IA e Pesquisa do Câncer ── 2026-10-15
Novos artigos sobre câncer e IA, coletados de feeds de periódicos, PubMed (pesquisado em todos os periódicos) e OpenAlex (um índice público usado no lugar do Google Scholar), avaliados pelo Jev (uma IA que faz julgamentos de linguagem): pesquisa original, IA como foco central, qual dos 13 temas, tratamento ou ensaios, e depois classificados por importância até um limite diário. Os periódicos não são filtrados por fator de impacto; cada artigo mostra o equivalente ao FI do seu periódico (média de citações em dois anos do OpenAlex) e a data desse valor. Cada entrada mostra o resumo original completo.
Leia por tipo de câncer: Biologia do câncer（1） · Mama（2） · Pulmão（2） · Pancreático（0） · Próstata（0） · ACC（0） · Cérebro（2） · Ovário（0） · Endometrial（0） · Gástrico（0） · Fígado（1） · Rim（0） · Bexiga（0）
Biologia molecular do câncer e IA
- Resumo
A previsão precisa da recorrência pós-operatória é essencial para o manejo individualizado e o planejamento do acompanhamento em pacientes com carcinoma urotelial do trato superior (UTUC). No entanto, a estratificação de risco confiável continua sendo um desafio devido à natureza heterogênea das características de imagem e das informações clínicas. Neste estudo, propomos uma estrutura multimodal de apoio à decisão clínica que integra imagens de tomografia computadorizada (TC) com contraste a variáveis clínicas disponíveis rotineiramente para a previsão da recorrência pós-operatória. A estrutura proposta adota uma estratégia de aprendizado integrado entre imagem e dados clínicos para aprimorar o alinhamento semântico entre as representações visuais e o contexto clínico específico de cada paciente. As características de imagem são guiadas por prompts semânticos clinicamente informados, enquanto um mecanismo de fusão dinâmica equilibra de forma adaptativa as contribuições das diferentes modalidades. Esse design permite uma interação multimodal robusta e melhora a estimativa individualizada de risco. A estrutura é avaliada em uma coorte retrospectiva de UTUC com 160 pacientes tratados entre 2016 e 2023, incluindo 59 casos de recorrência e 101 casos sem recorrência. Os resultados experimentais demonstram que o método proposto alcança uma área sob a curva característica de operação do receptor (AUC) de 0,87, demonstrando desempenho superior em comparação com modelos convencionais baseados em redes neurais convolucionais e com baselines multimodais representativos. Análises qualitativas indicam ainda um melhor alinhamento entre padrões de imagem e fatores clínicos, fornecendo insights interpretáveis por meio de visualização baseada em atenção. Esses achados sugerem que a estrutura multimodal proposta oferece uma abordagem potencial para a estratificação do risco de recorrência pós-operatória de UTUC e tem potencial para apoiar a tomada de decisão clínica e o manejo pós-operatório adaptado ao risco.
Equivalente ao fator de impacto do periódico: 3.9 (média de citações em 2 anos do OpenAlex, valor de 2026-10-13, obtido em 2026-10-15; não é o IF oficial da Clarivate)Referência: 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.Verificado: Somente o resumo
Ver todos os 1 artigos de Biologia do câncer →
Câncer de mama: tratamento, ensaios clínicos e IA
- Resumo
A subtipagem molecular pré-operatória do câncer de mama é essencial para a seleção do tratamento e a avaliação do prognóstico, mas a maioria das abordagens de aprendizado profundo formula a predição de subtipos como uma tarefa convencional plana de múltiplas classes, sem refletir o processo clínico de decisão sequencial. Desenvolvemos o HCF-Net, uma rede hierárquica de fusão em cascata que decompõe a predição de subtipos em três nós de decisão binários alinhados à prática clínica e integra DCE-MRI multifásica com informações clínico-radiológicas. O modelo foi desenvolvido e validado retrospectivamente em uma coorte de dois centros com 373 mulheres que realizaram DCE-MRI multifásica de 3.0 T no pré-operatório. Em um conjunto de teste independente (n = 75), o HCF-Net alcançou Macro-AUC de 0.868 (IC de 95%, 0.806-0.923), acurácia de 73.3%, Macro-F1 de 0.732 e κ de Cohen de 0.631. O modelo de fusão obteve consistentemente a maior AUC nos três nós de decisão hierárquicos, chegando a 0.890 para tumores luminais versus não luminais, 0.865 para tumores Luminal A versus Luminal B e 0.974 para tumores HER2-enriquecidos versus triplo-negativos. A mesma ordenação das estratégias de classificação foi observada com um backbone ConvNeXt-Tiny. Em comparação com as estratégias convencionais de classificação plana, a decomposição hierárquica em cascata e a fusão em nível de decisão proporcionaram ganhos substanciais de desempenho. Esses resultados sugerem que uma estrutura hierárquica de fusão alinhada às vias de decisão clínica pode oferecer uma abordagem eficaz e interpretável para a predição pré-operatória do subtipo molecular do câncer de mama.
