AI dan Riset Kanker ── 2026-10-25
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（4） · Payudara（4） · Paru（4） · Pankreas（0） · Prostat（0） · ACC（0） · Otak（1） · Ovarium（0） · Endometrial（1） · Gastrik（1） · Hati（4） · Ginjal（0） · Kandung kemih（1）
Biologi molekuler kanker dan AI
- Abstrak
Pencitraan diagnostik merupakan salah satu aplikasi klinis algoritma kecerdasan artifisial (AI) yang paling menjanjikan. Tujuan penelitian ini adalah mengevaluasi jaringan saraf konvolusi (CNN) yang dikustomisasi, SepNetDense, untuk membedakan antara citra resonansi magnetik (MRI) otak anjing yang normal dan abnormal, dengan tujuan meningkatkan efisiensi diagnostik dan membantu radiolog dalam mengidentifikasi citra abnormal. Dataset terdiri dari sekuens T1-weighted (T1w) pra- dan pasca-kontras pada bidang transversal, sagital, dan dorsal dari 550 anjing, yang dikumpulkan dari empat universitas. Anjing dimasukkan jika memiliki diagnosis klinis lengkap yang dikonfirmasi melalui histopatologi atau sesuai dengan konsensus klinis terkini. Pasien dibagi secara acak menjadi set pelatihan (n = 444), set validasi (n = 53), dan set pengujian (n = 53). Setiap MRI dilabeli berdasarkan irisan demi irisan (slice-by-slice) sebagai normal atau abnormal. Model dilatih pada 205 dataset pencitraan normal (misalnya, etiologi ekstrakranial, epilepsi idiopatik, diskinesia paroksismal) dan 239 dataset abnormal (misalnya, neoplasma, lesi inflamatori, patologi lainnya). Model secara benar memprediksi 74% irisan yang benar-benar normal dalam set pengujian sebagai normal dan 73% irisan yang benar-benar abnormal sebagai abnormal. Analisis ROC terhadap prediksi model pada tingkat pasien mengungkapkan bahwa, pada ambang batas 51% irisan abnormal per pasien, model mencapai keseimbangan optimal berupa sensitivitas 83% (95% CI 67–91%) dan spesifisitas 78% (95% CI 54–91%), dengan akurasi seimbang 80% (95% CI 69–92%). ANCOVA mengungkapkan bahwa kinerja klasifikasi CNN dipengaruhi oleh berbagai faktor biologis, teknis, dan institusional. Diagnosis lesi, latar institusional, dan ukuran ras memiliki efek besar yang signifikan, sedangkan berat badan menunjukkan efek sedang yang signifikan. Interaksi signifikan dengan ukuran efek besar juga diamati antara diagnosis dan institusi, serta antara ukuran ras dan berat badan. Selain itu, pola yang khas diamati dalam distribusi kategori prediksi sepanjang sumbu anatomis, dengan kecenderungan kinerja CNN yang lebih baik pada kuartil tengah di semua sekuens MRI. Secara keseluruhan, hasil penelitian menunjukkan kelayakan triase studi MRI otak anjing berbantuan CNN dan menyoroti diagnosis, latar institusional, ukuran ras, dan berat badan sebagai penentu utama kinerja model, dengan menekankan pentingnya dataset yang heterogen untuk pengembangan aplikasi AI kedokteran hewan yang tangguh.
Setara IF jurnal: 5.2 (rata-rata sitasi 2 tahun OpenAlex, nilai per 2026-10-04, diakses 2026-10-05; bukan IF resmi Clarivate)Referensi: Abani S, Laue M, Dickinson PJ, De Decker S, Gutierrez-Quintana R, Ghiasvand S, et al. CNN model-based image classification for canine brain MRI abnormalities. Sci Rep. 2026 Oct 23;16(1):33913. doi:10.1038/s41598-026-71470-w.Diperiksa: Hanya abstrak - Abstrak
Dua bentuk masalah neurologis yang paling berat, yang hanya dapat ditangani jika didiagnosis dengan tingkat akurasi tinggi dengan bantuan MRI, adalah tumor otak dan penyakit Alzheimer (AD).Proyek yang dianalisis mempertimbangkan dataset MRI yang tidak seimbang dan merujuk pada Synthetic Minority Oversampling Technique (SMOTE) untuk meningkatkan proses klasifikasi.Mereka menyertakan beberapa model ML dan DL termasuk RF, SVM, Voting Classifier, CNN, VGG16, ResNet50, dan Inception V3, serta AlexNet dengan LSTM, Xception, dan model baru Transformer and LSTM Enhanced Attention-Based Explainable CNN (TLEABLCNN).Model TLEABLCNN secara konsisten berkinerja lebih baik daripada model baseline-nya dengan akurasi klasifikasi 96.1% di Skenario A, 97.4% di Skenario B dan 98.2% di Skenario C. Model ini juga memiliki macro-precision, recall, dan F1-score yang superior.Untuk mendeteksi kelainan pada otak; model pengenalan objek YOLOv5, YOLOv8, YOLOv9 dan YOLOv11 digunakan.YOLOv9 memperoleh mean average precision (mAP) terbaik tertinggi sebesar 91.5%.YOLOv8 mencapai akurasi terbaik sebesar 91.8%.Selain itu, teknik XAI, seperti heatmap, digunakan untuk menghasilkan heatmap yang memperlihatkan bagian-bagian paling signifikan dari pemindaian MRI yang memengaruhi prediksi model.Hal ini menyederhanakan hasil dan meningkatkan kepercayaan profesional.Temuan-temuan ini menunjukkan kekuatan kerangka kerja tersebut dalam menemukan gangguan otak yang dapat dijelaskan.
