0） · Hati（1） · Ginjal（0） · Kandung kemih（0）
Biologi molekuler kanker dan AI
- Abstrak
Prediksi kekambuhan pascaoperasi yang akurat sangat penting untuk penatalaksanaan individual dan perencanaan tindak lanjut pada pasien karsinoma urotelial saluran atas (UTUC). Namun, stratifikasi risiko yang andal masih menantang karena sifat karakteristik pencitraan dan informasi klinis yang heterogen. Dalam studi ini, kami mengusulkan kerangka kerja dukungan keputusan klinis multimodal yang mengintegrasikan citra computed tomography (CT) dengan kontras bersama variabel klinis yang tersedia secara rutin untuk memprediksi kekambuhan pascaoperasi. Kerangka kerja yang diusulkan menggunakan strategi pembelajaran terintegrasi citra-klinis untuk meningkatkan keselarasan semantik antara representasi visual dan konteks klinis spesifik pasien. Fitur pencitraan dipandu oleh prompt semantik yang berbasis informasi klinis, sementara mekanisme fusi dinamis menyeimbangkan kontribusi berbagai modalitas secara adaptif. Rancangan ini memungkinkan interaksi multimodal yang kuat dan meningkatkan estimasi risiko individual. Kerangka kerja ini dievaluasi menggunakan kohort UTUC retrospektif yang terdiri dari 160 pasien yang dirawat antara 2016 dan 2023, termasuk 59 kasus kekambuhan dan 101 kasus tanpa kekambuhan. Hasil eksperimen menunjukkan bahwa metode yang diusulkan mencapai area di bawah kurva karakteristik operasi penerima (AUC) sebesar 0.87, menunjukkan kinerja yang lebih unggul dibandingkan model konvensional berbasis jaringan saraf konvolusional dan baseline multimodal representatif. Analisis kualitatif juga menunjukkan keselarasan yang lebih baik antara pola pencitraan dan faktor klinis, memberikan wawasan yang dapat diinterpretasikan melalui visualisasi berbasis atensi. Temuan ini menunjukkan bahwa kerangka kerja multimodal yang diusulkan menyediakan pendekatan potensial untuk stratifikasi risiko kekambuhan UTUC pascaoperasi dan berpotensi mendukung pengambilan keputusan klinis serta penatalaksanaan pascaoperasi yang disesuaikan dengan risiko.
Setara IF jurnal: 3.9 (rata-rata sitasi 2 tahun OpenAlex, nilai per 2026-10-13, diambil 2026-10-15; bukan IF resmi Clarivate)Referensi: Liu D, Zhao T, Zhang S, Fang L. CLIP-CGPNet: A Multimodal Clinical Decision Support System for Postoperative UTUC Recurrence Prediction. J Digit Imaging Inform med. 2026 Oct 13 [Epub ahead of print]. doi:10.1007/s10278-026-02358-4.Diperiksa: Hanya abstrak
Lihat semua 1 makalah Biologi kanker →
Kanker payudara: pengobatan, uji klinis, dan AI
- Abstrak
Subtipe molekuler kanker payudara praoperasi sangat penting untuk pemilihan terapi dan penilaian prognosis, namun sebagian besar pendekatan deep learning merumuskan prediksi subtipe sebagai tugas multikelas datar konvensional tanpa mencerminkan proses keputusan klinis yang berurutan. Kami mengembangkan HCF-Net, jaringan fusi kaskade hierarkis yang menguraikan prediksi subtipe menjadi tiga simpul keputusan biner yang selaras secara klinis dan mengintegrasikan DCE-MRI multifase dengan informasi klinikoradiologis. Model ini dikembangkan dan divalidasi secara retrospektif menggunakan kohort dua pusat yang terdiri dari 373 perempuan yang menjalani DCE-MRI multifase 3.0 T praoperasi. Pada set uji independen (n = 75), HCF-Net mencapai Macro-AUC 0.868 (95% CI, 0.806-0.923), akurasi 73.3%, Macro-F1 0.732, dan κ Cohen 0.631. Model fusi secara konsisten mencapai AUC tertinggi di ketiga simpul keputusan hierarkis, yakni 0.890 untuk tumor luminal versus non-luminal, 0.865 untuk tumor Luminal A versus Luminal B, dan 0.974 untuk tumor HER2-enriched versus triple-negative. Urutan strategi klasifikasi yang sama teramati dengan backbone ConvNeXt-Tiny. Dibandingkan dengan strategi klasifikasi datar konvensional, dekomposisi kaskade hierarkis dan fusi tingkat keputusan memberikan peningkatan kinerja yang substansial. Temuan ini menunjukkan bahwa kerangka fusi hierarkis yang selaras dengan jalur keputusan klinis dapat menjadi pendekatan yang efektif dan dapat diinterpretasikan untuk prediksi subtipe molekuler kanker payudara praoperasi.