Equivalente ao fator de impacto do periódico: 3.9 (média de citações em 2 anos do OpenAlex, valor de 2026-10-13, obtido em 2026-10-15; não é o IF oficial da Clarivate)Referência: Chen Y, Hu L, Hou J, Xie Y, Nie S, Jiang Y, et al. HCF-Net: uma Rede de Fusão em Cascata Hierárquica Alinhada às Vias de Tratamento Clínico para a Subtipagem Molecular Pré-operatória do Câncer de Mama em RM com Contraste Dinâmico. J Digit Imaging Inform med. 2026 Oct 13 [Epub antes da impressão]. doi:10.1007/s10278-026-02331-1.Verificado: Somente o resumo - Resumo
A radiômica de habitats caracteriza a textura dentro de sub-regiões tumorais, mas descarta as relações espaciais entre elas. Desenvolvemos uma estrutura inspirada na ecologia de paisagem que quantifica a estrutura espacial entre habitats em DCE-MRI, avaliamos seu valor complementar à radiômica intra-habitat e comparamos a fusão precoce com a tardia, usando a predição de metástase em linfonodo axilar (ALNM) como tarefa de avaliação. Neste estudo retrospectivo multicêntrico, 284 pacientes de um centro foram divididos aleatoriamente em coortes de treinamento (n = 198) e validação (n = 86), com 120 pacientes de uma instituição independente como conjunto de teste externo. Os tumores foram particionados em seis habitats por agrupamento k-means de 19 descritores de textura em nível de voxel, com centroides derivados exclusivamente da coorte de treinamento. Três domínios de características foram construídos: 8 parâmetros clínicos, 642 características de radiômica intra-habitat e 94 características de estrutura espacial entre habitats, abrangendo fragmentação (n = 30), morfologia (n = 24), contato entre habitats (n = 15), distância entre habitats (n = 15), razão de área (n = 6) e diversidade (n = 4). No conjunto de teste externo, a fusão progressiva produziu ganhos incrementais na AUC: apenas clínico 0,754, mais radiômica intra-habitat 0,843, mais estrutura espacial entre habitats 0,863 (IC 95% 0,792-0,934). O modelo completo de fusão precoce alcançou AUC maior do que os modelos apenas clínico (DeLong P = 0,011) e apenas de estrutura espacial (P = 0,044); a fusão precoce rendeu uma AUC numericamente maior do que a fusão tardia, sem alcançar significância (0,863 vs 0,851, P = 0,636). Os dois modelos de imagem de domínio único foram estatisticamente indistinguíveis (0,817 vs 0,784, P = 0,512). A estrutura espacial entre habitats captura a organização tumoral negligenciada pela radiômica de habitats convencional e fornece informações complementares para a predição pré-operatória de ALNM.