Setara IF jurnal: 0.0 (rata-rata sitasi 2 tahun OpenAlex, nilai per 2026-10-07, diakses 2026-10-08; bukan IF resmi Clarivate)Referensi: [Tanpa nama penulis]. TLEABLCNN: Brain and Alzheimer’s Disease Detection Using Attention-Based Explainable Deep Learning and SMOTE Using Imbalanced Brain MRI. IJDDT. 22 Okt 2026;16(76s). doi:10.25258/ijddt.16.76s.161.Diperiksa: Hanya abstrak
Lihat semua 4 makalah biologi kanker →
Kanker payudara: pengobatan, uji klinis, dan AI
- Abstrak
Limfosit infiltrat tumor (tumor-infiltrating lymphocytes/TIL) merupakan biomarker mikrolingkungan imun pada kanker payudara yang berkaitan dengan respons pengobatan dan prognosis, namun penilaiannya terutama bergantung pada histopatologi bedah. Kami bertujuan mengembangkan dan memvalidasi model praoperasi yang menggabungkan radiomika DCE-MRI tumoral–peritumoral multifase dengan fitur konvensional untuk memprediksi kadar TIL. Studi retrospektif dua pusat ini melibatkan 495 pasien yang menjalani DCE-MRI payudara praoperasi diikuti reseksi bedah sebagai pengobatan awal. TIL dinilai pada spesimen bedah menggunakan ambang batas 10% yang telah ditetapkan sebelumnya dan umum diadopsi dalam studi TIL berbasis MRI payudara sebelumnya. Fitur radiomika dari area tumoral dan peritumoral 3-mm pada enam fase DCE-MRI digabungkan dengan fitur klinis, MRI semantik, dan fitur yang diperoleh dari biopsi. Kinerja model dinilai berdasarkan diskriminasi, kalibrasi, nilai inkremental, dan utilitas klinis, serta analisis Shapley additive explanations (SHAP) digunakan untuk menilai kontribusi fitur. Model gabungan mencapai AUC sebesar 0.882 (interval kepercayaan 95% [CI]: 0.840–0.920), 0.777 (95% CI: 0.672–0.866), dan 0.738 (95% CI: 0.637–0.826) pada set pelatihan, validasi internal, dan validasi eksternal, secara berturut-turut. Pada validasi eksternal, model gabungan menunjukkan peningkatan diskriminasi terintegrasi (integrated discrimination improvement/IDI) yang signifikan dibandingkan model konvensional (IDI = 0.105, P = 0.005) maupun model tumoral–peritumoral (IDI = 0.098, P = 0.001). Analisis kurva keputusan menunjukkan manfaat bersih yang lebih besar pada sebagian besar probabilitas ambang yang dievaluasi. Analisis SHAP mengidentifikasi fitur radiomika peritumoral fase lanjut sebagai faktor prediktif dominan untuk estimasi TIL. Integrasi radiomika DCE-MRI tumoral–peritumoral multifase dengan fitur praoperasi konvensional menunjukkan potensi untuk memprediksi kadar TIL, dengan fitur peritumoral fase akhir yang mendominasi kinerja prediktif. Model ini menyediakan alat praoperasi yang menjanjikan untuk stratifikasi risiko terkait imun serta perencanaan pengobatan multidisiplin yang terindividualisasi.