Setara IF jurnal: 3.9 (rata-rata sitasi 2 tahun OpenAlex, nilai per 2026-10-13, diambil 2026-10-15; bukan IF resmi Clarivate)Referensi: Chen Y, Hu L, Hou J, Xie Y, Nie S, Jiang Y, et al. HCF-Net: a Hierarchical Cascade Fusion Network Aligned with Clinical Treatment Pathways for Preoperative Molecular Subtyping of Breast Cancer on Dynamic Contrast-Enhanced MRI. J Digit Imaging Inform med. 2026 Oct 13 [Epub ahead of print]. doi:10.1007/s10278-026-02331-1.Diperiksa: Hanya abstrak - Abstrak
Radiomik habitat mengkarakterisasi tekstur di dalam subregio tumor tetapi mengabaikan hubungan spasial di antara subregio tersebut. Kami mengembangkan kerangka kerja terinspirasi ekologi lanskap yang mengkuantifikasi struktur spasial antarhabitat pada DCE-MRI, mengevaluasi nilai komplementernya bersama radiomik dalam habitat, dan membandingkan fusi dini dengan fusi lambat, dengan prediksi metastasis kelenjar getah bening aksila (ALNM) sebagai tugas evaluasi. Dalam studi retrospektif multisenter ini, 284 pasien dari satu pusat dibagi secara acak menjadi kohort pelatihan (n = 198) dan validasi (n = 86), dengan 120 pasien dari institusi independen sebagai set uji eksternal. Tumor dipartisi menjadi enam habitat melalui pengklasteran k-means terhadap 19 deskriptor tekstur tingkat voksel, dengan sentroid yang diturunkan secara eksklusif dari kohort pelatihan. Tiga domain fitur dibangun: 8 parameter klinis, 642 fitur radiomik dalam habitat, dan 94 fitur struktur spasial antarhabitat yang mencakup fragmentasi (n = 30), morfologi (n = 24), kontak antarhabitat (n = 15), jarak antarhabitat (n = 15), rasio luas (n = 6), dan keragaman (n = 4). Pada set uji eksternal, fusi progresif menghasilkan peningkatan AUC secara bertahap: klinis saja 0,754, ditambah radiomik dalam habitat 0,843, ditambah struktur spasial antarhabitat 0,863 (CI 95% 0,792-0,934). Model fusi dini penuh mencapai AUC yang lebih tinggi daripada model klinis saja (DeLong P = 0,011) dan model struktur spasial saja (P = 0,044); fusi dini menghasilkan AUC yang secara numerik lebih tinggi daripada fusi lambat tanpa mencapai signifikansi (0,863 vs 0,851, P = 0,636). Kedua model pencitraan satu domain tidak dapat dibedakan secara statistik (0,817 vs 0,784, P = 0,512). Struktur spasial antarhabitat menangkap organisasi tumor yang terabaikan oleh radiomik habitat konvensional dan memberikan informasi komplementer untuk prediksi ALNM praoperasi.