Equivalente ao fator de impacto do periódico: 3.9 (média de citações em 2 anos do OpenAlex, valor de 2026-10-13, obtido em 2026-10-15; não é o IF oficial da Clarivate)Referência: 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.Verificado: Somente o resumo
Ver todos os 2 artigos de Mama →
Câncer de pulmão: tratamento, ensaios e IA
- Resumo
CONTEXTO: O adenocarcinoma mucinoso pulmonar (PMA) representa um subtipo raro de adenocarcinoma de pulmão, caracterizado pela falta de uma classificação patológica abrangente e de fatores prognósticos. Neste estudo, propomos uma estrutura multimodal de aprendizado de máquina (ML) que integra múltiplas modalidades de dados para aprimorar a classificação dos subtipos de PMA e a predição prognóstica. MÉTODOS: Este estudo retrospectivo incluiu 175 casos de PMA primário com dados demográficos, histopatológicos, de imagem por tomografia computadorizada (TC) e de mutação do receptor do fator de crescimento epitelial (EGFR). Um modelo de regressão logística regularizado por LASSO (operador de encolhimento e seleção absoluta mínima) foi utilizado para a classificação histológica, e o modelo de riscos proporcionais de Cox foi empregado para a predição de sobrevida, com validação interna. RESULTADOS: O adenocarcinoma mucinoso puro apresentou maior prevalência de menor tamanho tumoral radiográfico ou patológico, localização em lobo inferior, menores taxas de metástase em linfonodos e de disseminação através de espaços aéreos (STAS), estágio patológico precoce, antígeno carcinoembrionário (CEA) ≤5 ng/mL, margem espiculada, baixa expressão de Ki-67 e menor frequência de deleção do éxon 19 do EGFR (P=0.002, 0.003, deleção do éxon 19 do EGFR como fatores prognósticos independentes no PMA (P=0.04, 0.049, respectivamente). Além disso, as curvas de Kaplan-Meier revelaram desfechos significativamente diferentes entre os grupos de baixo e alto risco estratificados pelo escore do nomograma (P<0.001). CONCLUSÕES: O adenocarcinoma mucinoso puro pulmonar apresentou menor malignidade em comparação ao tipo misto mucinoso e secretor de mucina. O modelo de nomograma desenvolvido e validado neste estudo demonstrou eficácia promissora na predição do subtipo histológico no pré-operatório e da sobrevida em pacientes com PMA, oferecendo orientação aos clínicos no diagnóstico e na predição do prognóstico.
Equivalente ao fator de impacto do periódico: 1.4 (média de citações em 2 anos do OpenAlex, valor de 2026-10-13, obtido em 2026-10-15; não é o IF oficial da Clarivate)Referência: 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.Verificado: Somente o resumo - Resumo
CONTEXTO: A metástase cerebral continua sendo uma preocupação clínica importante em pacientes com câncer de pulmão de pequenas células (CPPC), mesmo após a irradiação craniana profilática (ICP). A identificação precisa de pacientes com alto risco de metástase cerebral após a ICP pode facilitar a vigilância e o manejo individualizados. Este estudo desenvolveu um modelo de fusão baseado em características de aprendizado profundo multicanal bidimensionais e meia (2,5D), características clínicas e características radiômicas para prever se pacientes com CPPC desenvolverão metástases cerebrais após a ICP. MÉTODOS: Este estudo retrospectivo incluiu 185 pacientes com CPPC que foram submetidos à ICP e os dividiu aleatoriamente em um conjunto de treinamento (N=148) e um conjunto de teste (N=37). Um modelo de rede neural convolucional (CNN) multicanal 2,5D foi construído com base em regiões de interesse (ROI) multiplanares derivadas de imagens de TC para extrair características de aprendizado profundo 2,5D. Com base na maior secção transversal e no volume tridimensional (3D) da ROI do tumor, foram extraídas características de aprendizado profundo bidimensionais (2D) e 3D, respectivamente. Em seguida, características de diferentes dimensões foram fundidas com características clínicas e características ômicas tradicionais para construir os modelos 2D_clinic_Rad, 2.5D_clinic_Rad e 3D_clinic_Rad, respectivamente. As diferenças de desempenho entre os modelos 3D e os modelos clínicos e de radiômica tradicional foram então comparadas. RESULTADOS: O modelo de fusão 2.5D_clinic_Rad demonstrou o melhor desempenho na previsão de metástases cerebrais, alcançando uma área sob a curva (AUC) de 0,841 no conjunto de teste, superando os modelos clínicos, os modelos de radiômica tradicional e os modelos de fusão de aprendizado profundo 2D e 3D. A análise das curvas de decisão e das curvas de calibração indicou que o modelo 2.5D_clinic_Rad demonstrou o maior benefício clínico líquido e a melhor consistência de calibração em comparação com os demais modelos. CONCLUSÕES: O modelo de fusão baseado em 2.5D_clinic_Rad pode prever efetivamente o risco de metástase cerebral em pacientes com CPPC após a irradiação profilática de todo o cérebro.