Setara IF jurnal: 3.8 (rata-rata sitasi 2 tahun OpenAlex, nilai per 2026-10-02, diakses 2026-10-03; bukan IF resmi Clarivate)Referensi: Yang W, Chen M, Cui Y, Xu W, Tian W, Jiang Y, et al. Prediksi preoperatif kadar limfosit infiltrat tumor kanker payudara dengan radiomik DCE-MRI tumoral–peritumoral multifase dan fitur konvensional. BMC Med Imaging. 2026 Oct 23 [Epub ahead of print]. doi:10.1186/s12880-026-02930-y.Diperiksa: Hanya abstrak - Abstrak
Latar belakang: Identifikasi yang akurat terhadap penyakit sisa pada limfonodus aksela (ALN) setelah kemoterapi neoadjuvan (NAC) sangat penting untuk perencanaan pengobatan dan untuk mengevaluasi potensi de-eskalasi pembedahan. Kami menilai kinerja diagnostik ultrasonografi konvensional (US), elastografi gelombang geser (SWE), kecerdasan buatan (AI)/radiomik, dan model multimodal berbasis ultrasonografi untuk penataan ulang stadium aksela pasca-NAC.
Metode: PubMed, Embase, the Cochrane Library, dan Web of Science ditelusuri dari awal hingga Desember 2025. Histopatologi setelah bedah aksila menjadi standar referensi, dan penyakit nodus aksila residual (ypN+) didefinisikan secara seragam sebagai kondisi target positif. Tabel 2×2 tingkat studi diharmonisasikan ke arah ini. Risiko bias dan penerapan dinilai dengan alat Quality Assessment of Diagnostic Accuracy Studies-2 (QUADAS-2). Model bivariat efek acak dan kurva hierarchical summary receiver operating characteristic (HSROC) digunakan untuk kelompok modalitas dengan jumlah studi independen yang memadai; likelihood ratio positif (PLR) dan likelihood ratio negatif (NLR) digabungkan dengan model efek acak. Kohort yang berpotensi tumpang tindih diperiksa dalam analisis sensitivitas. Protokol studi didaftarkan di PROSPERO (International Prospective Register of Systematic Reviews; nomor registrasi CRD420251271199).
Hasil: Sebanyak 14 artikel disertakan dalam tinjauan sistematis, 10 di antaranya menyumbang 12 dataset tingkat uji untuk sintesis kuantitatif. Untuk US konvensional (enam studi), sensitivitas gabungan adalah 0.55 [interval kepercayaan (CI) 95%: 0.36–0.73], spesifisitas gabungan adalah 0.79 (95% CI: 0.73–0.84), area di bawah kurva HSROC (AUC) adalah 0.78, dan PLR serta NLR gabungan masing-masing adalah 2.47 (95% CI: 1.42–4.28) dan 0.54 (95% CI: 0.30–0.95). Model AI/radiomika (tiga studi) menunjukkan sensitivitas gabungan 0.93 (95% CI: 0.80–0.98), spesifisitas 0.82 (95% CI: 0.60–0.94), dan AUC 0.94; namun, CI rasio likelihood lebar, dan estimasi kovarians bivariat mencapai batas. Bukti untuk SWE terbatas pada dua laporan yang berpotensi tumpang tindih, dan hanya satu studi model gabungan multimodal yang memiliki tabel 2×2 terharmonisasi yang lengkap. Pada probabilitas pra-uji 40%, hasil US konvensional yang negatif menurunkan probabilitas pasca-uji penyakit nodal residu menjadi sekitar 26%.
Kesimpulan: US konvensional saja tidak secara andal menyingkirkan penyakit nodus aksila residual setelah NAC. Pendekatan AI/radiomik menunjukkan kinerja diagnostik yang menjanjikan, namun bukti untuk hal ini masih sedikit, heterogen, dan tidak presisi. Data yang tersedia saat ini tidak mendukung pemeringkatan modalitas yang definitif maupun penghilangan pembedahan aksila hanya berdasarkan pencitraan, dan validasi eksternal multisenter prospektif diperlukan.
Setara IF jurnal: 1.9 (rata-rata sitasi 2 tahun OpenAlex, nilai per 2026-10-12, diakses 2026-10-13; bukan IF resmi Clarivate)Referensi: Liu T, He Y, Yuan X, Wang J, Liu Y, Cao C, et al. Akurasi diagnostik modalitas pencitraan berbasis ultrasonografi untuk menilai penyakit kelenjar limfa aksila residu setelah kemoterapi neoadjuvan pada pasien kanker payudara: tinjauan sistematis dan meta-analisis. Quant Imaging Med Surg. 2026 Nov;16(11):868-8. doi:10.21037/qims-2026-1427.Diperiksa: Hanya abstrak
Lihat semua 4 makalah payudara →
Kanker paru-paru: pengobatan, uji klinis, dan AI
- Abstrak
Latar belakang: Karsinoma neuroendokrin paru (pNEC) adalah kelompok keganasan yang langka dan heterogen, mulai dari karsinoid derajat rendah hingga karsinoma paru sel kecil (SCLC) dan karsinoma neuroendokrin sel besar (LCNEC) derajat tinggi. Alat prognostik untuk tumor ini masih langka dan jarang divalidasi pada kohort eksternal.