Setara IF jurnal: 3.9 (rata-rata sitasi 2 tahun OpenAlex, nilai per 2026-10-13, diambil 2026-10-15; bukan IF resmi Clarivate)Referensi: Liu P, Wang P, Zou X, Zhang Q, Wang W. From Intra- to Inter-habitat Analysis: Spatial Structure Features for Axillary Lymph Node Metastasis Prediction on Breast DCE-MRI. J Digit Imaging Inform med. 2026 Oct 13 [Epub ahead of print]. doi:10.1007/s10278-026-02384-2.Diperiksa: Hanya abstrak
Lihat semua 2 makalah Payudara →
Kanker paru-paru: pengobatan, uji klinis, dan AI
- Abstrak
LATAR BELAKANG: Adenokarsinoma musinosa paru (PMA) merupakan subtipe adenokarsinoma paru yang jarang, ditandai dengan belum adanya klasifikasi patologis dan faktor prognostik yang komprehensif. Dalam studi ini, kami mengusulkan kerangka kerja pembelajaran mesin (ML) multimodal yang mengintegrasikan beberapa modalitas data untuk meningkatkan klasifikasi subtipe PMA dan prediksi prognosis. METODE: Studi retrospektif ini mengikutsertakan 175 kasus PMA primer dengan data demografi, histopatologi, pencitraan computed tomography (CT), dan mutasi epithelial growth factor receptor ( EGFR ). Model regresi logistik dengan regularisasi least absolute shrinkage and selection operator (LASSO) digunakan untuk klasifikasi histologis, dan model Cox proportional hazards digunakan untuk prediksi kelangsungan hidup dengan validasi internal. HASIL: Adenokarsinoma musinosa murni menunjukkan prevalensi yang lebih tinggi pada ukuran tumor radiografis atau patologis yang lebih kecil, lokalisasi lobus bawah, tingkat metastasis kelenjar getah bening dan penyebaran melalui ruang udara (STAS) yang lebih rendah, stadium patologis dini, antigen karsinoembrionik (CEA) ≤5 ng/mL, tepi berspikula, ekspresi Ki-67 rendah, dan frekuensi delesi ekson 19 EGFR yang lebih rendah (P=0.002, 0.003, delesi ekson 19 EGFR sebagai faktor prognostik independen pada PMA (P=0.04, 0.049, secara berturut-turut). Selain itu, kurva Kaplan-Meier menunjukkan hasil yang berbeda secara signifikan antara kelompok risiko rendah dan tinggi yang distratifikasi berdasarkan skor nomogram (P<0.001). KESIMPULAN: Adenokarsinoma musinosa murni paru menunjukkan keganasan yang lebih rendah dibandingkan tipe musinosa campuran dan penghasil musin. Model nomogram yang dikembangkan dan divalidasi dalam studi ini menunjukkan efikasi yang menjanjikan dalam memprediksi subtipe histologis sebelum operasi dan kelangsungan hidup pasien PMA, sehingga memberikan panduan bagi klinisi dalam diagnosis dan prediksi prognosis.
Setara IF jurnal: 1.4 (rata-rata sitasi 2 tahun OpenAlex, nilai per 2026-10-13, diambil 2026-10-15; bukan IF resmi Clarivate)Referensi: Yang W, Chen C, Li L, Chen Z, Chen Z, Le H, et al. Integrating multimodal data for precise subtyping and prognostication in patients with pulmonary mucinous adenocarcinoma. Transl Cancer Res. 2026 Sep;15(9):708-8. doi:10.21037/tcr-2026-1241.Diperiksa: Hanya abstrak - Abstrak
LATAR BELAKANG: Metastasis otak tetap menjadi masalah klinis yang penting pada pasien kanker paru sel kecil (SCLC), bahkan setelah iradiasi kranial profilaksis (PCI). Identifikasi yang akurat terhadap pasien dengan risiko tinggi metastasis otak setelah PCI dapat memfasilitasi pemantauan dan penatalaksanaan yang terindividualisasi. Studi ini mengembangkan model fusi berbasis fitur deep learning multikanal dua setengah dimensi (2,5D), fitur klinis, dan fitur radiomik untuk memprediksi apakah pasien SCLC akan mengalami metastasis otak setelah PCI. METODE: Studi retrospektif ini mencakup 185 pasien SCLC yang menjalani PCI dan membaginya secara acak menjadi set pelatihan (N=148) dan set pengujian (N=37). Model convolutional neural network (CNN) multikanal 2,5D dibangun berdasarkan region of interest (ROI) multiplanar yang diperoleh dari citra CT untuk mengekstraksi fitur deep learning 2,5D. Berdasarkan penampang terbesar dan volume tiga dimensi (3D) dari ROI tumor, fitur deep learning dua dimensi (2D) dan 3D masing-masing diekstraksi. Selanjutnya, fitur dari berbagai dimensi digabungkan dengan fitur klinis dan fitur omik tradisional untuk membangun model 2D_clinic_Rad, 2.5D_clinic_Rad, dan 3D_clinic_Rad. Perbedaan kinerja antara model 3D dan model klinis serta model radiomik tradisional kemudian dibandingkan. HASIL: Model fusi 2.5D_clinic_Rad menunjukkan kinerja terbaik dalam memprediksi metastasis otak, dengan area under the curve (AUC) sebesar 0,841 pada set pengujian, mengungguli model klinis, model radiomik tradisional, serta model fusi deep learning 2D dan 3D. Analisis kurva keputusan dan kurva kalibrasi menunjukkan bahwa model 2.5D_clinic_Rad memiliki manfaat klinis bersih tertinggi dan konsistensi kalibrasi terbaik dibandingkan model lainnya. KESIMPULAN: Model fusi berbasis 2.5D_clinic_Rad dapat secara efektif memprediksi risiko metastasis otak pada pasien SCLC setelah iradiasi profilaksis seluruh otak.