Equivalente ao fator de impacto do periódico: 2.5 (média de citações em 2 anos do OpenAlex, valor de 2026-10-13, obtido em 2026-10-15; não é o IF oficial da Clarivate)Referência: Zhang X, Zhao L, Wang J, Zhang X, Liang X, Cao W, et al. Aprendizado profundo interpretável e radiômica para prever a ocorrência de metástases cerebrais após irradiação cerebral profilática em câncer de pulmão de pequenas células. Transl Lung Cancer Res. 2026 Sep;15(9):281-1. doi:10.21037/tlcr-2026-0708.Verificado: Somente o resumo
Ver todos os 2 artigos de Pulmão →
Câncer de pâncreas: tratamento, ensaios clínicos e IA
Nenhum novo artigo qualificado para esta edição.
Câncer de próstata: tratamento, ensaios clínicos e IA
Nenhum novo artigo qualificado para esta edição.
Carcinoma adenoide cístico: tratamento, ensaios e IA
Nenhum novo artigo qualificado para esta edição.
Tumores cerebrais: tratamento, ensaios clínicos e IA
- Resumo
A resposta ao tratamento do glioblastoma (GBM) é altamente heterogênea. Prever os desfechos a partir de RM pré-tratamento é uma necessidade crítica não atendida, mas a adoção clínica de modelos de aprendizado profundo (DL) do tipo "caixa-preta" é prejudicada pela falta de transparência. Ainda é preciso desenvolver estruturas de validação robustas e holísticas para permitir a confiança clínica. Um pipeline multicamadas de IA explicável (XAI) foi empregado para dissecar um modelo de aprendizado profundo previamente desenvolvido, treinado para prever a sobrevida global no GBM. Primeiro, o foco visual do modelo foi analisado de forma qualitativa e quantitativa. Segundo, a dependência do modelo em relação às características foi quantificada por meio de estudos de ablação de entrada. Terceiro, a profundidade na qual a informação de classe se torna decodificável foi rastreada por sondagem linear das representações internas. Por fim, o impacto clínico da IA e de suas explicações foi avaliado em um estudo multileitor e multicaso (37 pacientes, 4 leitores, 3 fases, 444 observações) usando Equações de Estimação Generalizadas (GEE) e bootstrap por conglomerados. A análise revelou uma heurística de alta intensidade: pixels hiperintensos na periferia do crânio ancoravam as previsões de "Longo Prazo", enquanto, na ausência deles, o modelo recorria por padrão ao "Curto Prazo" com base no realce tumoral. O estudo de ablação estabeleceu essa dependência, e a sondagem linear apontou na mesma direção. No estudo clínico, a assistência da IA melhorou significativamente a acurácia dos especialistas (OR 1,598, p < 0,01) sem aumentar artificialmente a confiança (p = 0,561). É importante destacar que a adição de mapas de calor de XAI foi associada a uma mudança na forma como os especialistas usaram o escore da IA (interação p < 0,01) e a menos pacientes erroneamente classificados como sobreviventes de longo prazo. Uma alta acurácia preditiva pode mascarar a dependência de heurísticas de intensidade de baixo nível. Embora a interpretação superficial de mapas de saliência seja perigosa, auditorias multicamadas expõem esses atalhos. Do ponto de vista clínico, os mapas de calor espaciais foram associados a uma melhor acurácia diagnóstica dos especialistas e a uma mudança na estratégia de tomada de decisão.