Tujuan: Studi ini bertujuan untuk mengembangkan model prediksi prognostik berbasis Transformer untuk pNEC dan memvalidasinya dalam kohort eksternal independen, guna meningkatkan estimasi kelangsungan hidup dan mendukung keputusan pengobatan yang terindividualisasi.
Metode: Studi kohort retrospektif dua pusat ini melibatkan 823 pasien dengan pNEC yang direseksi secara bedah (2001-2023). Model dikembangkan di Pusat 1 (n=374; dibagi secara acak 8:2 menjadi set pelatihan dan set uji internal) dan divalidasi secara eksternal pada kohort independen di Pusat 2 (n=449). Tiga algoritme—regresi logistik (LR), decision tree (DT), dan model tabular foundation berbasis Transformer, TabPFN—dibandingkan untuk memperkirakan overall survival (OS) dan disease-free survival (DFS) pada landmark 1-, 3-, dan 5 tahun, dengan evaluasi melalui analisis receiver operating characteristic, kalibrasi, dan kurva keputusan, serta analisis SHapley Additive exPlanations (SHAP) untuk interpretabilitas.
Hasil: TabPFN mencapai area under the curve (AUC) tertinggi pada sebagian besar tugas di kedua set uji, dengan pengecualian yang bergantung pada tugas: pada set uji internal, regresi logistik berkinerja paling baik untuk OS 1 tahun (AUC 0.885), sementara TabPFN berkinerja paling baik untuk tugas sisanya, termasuk OS 3 tahun (0.880), DFS keseluruhan (0.810), dan DFS 1 tahun (0.892); pada set uji eksternal, TabPFN tetap paling baik untuk OS 1 dan 3 tahun serta untuk DFS keseluruhan, 1 tahun, dan 3 tahun (0.747-0.802), sedangkan regresi logistik berkinerja paling baik untuk OS dan DFS 5 tahun. Kalibrasi eksternal kurang memuaskan. Stadium penyakit, subtipe patologis, dan usia merupakan prediktor prognostik utama, dan TabPFN lebih akurat untuk subtipe grade rendah. Analisis SHAP mengkuantifikasi kontribusi setiap fitur dan membuat model dapat diinterpretasikan.
Kesimpulan: Model berbasis Transformer meningkatkan estimasi kelangsungan hidup pada pNEC, dengan keunggulan yang bergantung pada tugas dibandingkan metode konvensional serta transportabilitas yang terkonfirmasi ke kohort institusional independen. Validasi prospektif multisentris dan penyempurnaan kalibrasi diperlukan sebelum penggunaan klinis yang lebih luas.
Setara IF jurnal: 2.7 (rata-rata sitasi 2 tahun OpenAlex, nilai per 2026-10-02, diakses 2026-10-03; bukan IF resmi Clarivate)Referensi: Liu L, Liang L, Wang D, Zhang J, Zhao K, Guo C, et al. Prediksi prognosis karsinoma neuroendokrin paru menggunakan model kecerdasan artifisial berbasis transformer: studi kohort retrospektif dua pusat. Front Oncol. 2026 Oct 23;16:1948262. doi:10.3389/fonc.2026.1948262.Diperiksa: Hanya abstrak - Abstrak
Latar belakang: Metastasis tulang merupakan komplikasi yang umum dan penting secara klinis pada kanker paru sel bukan kecil (NSCLC) serta dikaitkan dengan tingkat kelangsungan hidup yang buruk. Meskipun positron emission tomography-computed tomography (PET-CT) memberikan penilaian menyeluruh atas kondisi tulang, biaya dan paparan radiasinya dapat membatasi penggunaan rutin. Oleh karena itu, pendekatan yang mudah diakses berdasarkan informasi klinis dan informasi terkait CT dada yang tersedia secara rutin dapat membantu mengidentifikasi pasien berisiko lebih tinggi yang dapat memperoleh manfaat dari pencitraan tulang lebih lanjut. Studi ini bertujuan mengembangkan model prediktif yang efektif untuk metastasis tulang pada pasien NSCLC.
Metode: Studi ini secara retrospektif menganalisis data dari 17,646 pasien NSCLC Asia dalam basis data Surveillance, Epidemiology, and End Results (SEER) (2000–2021) sebagai set pelatihan, dan menggunakan kohort eksternal independen berisi 308 pasien NSCLC dari Shanghai Chest Hospital (2022–2023) untuk validasi. Analisis regresi logistik (LR) univariat dan multivariat serta analisis kolinearitas dilakukan untuk seleksi variabel. Sebuah model baru DualDrop-Gated Transformer (DGT) dikembangkan dan dibandingkan dengan LR, extreme gradient boosting (XGBoost), LightGBM, TabTransformer, dan FTTransformer. Kinerja dinilai menggunakan karakteristik operasi penerima (ROC), kalibrasi, dan kurva keputusan.
