IA e Pesquisa sobre Câncer ── 2026-10-23
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（0） · Pulmão（1） · Pancreático（0） · Próstata（0） · ACC（0） · Cérebro（1） · Ovariano（1） · Endometrial（0） · Gástrico（0） · Fígado（0） · Rim（0） · Bexiga（1）
Biologia molecular do câncer e IA
- Resumo
A reprogramação metabólica é uma marca registrada de muitas doenças, particularmente o câncer, mas os métodos atuais para analisar estados metabólicos a partir de dados de expressão gênica frequentemente carecem da resolução e da interpretabilidade necessárias para aplicações clínicas. Abordagens baseadas em assinaturas gênicas reduzem a estrutura das redes metabólicas, são suscetíveis a vieses estatísticos e acabam apresentando baixa reprodutibilidade entre estudos. Portanto, é necessária uma alternativa estruturada em redes e fundamentada mecanisticamente. Desenvolvemos o CircumSpectrum, uma estrutura computacional que converte perfis de expressão gênica em impressões digitais metabólicas baseadas em fluxos, integrando modelos metabólicos em escala genômica a classificadores de aprendizado de máquina treinados em 142 subsistemas metabólicos funcionais. A estrutura é validada usando múltiplas coortes transcriptômicas independentes de pacientes tratados com metformina — um medicamento antidiabético amplamente utilizado e com relevância crescente na oncologia — abrangendo indivíduos saudáveis, pacientes com diabetes tipo II e linhagens celulares de câncer. O desempenho é comparado ao de métodos convencionais de assinatura gênica e de enriquecimento de vias usando acurácia de classificação bootstrap. Aqui mostramos que o CircumSpectrum supera os métodos convencionais de assinatura gênica na distinção de efeitos de tratamento e mantém a reprodutibilidade entre conjuntos de dados, plataformas e espécies. Aplicado a coortes tratadas com metformina, a estrutura revela adaptações metabólicas induzidas por medicamentos nos níveis fenotípico, de subsistema e de reação individual que não são detectadas por análises transcriptômicas padrão, incluindo divergências específicas de doença entre respostas metabólicas saudáveis e diabéticas e a religação conservada de vias entre tipos de câncer. O CircumSpectrum permite a perfilagem metabólica em múltiplas escalas a partir de coortes de pacientes, modelos experimentais e dados de célula única, fornecendo insights estruturados e interpretáveis sobre fenótipos complexos a partir de dados de expressão gênica. Essa abordagem tem amplo potencial para identificar vulnerabilidades metabólicas, caracterizar mecanismos de ação de medicamentos e apoiar estratégias terapêuticas de precisão em diferentes contextos de doenças. As células adaptam constantemente seu metabolismo em resposta a doenças ou tratamentos, mas os métodos atuais para estudar essas mudanças a partir de dados de atividade gênica costumam ser imprecisos e difíceis de reproduzir. Desenvolvemos o CircumSpectrum, uma ferramenta computacional que converte medições de expressão gênica em detalhadas “impressões digitais” metabólicas ao combinar modelos de redes biológicas em larga escala com aprendizado de máquina. Testamos a ferramenta usando metformina, um medicamento antidiabético comum com usos emergentes no câncer, em diversos estudos com pacientes e tipos de câncer. O CircumSpectrum identificou alterações metabólicas que os métodos padrão não detectaram, e o fez de maneira consistente entre diferentes conjuntos de dados e até mesmo diferentes espécies. Essas descobertas sugerem que o CircumSpectrum poderia ajudar pesquisadores a entender melhor como os medicamentos atuam no nível metabólico, potencialmente orientando estratégias de tratamento mais precisas para diabetes, câncer e outras doenças metabólicas. Polley et al. apresentam o CircumSpectrum, uma estrutura que transforma dados de RNA-seq em impressões digitais metabólicas baseadas em fluxos por meio de modelos em escala genômica e aprendizado de máquina. Eles avaliam a estrutura com metformina em coortes clínicas e de câncer e descobrem que ela tem desempenho favorável em relação aos métodos convencionais de assinatura gênica e sugere mecanismos de medicamentos nos níveis fenotípico, de subsistema e de reação.
FI equivalente do periódico: 6.0 (média de citações em 2 anos do OpenAlex, valor de 2026-10-08, recuperado em 2026-10-09; não é o FI oficial da Clarivate)Referência: Polley N, Kaoma T, Nazarov PV, Sarry JE. Inferência de impressões digitais metabólicas baseadas em fluxo a partir da expressão gênica para prever a resposta a fármacos e facilitar a estratificação de pacientes. Commun Med. 2026 Oct 21 [Epub ahead of print]. doi:10.1038/s43856-026-01970-3.Verificado: Somente o resumo
Ver todos os 1 artigos de Biologia do câncer →
Câncer de mama: tratamento, ensaios clínicos e IA
Nenhum novo artigo qualificado para esta edição.
Câncer de pulmão: tratamento, ensaios e IA
- Resumo
Contexto: Este estudo teve como objetivo investigar as associações de genes relacionados ao fenótipo secretor associado à senescência (SASP) com o microambiente imunológico tumoral (TIME) e os desfechos clínicos no adenocarcinoma de pulmão (LUAD), além de desenvolver e avaliar uma assinatura prognóstica para estratificação de risco e predição exploratória de resposta ao tratamento.