Setara IF jurnal: 2.5 (rata-rata sitasi 2 tahun OpenAlex, nilai per 2026-10-13, diambil 2026-10-15; bukan IF resmi Clarivate)Referensi: Zhang X, Zhao L, Wang J, Zhang X, Liang X, Cao W, et al. Pembelajaran mendalam yang dapat diinterpretasi dan radiomik untuk memprediksi terjadinya metastasis otak setelah iradiasi otak profilaktik pada kanker paru sel kecil. Transl Lung Cancer Res. 2026 Sep;15(9):281-1. doi:10.21037/tlcr-2026-0708.Diperiksa: Hanya abstrak
Lihat semua 2 makalah Paru-paru →
Kanker pankreas: pengobatan, uji klinis, dan AI
Belum ada makalah baru yang memenuhi syarat untuk edisi ini.
Kanker prostat: pengobatan, uji klinis, dan AI
Belum ada makalah baru yang memenuhi syarat untuk edisi ini.
Karsinoma kistik adenoid: pengobatan, uji klinis, dan AI
Belum ada makalah baru yang memenuhi syarat untuk edisi ini.
Tumor otak: pengobatan, uji klinis, dan AI
- Abstrak
Respons pengobatan glioblastoma (GBM) sangat heterogen. Memprediksi hasil dari MRI pra-pengobatan merupakan kebutuhan penting yang belum terpenuhi, namun adopsi klinis model deep learning (DL) "kotak hitam" terhambat oleh kurangnya transparansi. Kerangka validasi yang kuat dan holistik masih perlu dikembangkan agar kepercayaan klinis dapat terbangun. Sebuah pipeline eXplainable AI (XAI) berlapis digunakan untuk membedah model deep learning yang sebelumnya dikembangkan untuk memprediksi kelangsungan hidup keseluruhan pasien GBM. Pertama, fokus visual model dianalisis secara kualitatif dan kuantitatif. Kedua, ketergantungan fitur model dikuantifikasi menggunakan studi ablasi input. Ketiga, kedalaman tempat informasi kelas mulai dapat didekode ditelusuri melalui probing linear pada representasi internal. Terakhir, dampak klinis AI beserta penjelasannya dinilai dalam studi multi-pembaca, multi-kasus (37 pasien, 4 pembaca, 3 fase, 444 observasi) menggunakan Generalised Estimating Equations (GEE) dan bootstrapping berkluster. Analisis mengungkap heuristik intensitas tinggi: piksel hiper-intens di tepi tengkorak menjadi jangkar prediksi "Jangka Panjang", sedangkan tanpa piksel tersebut model cenderung memilih "Jangka Pendek" berdasarkan penyangatan tumor. Studi ablasi menegaskan ketergantungan ini, dan probing linear menunjukkan arah yang sama. Dalam studi klinis, bantuan AI secara signifikan meningkatkan akurasi pakar (OR 1.598, p < 0.01) tanpa meningkatkan kepercayaan diri secara artifisial (p = 0.561). Yang penting, penambahan peta panas XAI dikaitkan dengan perubahan cara pakar menggunakan skor AI (interaksi p < 0.01), serta dengan lebih sedikit pasien yang keliru dinilai sebagai penyintas jangka panjang. Akurasi prediktif yang tinggi dapat menutupi ketergantungan pada heuristik intensitas tingkat rendah. Meskipun interpretasi peta saliensi secara dangkal berbahaya, audit berlapis mampu mengungkap jalan pintas ini. Secara klinis, peta panas spasial dikaitkan dengan peningkatan akurasi diagnostik pakar dan pergeseran strategi pengambilan keputusan.