Hasil: Usia, jenis kelamin, stadium T, stadium N, subtipe histologis, dan status metastasis paru teridentifikasi sebagai variabel prediktif yang signifikan. Model DGT mencapai area under the curve (AUC) sebesar 0.947 pada set pelatihan, 0.936 pada set uji internal, dan 0.879 pada kohort validasi eksternal dengan sensitivitas (0.856) dan spesifisitas (0.934) yang seimbang, secara signifikan melampaui model lain (P<0.01). Eksperimen ablation menunjukkan kontribusi signifikan mekanisme gating dan dropout terhadap kinerja model. Nomogram berbasis model DGT dibangun dengan kalibrasi yang wajar, dan analisis kurva keputusan (DCA) menunjukkan utilitas klinis yang baik.
Kesimpulan: Model prediksi DGT yang baru untuk metastasis tulang pada pasien NSCLC berdasarkan kerangka deep learning yang sangat dapat digeneralisasi dan dapat diinterpretasikan dikembangkan dan divalidasi menggunakan 6 prediktor, yang mungkin memiliki nilai penerapan potensial dalam skrining dini, pengambilan keputusan, dan manajemen individualisasi bagi pasien kanker paru.
Setara IF jurnal: 1.9 (rata-rata sitasi 2 tahun OpenAlex, nilai per 2026-10-12, diakses 2026-10-13; bukan IF resmi Clarivate)Referensi: Wang X, Yu H, Shen Y, Qian Q, Gao X, Xie Z, et al. Model DualDrop-Gated Transformer untuk memprediksi metastasis tulang pada pasien Asia dengan kanker paru sel bukan kecil: studi dunia nyata dengan validasi eksternal. Quant Imaging Med Surg. 2026 Nov;16(11):863-3. doi:10.21037/qims-2026-0574.Diperiksa: Hanya abstrak
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
Segmentasi tumor otak yang akurat dari citra MRI sangat penting untuk diagnosis, perencanaan pengobatan, dan prognosis. Dalam studi ini, kami membandingkan dua pendekatan segmentasi tumor yang secara fundamental berbeda: model deep learning terawasi (2D U-Net) dan algoritma pengklasteran tanpa pengawasan (K-means). Kami mengevaluasi beberapa varian 2D U-Net yang dilatih pada sekuens MRI (Magnetic Resonance Imaging) yang berbeda (FLAIR dan T1-Gd), serta model hasil fine-tuning yang diadaptasi lintas modalitas, dan membandingkannya dengan pengklasteran K-means yang diterapkan secara terpisah pada kedua modalitas.
Setara IF jurnal: 2.4 (rata-rata sitasi 2 tahun OpenAlex, nilai per 2026-10-23, diakses 2026-10-24; bukan IF resmi Clarivate)Referensi: 1. Horia Hulubei National Institute for R&D in Physics and Nuclear Engineering, RO-077125, Măgurele-Bucharest, Rumania 2. University of Bucharest, Faculty of Physics, RO-077125 Măgurele-Bucharest, Rumania, BADEA RA, ORIAN AȘ, 1. Horia Hulubei National Institute for R&D in Physics and Nuclear Engineering, RO-077125, Măgurele-Bucharest, Rumania 2. University of Bucharest, Faculty of Physics, RO-077125 Măgurele-Bucharest, Rumania, VASILIU AA, University of Bucharest, Faculty of Physics, RO-077125 Măgurele-Bucharest, Rumania, et al. Menjelajahi metode terawasi dan tak terawasi untuk segmentasi tumor otak pada citra MRI. Rom Rep Phys. 2026 Des 15;78(4):606-6. doi:10.59277/romrepphys.2026.78.606.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
- Abstrak
Tujuan: Untuk mengembangkan dan membandingkan model radiomics, deep learning, klinis, dan gabungan berdasarkan radiomics MRI multiparametrik dan fitur deep learning 2.5D untuk stratifikasi risiko praoperasi karsinoma endometrium (EC).
Metode: Studi retrospektif ini melibatkan 246 pasien dengan EC yang terkonfirmasi secara patologis, dengan data klinis dan pencitraan preoperatif yang dikumpulkan. Data klinis, pencitraan T2-weighted (T2WI), dan pencitraan T1-weighted dengan kontras (CE-T1WI) dikumpulkan. Model radiomics dan deep learning dibangun berdasarkan T2WI, CE-T1WI, dan gabungannya. Model gabungan yang mengintegrasikan fitur radiomics multiparametrik, fitur deep learning, dan parameter klinis kemudian dikembangkan. Kinerja model dan utilitas klinis dievaluasi menggunakan area di bawah kurva receiver operating characteristic (AUC), kurva kalibrasi, analisis kurva keputusan (DCA), dan uji DeLong untuk perbandingan antarmodel. Gradient-weighted Class Activation Mapping (Grad-CAM) digunakan untuk meningkatkan interpretabilitas model.