Métodos: A fatoração de matriz não negativa (NMF) foi realizada para identificar subtipos moleculares distintos. O operador de contração e seleção por mínimos absolutos (LASSO), o Random Forest e o extreme gradient boosting (XGBoost) foram utilizados para identificar os principais genes prognósticos de SASP. Os padrões de expressão dos genes selecionados relacionados ao SASP foram explorados utilizando conjuntos de dados multi-ômicos, linhagens celulares de LUAD e espécimes clínicos.
Resultados: O Cluster 1 foi associado a sobrevida global (OS) significativamente menor, atividade aumentada da via de senescência e características imunossupressoras e de exclusão imune inferidas computacionalmente. Cinco reguladores intracelulares do SASP— ANGPTL4 , CDKN2A , H2AX , MMP1 , e CCL20 —foram selecionados por aprendizado de máquina para construir o SASP Protein Regulator Score (SASP-PRS). Um SASP-PRS alto foi associado à ativação das vias de senescência/SASP e do ciclo celular, à supressão de assinaturas imunes antitumorais e a perfis de expressão distintos de checkpoints imunes e quimiocinas. Um SASP-PRS mais alto também foi associado a estágio avançado da doença, OS mais baixa, menor responsividade prevista à imunoterapia, menor sensibilidade prevista ao erlotinibe e maior sensibilidade prevista a agentes quimioterápicos selecionados. O nomograma que incorpora o SASP-PRS demonstrou capacidade discriminatória e calibração para prever a OS de 1, 3 e 5 anos nas coortes de LUAD analisadas.
Conclusão: Esses achados sugerem que os padrões de expressão gênica relacionados ao SASP estão associados a subtipos moleculares do LUAD, à sinalização de senescência, a características imunológicas inferidas computacionalmente e a desfechos relacionados ao tratamento. O SASP-PRS pode servir como um biomarcador potencial para estratificação prognóstica no LUAD. No entanto, sua utilidade para a avaliação da resposta ao tratamento permanece exploratória. São necessárias validação externa prospectiva e estudos funcionais para estabelecer sua aplicabilidade clínica e esclarecer os mecanismos que ligam as redes relacionadas ao SASP ao microambiente imunológico do LUAD.
FI equivalente do periódico: 3.7 (média de citações em 2 anos do OpenAlex, valor de 2026-10-22, recuperado em 2026-10-23; não é o FI oficial da Clarivate)Referência: Chang X, Jiang L, Zhang L, Ren T, Fan C, Li P. Modelo prognóstico baseado em proteínas intracelulares derivado de aprendizado de máquina que reflete um microambiente imunossupressor impulsionado pelo fenótipo secretor associado à senescência no adenocarcinoma de pulmão. PeerJ. 2026 Oct 21;14:e21835. doi:10.7717/peerj.21835.Verificado: Somente o resumo
Ver todos os 1 artigos sobre 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
O Brain Tumor Reporting and Data System (BT-RADS) padroniza a avaliação da resposta por ressonância magnética pós-tratamento em pacientes com gliomas difusos, mas exige a integração complexa de tendências de imagem, efeitos de medicamentos e do momento da radioterapia. Um sistema ponta a ponta de modelo de linguagem de grande porte multiagente e rede neural convolucional para a classificação automatizada do BTRADS foi desenvolvido e avaliado. Quinhentos e nove exames consecutivos de ressonância magnética de glioma pós-tratamento (março de 2017-julho de 2021), de um único centro, foram avaliados retrospectivamente. Um agente extrator identificou variáveis clínicas em anotações usando gpt-oss (OpenAI, 20 bilhões de parâmetros). Um agente pontuador aplicou a lógica de decisão do BTRADS, integrando essas variáveis a volumetrias quantitativas. A acurácia do sistema foi comparada com as avaliações iniciais, usando anotação especializada como padrão de referência. Quatrocentos e noventa e dois exames eram avaliáveis. A acurácia geral do sistema foi de 76.0% (374/492) versus 57.5% (283/492) para as avaliações iniciais, uma diferença absoluta de +18.5 pontos percentuais ( P < .001). O kappa de Cohen entre o sistema e o padrão de referência foi 0.71. O sistema alcançou alta sensibilidade nas categorias dependentes de contexto (BT-1b; 100%; BT-1a, 92.7%; BT-3a, 87.5%) e sensibilidade moderada nas categorias dependentes de limiar (BT-3c, 74.8%; BT-2, 69.2%; BT-4, 69.3%; BT-3b, 57.1%). O valor preditivo positivo do BT-4 foi de 92.9%. Esses resultados apoiam uma avaliação adicional deste sistema como ferramenta de apoio à decisão clínica, com inferência local de pesos abertos preservando a privacidade dos dados. ©RSNA, 2026