Setara IF jurnal: 3.9 (rata-rata sitasi 2 tahun OpenAlex, nilai per 2026-10-13, diambil 2026-10-15; bukan IF resmi Clarivate)Referensi: Andres R, Moreau NN, Dessoude L, Le Henaff L, Missohou F, Stefan D, et al. Explainability and Clinical Trust of Deep Learning in Glioblastoma Treatment Efficacy Prediction: A Comprehensive Framework. J Digit Imaging Inform med. 2026 Oct 13 [Epub ahead of print]. doi:10.1007/s10278-026-02381-5.Diperiksa: Hanya abstrak - Abstrak
LATAR BELAKANG: Ekspresi CD9 yang tinggi berhubungan secara signifikan dengan kelangsungan hidup keseluruhan (overall survival/OS) yang lebih pendek pada pasien dengan glioma difus tipe dewasa (ADG). Pada saat yang sama, analisis penapisan obat telah mengidentifikasi emetin sebagai agen terapeutik bertarget potensial untuk glioma dengan ekspresi CD9 tinggi, yang menunjukkan bahwa CD9 dapat berfungsi sebagai biomarker baru yang berpotensi mengubah diagnosis dan pengobatan glioma. Studi ini bertujuan mengembangkan model prediksi kecerdasan buatan berdasarkan citra magnetic resonance imaging (MRI) praoperasi untuk membantu identifikasi dini ekspresi CD9 yang tinggi pada pasien dengan ADG. METODE: Kami secara retrospektif mengumpulkan data ekspresi CD9 dari 262 pasien dengan ADG dalam kohort The Cancer Genome Atlas (TCGA) dan Chinese Glioma Genome Atlas (CGGA). Dengan menggunakan sekuens MRI praoperasi [pencitraan T1-weighted dengan kontras (CET1) dan pencitraan T2-weighted (T2WI)], fitur Habitat diekstraksi menggunakan algoritma pengelompokan K-means, bersama dengan fitur radiomik. Selain itu, data pembelajaran mendalam 2,5 dimensi multi-kanal (2.5D_DL) dibangun berdasarkan arsitektur jaringan saraf, termasuk ResNet101, DenseNet121, dan SimpleViT, dan fitur DL diekstraksi. Tujuh pengklasifikasi digunakan untuk membangun model prediktif Radiomics, Habitat, dan 2.5D_DL secara individual. Selanjutnya, model Stacking dikembangkan melalui strategi fusi ensambel untuk memprediksi ekspresi CD9 yang tinggi. Kinerja model dievaluasi menggunakan kurva receiver operating characteristic (ROC), dan efikasi klinis dinilai dengan analisis kurva keputusan (DCA). Analisis Shapley Additive Explanations (SHAP) dilakukan untuk mengeksplorasi interpretasi model, sehingga meningkatkan transparansi prediksi pembelajaran mesin. Selain itu, pasien distratifikasi ke dalam kelompok berisiko tinggi dan rendah berdasarkan skor model Stacking, dan perbedaan kelangsungan hidup dibandingkan menggunakan analisis Kaplan-Meier dan uji log-rank. HASIL: Model Habitat menunjukkan nilai kurva ROC [area under the ROC (AUC)] yang lebih unggul dibandingkan model Radiomics. Di antara model 2.5D_DL multi-kanal, model SimpleViT mencapai kinerja yang sedikit lebih baik daripada model berbasis convolutional neural network (CNN) (ResnNet101 dan DenseNet121). Model Stacking akhir, yang mengintegrasikan keluaran dari model Habitat, Radiomics, dan 2.5D_DL, menunjukkan nilai AUC yang unggul. AUC mencapai 0,999, 0,822, dan 0,728 masing-masing pada set pelatihan, validasi, dan uji. Uji DeLong mengonfirmasi perbedaan yang signifikan secara statistik pada nilai AUC setiap model pada set pelatihan, tetapi tidak ditemukan perbedaan yang signifikan secara statistik pada set lainnya. Selain itu, peningkatan manfaat klinis bersih pada rentang ambang risiko yang lebih luas untuk model terintegrasi ini diverifikasi oleh DCA. Stratifikasi prognostik oleh model Stacking menunjukkan perbedaan yang signifikan dalam hasil kelangsungan hidup antara kelompok berisiko tinggi dan berisiko rendah. KESIMPULAN: Model Stacking berbasis MRI praoperasi secara efektif mengidentifikasi pasien dengan ekspresi CD9 tinggi di antara ADG dan menstratifikasi risiko pasien, sehingga mendukung pengambilan keputusan terapeutik klinis dan evaluasi prognostik yang individual. Data multisenter prospektif masih diperlukan untuk memvalidasi kinerja prognostik dan generalisasi model ini.
Setara IF jurnal: 1.4 (rata-rata sitasi 2 tahun OpenAlex, nilai per 2026-10-13, diambil 2026-10-15; bukan IF resmi Clarivate)Referensi: Pang B, Yuan M, Yan Y, Li J, Xue J, Jing L, et al. Radiomik habitat turunan MRI yang diintegrasikan dengan deep learning transformer untuk prediksi praoperatif ekspresi CD9 yang tinggi: penanda prognostik baru pada glioma difus tipe dewasa. Transl Cancer Res. 2026 Sep;15(9):703-3. doi:10.21037/tcr-2026-1847.Diperiksa: Hanya abstrak
Kanker ovarium: pengobatan, uji klinis, dan AI
Belum ada makalah baru yang memenuhi syarat untuk edisi ini.