Hasil: Analisis regresi logistik univariat dan multivariat mengidentifikasi diameter tumor maksimum, MR-DMI, BMI, dan status ER sebagai faktor prediktif independen. Perbandingan model radiomik, deep learning, klinis, dan gabungan menunjukkan bahwa model MRI multiparametrik mengungguli model sekuens tunggal berbasis radiomik atau deep learning, sementara model gabungan menunjukkan kinerja prediktif terbaik pada set validasi, dengan AUC 0.891, akurasi 0.86, sensitivitas 0.909, spesifisitas 0.765, dan F1-score 0.896. Hasil uji DeLong menunjukkan bahwa, pada set pelatihan, model gabungan memiliki kinerja prediktif lebih tinggi daripada semua model lainnya, dan perbedaannya signifikan secara statistik (P < 0.05). Pada set validasi, model gabungan menunjukkan peningkatan yang signifikan secara statistik dibandingkan dengan model klinis dan model T2+CET1-Rad (P<0.05). Analisis kurva keputusan menunjukkan bahwa model gabungan memberikan manfaat klinis bersih tertinggi.
Kesimpulan: Kombinasi radiomik berbasis MRI multiparametrik dan deep learning 2.5D menunjukkan kinerja prediktif yang baik dalam stratifikasi risiko untuk EC, yang mengindikasikan potensi kegunaannya sebagai alat non-invasif serta menawarkan pendekatan tambahan yang menjanjikan untuk mendukung perencanaan pengobatan yang dipersonalisasi dan evaluasi prognostik bagi pasien EC dalam praktik klinis.
Setara IF jurnal: 2.7 (rata-rata sitasi 2 tahun OpenAlex, nilai per 2026-10-02, diakses 2026-10-03; bukan IF resmi Clarivate)Referensi: Ouyang Y, Lin M, Cao Y, He N, Zhong X, Wu Y. Multiparametric MRI-based radiomics combined with deep learning for preoperative risk stratification of endometrial carcinoma. Front Oncol. 2026 Okt 22;16:1942153. doi:10.3389/fonc.2026.1942153.Diperiksa: Hanya abstrak
Lihat semua 1 makalah endometrium →
Kanker lambung: pengobatan, uji klinis, dan AI
- Abstrak
Penilaian preoperatif yang akurat terhadap metastasis limfonodus (LNM) pada kanker lambung dini (EGC) sangat penting untuk memilih pengobatan endoskopik atau pembedahan. Sebagian besar studi patologi komputasional mengandalkan spesimen reseksi yang diperoleh setelah gastrektomi kuratif, yang secara inheren membatasi relevansi preoperatifnya. Studi kami mengembangkan kerangka kerja kecerdasan buatan (AI) multimodal untuk memperkirakan risiko LNM menggunakan citra whole slide (WSI) preoperatif dari biopsi endoskopik, dengan tujuan membantu klinisi mengoptimalkan strategi pengobatan sebelum pembedahan dan mengurangi risiko pembedahan yang tidak perlu bagi pasien. Kami mengembangkan model multimodal berbasis transformer dengan mekanisme co-attention yang dipandu secara klinis untuk memfusikan fitur patologis dan variabel klinis. Untuk mengatasi kelangkaan informasi yang melekat pada spesimen biopsi yang terfragmentasi, kami mengekstraksi wilayah mukosa dan submukosa dari WSI jaringan bedah untuk dijadikan biopsi-pseudo. Paradigma curriculum learning (CL) selanjutnya digunakan untuk mengalihkan model dari biopsi-pseudo yang idealis ke sampel biopsi dunia nyata. Melalui analisis dataset yang terdiri dari 1,099 WSI jaringan bedah dan 189 WSI biopsi endoskopik, kerangka kerja kami mencapai area under the curve (AUC) sebesar 0.759 pada WSI jaringan bedah dan AUC sebesar 0.727 pada WSI preoperatif biopsi endoskopik. Temuan kami menunjukkan kelayakan kerangka kerja AI multimodal yang dirancang khusus untuk WSI biopsi endoskopik dalam menilai risiko LNM secara preoperatif pada EGC T1. Sebagai alat pendukung keputusan klinis yang masih bersifat investigasional, kerangka kerja ini memiliki potensi menjanjikan untuk membantu klinisi dalam stratifikasi risiko preoperatif, menjadi langkah awal menuju optimalisasi tata laksana pembedahan prospektif.