FI equivalente do periódico: 8.3 (média de citações em 2 anos do OpenAlex, valor de 2026-10-22, recuperado em 2026-10-23; não é o FI oficial da Clarivate)Referência: Jabal MS, Zhang J, LaBella D, Houk JL, Zhang D, Rudie JD, et al. Automação agêntica da pontuação BT-RADS usando um sistema de ponta a ponta para avaliação padronizada do acompanhamento de glioma. Radiology: Artificial Intelligence. 2026 Oct 21 [Epub ahead of print]. doi:10.1148/ryai.260234.Verificado: Somente o resumo
Ver todos os 1 artigos sobre Cérebro →
Câncer de ovário: tratamento, ensaios clínicos e IA
- Resumo
A deficiência de recombinação homóloga (HRD) é um biomarcador crítico para orientar decisões de tratamento no carcinoma seroso tubo-ovariano de alto grau (HGSOC), um câncer com poucos biomarcadores confiáveis. No entanto, os testes existentes baseados em genômica para HRD são variáveis, caros e demorados. Desenvolvemos o HRDPath, uma arquitetura de aprendizado profundo em nível de paciente que prevê o status de HRD a partir de imagens de lâminas inteiras, sem necessidade de testes moleculares adicionais. O HRDPath é validado em três coortes de pacientes do sexo feminino e alcança uma AUC de 0.846, superando significativamente os resultados relatados anteriormente em HGSOC. Ao incorporar múltiplas lâminas por paciente e estratégias de otimização direcionadas, fortalecemos a utilidade clínica do modelo, com especificidade e sensibilidade ambas atingindo 0.90. Nosso pipeline de interpretabilidade aprimora a confiabilidade do modelo e revela importantes insights clínicos e biológicos sobre os cânceres HRD-positivos, destacando as alterações morfológicas e patológicas associadas nos níveis celular e tecidual. O HRDPath fornece uma base para um biomarcador digital acessível e escalável para melhorar a estratificação de tratamento no câncer de ovário em todo o mundo.
FI equivalente do periódico: 18.1 (média de citações em 2 anos do OpenAlex, valor de 2026-10-06, recuperado em 2026-10-07; não é o FI oficial da Clarivate)Referência: Wu CI, Banda K, Arora R, Soong TR, Radke M, Dillon M, et al. HRDPath: uma arquitetura explicável de aprendizado profundo multimodelo para prever deficiência de recombinação homóloga a partir de imagens de histopatologia. Nat Commun. 2026 Oct 21;17(1):10870. doi:10.1038/s41467-026-78430-y.Verificado: Somente o resumo
Ver todos os 1 artigos sobre Ovariano →
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
Nenhum novo artigo qualificado para esta edição.
Câncer de rim: tratamento, ensaios e IA
Nenhum novo artigo qualificado para esta edição.
Câncer de bexiga: tratamento, ensaios clínicos e IA
- Resumo
RESUMO A predição precisa de metástase em linfonodos (LNM) e de desfechos de sobrevida é crucial para o tratamento personalizado no câncer de bexiga, mas permanece clinicamente desafiadora. Este estudo teve como objetivo desenvolver uma Rede preditiva multitarefas baseada em Citologia (CytoNet) para predizer simultaneamente LNM e sobrevida livre de doença (DFS) no câncer de bexiga, e avaliar sua generalizabilidade nos cânceres de colo do útero e de tireoide. O estudo incluiu uma coorte multicêntrica de 5273 pacientes, com câncer de bexiga (n = 1134), câncer de colo do útero (n = 598) e câncer de tireoide (n = 3541). A CytoNet foi construída por meio de um pipeline de três estágios compreendendo pré-treinamento autossupervisionado, ajuste fino supervisionado e predição multitarefas. No câncer de bexiga, a CytoNet alcançou uma área sob a curva (AUC) de 0.831‐0.881 para predição de LNM e um índice C de 0.680‐0.710 para predição de DFS em todas as coortes, superando modelos de tarefa única e avaliações radiológicas padrão. No câncer de colo do útero, a CytoNet demonstrou desempenho robusto tanto para predição de LNM (AUC 0.847‐0.862) quanto para predição de DFS (índice C 0.690‐0.709), enquanto no câncer de tireoide alcançou uma AUC de 0.819‐0.855 para predição de LNM. Em conclusão, a CytoNet representa uma ferramenta confiável para predizer LNM e prognóstico a partir de imagens citopatológicas em múltiplos tipos de câncer, mostrando potencial como um recurso valioso de apoio à atual tomada de decisão clínica. São necessárias mais validações prospectivas para avaliar sua utilidade clínica.
FI equivalente do periódico: 9.5 (média de citações em 2 anos do OpenAlex, valor de 2026-10-18, recuperado em 2026-10-19; não é o FI oficial da Clarivate)Referência: Hong G, Jiang F, Xie Y, Huang X, Shen R, Wang Y, et al. Modelo de aprendizado profundo multitarefa para prever metástase linfonodal e sobrevida livre de doença a partir de imagens citológicas no câncer de bexiga: um estudo multicêntrico com validação pan-citológica. Advanced Science. 2026 Oct 21 [Epub ahead of print]. doi:10.1002/advs.76577.Verificado: Somente o resumo
Ver todos os 1 artigos sobre Bexiga →