Equivalente ao fator de impacto do periódico: 3.9 (média de citações em 2 anos do OpenAlex, valor de 2026-10-13, obtido em 2026-10-15; não é o IF oficial da Clarivate)Referência: 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.Verificado: Somente o resumo - Resumo
CONTEXTO: A alta expressão de CD9 está significativamente associada a menor sobrevida global (SG) em pacientes com gliomas difusos do tipo adulto (GDAs). Paralelamente, análises de triagem de fármacos identificaram a emetina como um potencial agente terapêutico direcionado para gliomas com alta expressão de CD9, indicando que o CD9 pode servir como um novo biomarcador com potencial para transformar o diagnóstico e o tratamento de gliomas. Este estudo teve como objetivo desenvolver um modelo de predição de inteligência artificial baseado em imagens de ressonância magnética (RM) pré-operatórias para facilitar a identificação precoce da alta expressão de CD9 em pacientes com GDAs. MÉTODOS: Coletamos retrospectivamente dados de expressão de CD9 de 262 pacientes com GDAs das coortes do The Cancer Genome Atlas (TCGA) e do Chinese Glioma Genome Atlas (CGGA). Utilizando sequências de RM pré-operatórias [imagem ponderada em T1 com contraste (CET1) e imagem ponderada em T2 (T2WI)], foram extraídas características de Habitat, por meio do algoritmo de agrupamento K-means, juntamente com características radiômicas. Além disso, foram construídos dados de aprendizado profundo 2,5-dimensional multicanal (2.5D_DL), com base em arquiteturas de redes neurais, incluindo ResNet101, DenseNet121 e SimpleViT, e foram extraídas características de DL. Sete classificadores foram utilizados para construir modelos preditivos individuais de Radiômica, Habitat e 2.5D_DL. Posteriormente, um modelo de Stacking foi desenvolvido por meio de uma estratégia de fusão em conjunto para predizer a alta expressão de CD9. O desempenho dos modelos foi avaliado por curvas características de operação do receptor (ROC), e a eficácia clínica foi avaliada por análise de curva de decisão (DCA). A análise de Shapley Additive Explanations (SHAP) foi realizada para explorar a interpretação dos modelos, aumentando a transparência das predições de aprendizado de máquina. Além disso, os pacientes foram estratificados em grupos de alto e baixo risco com base nos escores do modelo de Stacking, e as diferenças de sobrevida foram comparadas por meio da análise de Kaplan-Meier e do teste de log-rank. RESULTADOS: O modelo de Habitat apresentou valores de curva ROC [área sob a curva ROC (AUC)] superiores aos do modelo de Radiômica. Entre os modelos 2.5D_DL multicanal, o modelo SimpleViT obteve desempenho ligeiramente melhor do que os modelos baseados em redes neurais convolucionais (CNN) (ResnNet101 e DenseNet121). O modelo final de Stacking, que integrou as saídas dos modelos de Habitat, Radiômica e 2.5D_DL, apresentou valores de AUC superiores. A AUC atingiu 0,999, 0,822 e 0,728 nos conjuntos de treinamento, validação e teste, respectivamente. O teste de DeLong confirmou diferenças estatisticamente significativas nos valores de AUC de cada modelo no conjunto de treinamento, mas nenhuma diferença estatisticamente significativa foi observada nos demais conjuntos. Além disso, o benefício clínico líquido aprimorado em uma faixa mais ampla de limiares de risco para esse modelo integrado foi verificado pela DCA. A estratificação prognóstica pelo modelo de Stacking revelou diferenças significativas nos desfechos de sobrevida entre os grupos de alto e baixo risco. CONCLUSÕES: O modelo de Stacking baseado em RM pré-operatória identifica de forma eficaz pacientes com alta expressão de CD9 entre os GDAs e estratifica o risco dos pacientes, oferecendo suporte à tomada de decisão terapêutica clínica e à avaliação prognóstica individualizada. Dados prospectivos multicêntricos ainda são necessários para validar o desempenho prognóstico e a generalização deste modelo.
Equivalente ao fator de impacto do periódico: 1.4 (média de citações em 2 anos do OpenAlex, valor de 2026-10-13, obtido em 2026-10-15; não é o IF oficial da Clarivate)Referência: Pang B, Yuan M, Yan Y, Li J, Xue J, Jing L, et al. MRI-derived habitat radiomics integrated with transformer deep learning for preoperative prediction of high CD9 expression: a novel prognostic marker in adult-type diffuse gliomas. Transl Cancer Res. 2026 Sep;15(9):703-3. doi:10.21037/tcr-2026-1847.Verificado: Somente o resumo
Ver todos os 2 artigos de Cérebro →
Câncer de ovário: tratamento, ensaios clínicos e IA
Nenhum novo artigo qualificado para esta edição.