Setara IF jurnal: 2.8 (rata-rata sitasi 2 tahun OpenAlex, nilai per 2026-10-24, diakses 2026-10-25; bukan IF resmi Clarivate)Referensi: Niu X, Wang S, Yu J, Tian M, Tang Z. Multimodal Transformer-Based Preoperative Risk Assessment of Lymph Node Metastasis in Early Gastric Cancer Using Whole Slide Images of Endoscopic Biopsies. Ann Biomed Eng. 2026 Oct 22 [Epub ahead of print]. doi:10.1007/s10439-026-04380-7.Diperiksa: Hanya abstrak
Lihat semua 1 makalah lambung →
Kanker hati: pengobatan, uji klinis, dan AI
- Abstrak
Rasional dan tujuan Studi ini bertujuan mengembangkan kerangka kerja yang mengintegrasikan pembelajaran mendalam multi-kanal berbasis dynamic contrast-enhanced magnetic resonance imaging (DCE-MRI) yang dikombinasikan dengan pemodelan klinis untuk diskriminasi preoperatif non-invasif antara karsinoma hepatoseluler (HCC) dan kolangiokarsinoma intrahepatik bentuk massa (MF-ICC).
Metode: Kohort pengembangan internal terdiri dari 334 pasien yang dikonfirmasi secara bedah, termasuk 231 pasien dengan HCC dan 103 dengan MF-ICC, dan dibagi pada tingkat pasien menjadi kohort pelatihan ( n = 233) dan kohort validasi internal ( n = 101). Kohort validasi eksternal independen mencakup 50 pasien, terdiri dari 40 dengan HCC dan 10 dengan MF-ICC. Kami membangun model deep learning dua dimensi yang terpisah berdasarkan citra fase arteri, fase vena portal, dan fase tertunda, lalu mengembangkan model fusi (model 2D). Model deep learning multi-kanal dikembangkan lebih lanjut dengan langsung memasukkan citra tiga fase yang ditumpuk sepanjang dimensi kanal. Selain itu, model klinis dibangun berdasarkan prediktor independen yang diidentifikasi melalui analisis multivariat, yang pada akhirnya diintegrasikan dengan model deep learning berkinerja terbaik. Kinerja model dievaluasi dan dibandingkan.
Hasil: Model deep learning yang langsung memasukkan citra tiga fase sebagai input multi-kanal mencapai diskriminasi yang lebih baik (area under the curve [AUC] = 0.814 pada kohort validasi internal) daripada semua model fase tunggal dan model fusi yang sesuai. Model komprehensif 2D + multi-kanal + klinis menunjukkan kinerja terbaik untuk diferensiasi HCC dari MF-ICC, mencapai AUC 0.887 (95% CI, 0.819–0.954) pada kohort validasi internal, dan tergeneralisasi dengan baik ke kohort validasi eksternal (AUC = 0.908; 95% CI, 0.811–1.000). Namun, tidak ditemukan perbedaan AUC yang signifikan di antara model-model setelah koreksi untuk perbandingan berganda.
Kesimpulan: Model fusi yang mengintegrasikan prediktor klinis dengan fitur deep learning multi-fase DCE-MRI dapat menjadi alat yang berharga untuk membedakan HCC dari MF-ICC secara preoperatif.
Setara IF jurnal: 2.7 (rata-rata sitasi 2 tahun OpenAlex, nilai per 2026-10-02, diakses 2026-10-03; bukan IF resmi Clarivate)Referensi: Zhang H, Guo L, Jia F, Liu W, Zhang M, Li F, et al. Model deep learning MRI kontras-dinamis yang dikombinasikan dengan model klinis untuk diferensiasi noninvasif karsinoma hepatoseluler dari kolangiokarsinoma intrahepatik bentuk massa. Front Oncol. 2026 Oct 23;16:1936989. doi:10.3389/fonc.2026.1936989.Diperiksa: Hanya abstrak - Abstrak
Pendahuluan: Respons klinis terhadap terapi atezolizumab plus bevasizumab (AB) dapat bervariasi antara nodul karsinoma hepatoseluler (HCC) pada masing-masing pasien. Studi ini bertujuan untuk menurunkan dan memvalidasi secara eksternal signature radiomik non-invasif (ABRad) yang diterjemahkan dari signature transkriptom untuk prediksi respons AB (ABS) pada tingkat nodul.
Metode: Semula kami menurunkan dan memvalidasi ABS menggunakan 209 dan 44 sampel HCC pra-perawatan dari uji klinis IMbrave150 dan GO30140 secara berturut-turut. ABS kemudian diterjemahkan menjadi ABRad menggunakan pendekatan pembelajaran mesin pada 59 pasien dengan transcriptom seluruh genom dan citra tomografi terkomputasi pra-reseksi yang berpasangan dari HCC yang direseksi secara bedah. Selanjutnya, ABRad divalidasi secara eksternal menggunakan 178 nodul HCC dari 55 pasien yang menjalani terapi AB.