Kanker endometrium: pengobatan, uji klinis, dan AI
Belum ada makalah baru yang memenuhi syarat untuk edisi ini.
Kanker lambung: pengobatan, uji klinis, dan AI
Belum ada makalah baru yang memenuhi syarat untuk edisi ini.
Kanker hati: pengobatan, uji klinis, dan AI
- Abstrak
LATAR BELAKANG: Karsinoma hepatoseluler (HCC) merupakan salah satu penyebab utama kematian akibat kanker di seluruh dunia, dan mutasi TP53 berperan sebagai mutasi batang (trunk mutation) yang mendorong progresi tumor. Namun, status mutasi TP53 saat ini hanya dapat ditentukan melalui biopsi hati yang invasif. Studi ini menerapkan fitur radiomik multiregional dari pencitraan resonansi magnetik (MRI) untuk memprediksi HCC dengan mutasi P53 dan menawarkan alat non-invasif untuk mengidentifikasi subtipe invasif ini. METODE: Dalam studi retrospektif ini, data dari 320 pasien yang menjalani MRI praoperasi dianalisis dan dibagi menjadi kohort pelatihan (TC; n=224) dan kohort validasi (VC; n=96). Faktor risiko klinis diidentifikasi menggunakan regresi bertahap untuk membangun model prediktif. Kami mengevaluasi tiga pengklasifikasi pembelajaran mesin pada enam sekuens MRI, dan metode least absolute shrinkage and selection operator diterapkan untuk memilih model fusi IntraPeri terbaik dari empat wilayah (seluruh tumor, IntraPeri_9mm, IntraPeri_11mm, dan IntraPeri_13mm) guna membangun model radiomik. Nomogram prediktif untuk HCC dengan mutasi P53 mengintegrasikan prediktor klinis ini dengan fitur radiomik yang diskriminatif, dan kinerjanya dinilai menggunakan analisis receiver operating characteristic, kalibrasi, dan kurva keputusan. HASIL: Di antara 320 pasien (259 pria dan 61 wanita; usia rata-rata, 58,25±11,51 tahun), 183 menderita HCC dengan mutasi P53 dan 137 menderita HCC tanpa mutasi P53. Diameter tumor terbesar (LTD), derajat Edmondson-Steiner, dan hiperenhancement fase arterial tepi (rim) diidentifikasi sebagai prediktor independen HCC dengan mutasi P53. Pengklasifikasi ExtraTrees berdasarkan fitur radiomik dari sekuens MRI optimal [pencitraan T1-weighted fase arterial (T1WI-AP)] pada wilayah IntraPeri_11mm mencapai akurasi prediktif yang kuat [area under the curve (AUC) TC =0,805; AUC VC =0,660]. Nomogram prediktif yang mengintegrasikan fitur klinis dan radiomik menunjukkan kinerja yang sangat baik pada TC [AUC =0,815; interval kepercayaan (CI) 95%: 0,758-0,872] maupun VC (AUC =0,802; CI 95%: 0,713-0,890). Analisis kurva keputusan semakin menegaskan manfaat klinisnya. KESIMPULAN: Nomogram yang menggabungkan model klinis dengan radiomik IntraPeri_11mm dapat berfungsi sebagai prediktor efektif status mutasi P53 praoperasi pada HCC.
Setara IF jurnal: 1.4 (rata-rata sitasi 2 tahun OpenAlex, nilai per 2026-10-13, diambil 2026-10-15; bukan IF resmi Clarivate)Referensi: Weng J, Yao D, Zeng Q, He Y, Yang C, Yang B. Magnetic resonance imaging-based radiomics for predicting P53-mutated hepatocellular carcinoma: intratumoral and peritumoral analysis. Transl Cancer Res. 2026 Sep;15(9):709-9. doi:10.21037/tcr-2026-1579.Diperiksa: Hanya abstrak
Kanker ginjal: pengobatan, uji klinis, dan AI
Belum ada makalah baru yang memenuhi syarat untuk edisi ini.
Kanker kandung kemih: pengobatan, uji klinis, dan AI
Belum ada makalah baru yang memenuhi syarat untuk edisi ini.