Câncer de endométrio: tratamento, ensaios clínicos e IA
Nenhum novo artigo qualificado para esta edição.
Câncer gástrico: tratamento, ensaios clínicos e IA
Nenhum novo artigo qualificado para esta edição.
Câncer de fígado: tratamento, ensaios clínicos e IA
- Resumo
CONTEXTO: O carcinoma hepatocelular (CHC) é uma das principais causas de mortalidade relacionada ao câncer em todo o mundo, e a mutação do TP53 atua como uma mutação tronco que impulsiona a progressão tumoral. No entanto, atualmente o status de mutação do TP53 só pode ser determinado por biópsia hepática invasiva. Este estudo aplica características radiômicas multirregionais de ressonância magnética (RM) para prever CHC com mutação de P53 e oferece uma ferramenta não invasiva para identificar esse subtipo invasivo. MÉTODOS: Neste estudo retrospectivo, foram analisados dados de 320 pacientes que realizaram RM pré-operatória, divididos em uma coorte de treinamento (CT; n=224) e uma coorte de validação (CV; n=96). Fatores de risco clínicos foram identificados por meio de regressão stepwise para construir modelos preditivos. Avaliamos três classificadores de aprendizado de máquina em seis sequências de RM, e o método LASSO (least absolute shrinkage and selection operator) foi aplicado para selecionar o melhor modelo de fusão IntraPeri entre quatro regiões (tumor inteiro, IntraPeri_9mm, IntraPeri_11mm e IntraPeri_13mm) para estabelecer um modelo radiômico. O nomograma preditivo para CHC com mutação de P53 integrou esses preditores clínicos com características radiômicas discriminativas, e seu desempenho foi avaliado por meio de análise de curva ROC (receiver operating characteristic), calibração e curvas de decisão. RESULTADOS: Entre 320 pacientes (259 homens e 61 mulheres; idade média, 58,25±11,51 anos), 183 apresentavam CHC com mutação de P53 e 137 apresentavam CHC sem mutação de P53. O maior diâmetro tumoral (MDT), o grau de Edmondson-Steiner e o realce arterial periférico em anel (rim arterial phase hyperenhancement) foram identificados como preditores independentes de CHC com mutação de P53. O classificador ExtraTrees baseado em características radiômicas da sequência de RM ideal [imagem ponderada em T1 – fase arterial (T1WI-AP)] na região IntraPeri_11mm alcançou forte acurácia preditiva [área sob a curva (AUC) CT =0,805; AUC CV =0,660]. O nomograma preditivo que integra características clínicas e radiômicas demonstrou excelente desempenho tanto na CT [AUC =0,815; intervalo de confiança (IC) de 95%: 0,758-0,872] quanto na CV (AUC =0,802; IC de 95%: 0,713-0,890). A análise da curva de decisão confirmou ainda sua utilidade clínica. CONCLUSÕES: O nomograma que combina o modelo clínico com a radiômica IntraPeri_11mm pode servir como preditor eficaz do status de mutação de P53 pré-operatório no CHC.
Equivalente ao fator de impacto do periódico: 1.4 (média de citações em 2 anos do OpenAlex, valor de 2026-10-13, obtido em 2026-10-15; não é o IF oficial da Clarivate)Referência: Weng J, Yao D, Zeng Q, He Y, Yang C, Yang B. Radiômica baseada em ressonância magnética para predição de carcinoma hepatocelular com mutação de P53: análise intratumoral e peritumoral. Transl Cancer Res. 2026 Sep;15(9):709-9. doi:10.21037/tcr-2026-1579.Verificado: Somente o resumo
Ver todos os 1 artigos de Fígado →
Câncer de rim: tratamento, ensaios e IA
Nenhum novo artigo qualificado para esta edição.
Câncer de bexiga: tratamento, ensaios clínicos e IA
Nenhum novo artigo qualificado para esta edição.