Hasil: ABS 148 gen memprediksi respons terapeutik dan kelangsungan hidup bebas progresi (PFS) dalam kohort uji klinis. Model ABRad final, yang dibangun menggunakan algoritma random forest, sangat berbobot pada fitur contrast-enhanced. Pada kohort validasi eksternal, ABRad menunjukkan asosiasi positif yang signifikan dengan derajat respons terapeutik (p <0.001). Luas di bawah kurva receiver operating characteristics untuk memprediksi respons lengkap (CR), respons objektif (OR), dan kontrol penyakit (DC) masing-masing adalah 0.71 (interval kepercayaan 95% [CI], 0.61-0.80), 0.65 (95% CI, 0.56-0.73), dan 0.69 (95% CI, 0.59-0.78). ABRad tingkat nodul secara independen berhubungan dengan respons terapeutik dengan adjusted odds ratio masing-masing 3.05 (95% CI, 1.23-7.57) untuk CR, 2.24 (95% CI, 1.06-4.77) untuk OR, dan 2.79 (95% CI, 1.07-7.29) untuk DC. ABRad tingkat pasien berhubungan signifikan dengan PFS yang berkepanjangan (p = 0.005).
Kesimpulan: ABRad berhasil memprediksi respons tingkat nodul terhadap terapi AB pada HCC.
IF jurnal: tidak diketahui (tidak dapat dicocokkan)Referensi: [Tanpa nama penulis]. Bahan Suplemen untuk: A radio-transcriptome signature for nodule-level prediction of response to atezolizumab plus bevacizumab in hepatocellular carcinoma. Figshare. [Epub ahead of print]. doi:10.6084/m9.figshare.34754340.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
- Abstrak
Pasien dengan kanker kandung kemih invasif otot (MIBC) umumnya memiliki prognosis yang sangat buruk, bahkan setelah menjalani sistektomi radikal (RC). Untuk mengatasi keterbatasan ini, kami membangun dan mengevaluasi model deep learning (DL) prabedah yang memanfaatkan pencitraan tomografi komputer (CT) untuk mengstratifikasi pasien MIBC berdasarkan risiko progresi penyakit pascabedah. Data dari pasien MIBC yang menjalani RC di salah satu dari empat institusi dianalisis secara retrospektif dan dialokasikan ke dalam kohort pelatihan dan validasi. Sebuah model DL fusi informasi dua kanal dikembangkan untuk memprediksi risiko progresi pascabedah berdasarkan citra CT prabedah. Selanjutnya, signature klinis berbasis DL dibuat dengan menggabungkan fitur klinis dengan skor yang dihasilkan DL. Indeks konkordansi (C-index) dan area di bawah kurva (AUC) digunakan untuk mengevaluasi kemampuan prediktif model DL, yang dibandingkan dengan signature klinis berbasis DL, model klinis, dan model Ki67. Dalam kohort retrospektif yang terdiri dari 427 pasien MIBC, skor DL menunjukkan kinerja prediktif yang baik untuk progresi penyakit pada kohort validasi (C-index: 0.774; AUC: 0.785), dan secara umum menunjukkan kinerja prediktif yang lebih tinggi daripada model pembanding pada kohort validasi. Dengan menggunakan ambang optimal, kohort pasien dikategorikan ke dalam dua subkelompok berbeda, yaitu risiko tinggi dan risiko rendah, dengan perbedaan insidensi kumulatif progresi yang teramati antara kedua kelompok, yang mendukung kemampuan model untuk mengstratifikasi pasien berdasarkan risiko progresi. Pemanfaatan pencitraan CT prabedah dalam kerangka kerja DL memungkinkan prediksi PFS dan stratifikasi risiko pada pasien MIBC, dengan nilai potensial untuk surveilans pascabedah yang terindividualisasi.
Setara IF jurnal: 2.6 (rata-rata sitasi 2 tahun OpenAlex, nilai per 2026-10-21, diakses 2026-10-22; bukan IF resmi Clarivate)Referensi: Liu Y, Xu Z, Xia J, Guo L, Hou W, Qu B, et al. Model transformer cross-attention berbasis CT kontras yang dapat diinterpretasikan untuk memprediksi kelangsungan hidup bebas progresi pada kanker kandung kemih invasif otot: studi multisenter. Abdom Radiol. 2026 Oct 22 [Epub ahead of print]. doi:10.1007/s00261-026-05837-y.Diperiksa: Hanya abstrak
Lihat semua 1 makalah kandung kemih →