ИИ и исследования рака ── 2026-10-15
Новые статьи о раке и ИИ, собранные из журнальных лент, PubMed (поиск по всем журналам) и OpenAlex (открытый индекс, используемый вместо Google Scholar), оцененные Jev (ИИ, выносящим языковые суждения): оригинальное исследование, ИИ в центре работы, какая из 13 тем, лечение или испытания, а затем ранжированные по важности в пределах суточного лимита. Журналы не фильтруются по импакт-фактору; для каждой статьи указан эквивалент IF её журнала (двухлетняя средняя цитируемость OpenAlex) и дата этого значения. В каждой записи приведена полная оригинальная аннотация.
Читайте по типу рака: Биология рака（1） · Грудь（2） · Лёгкие（2） · Поджелудочная железа（0） · Предстательная железа（0） · ACC（0） · Мозг（2） · Яичники（0） · Эндометрий（0） · Желудок（0） · Печень（1） · Почки（0） · Мочевой пузырь（0）
Молекулярная биология рака и ИИ
- Аннотация
Точное прогнозирование послеоперационного рецидива необходимо для индивидуализации лечения и планирования наблюдения у пациентов с уротелиальной карциномой верхних мочевыводящих путей (UTUC). Однако надёжная стратификация риска остаётся сложной задачей из-за неоднородности характеристик изображений и клинической информации. В данной работе мы предлагаем мультимодальную систему поддержки принятия клинических решений, которая объединяет изображения компьютерной томографии (КТ) с контрастным усилением и рутинно доступные клинические переменные для прогнозирования послеоперационного рецидива. Предлагаемая система использует стратегию совместного обучения на изображениях и клинических данных, чтобы усилить семантическое соответствие между визуальными представлениями и клиническим контекстом конкретного пациента. Признаки изображений направляются клинически обоснованными семантическими подсказками, а механизм динамического слияния адаптивно балансирует вклад разных модальностей. Такая конструкция обеспечивает надёжное мультимодальное взаимодействие и улучшает индивидуальную оценку риска. Система оценивалась на ретроспективной когорте UTUC из 160 пациентов, получавших лечение в 2016–2023 годах, включая 59 случаев рецидива и 101 случай без рецидива. Результаты экспериментов показывают, что предлагаемый метод достигает площади под ROC-кривой (AUC), равной 0.87, и превосходит по эффективности традиционные модели на основе свёрточных нейронных сетей и репрезентативные мультимодальные базовые модели. Качественный анализ также указывает на лучшее соответствие между паттернами изображений и клиническими факторами и даёт интерпретируемые выводы с помощью визуализации на основе механизма внимания. Эти результаты позволяют предположить, что предлагаемая мультимодальная система является потенциальным подходом к стратификации риска послеоперационного рецидива UTUC и может способствовать принятию клинических решений и адаптированному к риску послеоперационному ведению.
Эквивалент IF журнала: 3.9 (среднее двухлетнее цитирование по OpenAlex, значение на 2026-10-13, получено 2026-10-15; не официальный IF от Clarivate)Справка: Liu D, Zhao T, Zhang S, Fang L. CLIP-CGPNet: мультимодальная система поддержки клинических решений для прогнозирования рецидива UTUC после операции. J Digit Imaging Inform med. 2026 Oct 13 [Epub до выхода в печать]. doi:10.1007/s10278-026-02358-4.Проверено: Только аннотация
Посмотреть все статьи по биологии рака: 1 →
Рак молочной железы: лечение, исследования и ИИ
- Аннотация
Дооперационное молекулярное субтипирование рака молочной железы необходимо для выбора лечения и оценки прогноза, однако большинство подходов глубокого обучения формулируют предсказание подтипа как обычную плоскую многоклассовую задачу, не отражающую последовательный процесс принятия клинических решений. Мы разработали HCF-Net — иерархическую каскадную сеть слияния, которая разбивает предсказание подтипа на три клинически обоснованных бинарных узла принятия решений и объединяет многофазную DCE-MRI с клинико-радиологической информацией. Модель была ретроспективно разработана и валидирована на двухцентровой когорте из 373 женщин, которым выполнялась дооперационная многофазная DCE-MRI на аппарате 3.0 T. На независимой тестовой выборке (n = 75) HCF-Net достигла Macro-AUC 0.868 (95% ДИ, 0.806-0.923), точности 73.3%, Macro-F1 0.732 и каппы Коэна 0.631. Модель слияния неизменно показывала наивысшую AUC во всех трёх иерархических узлах принятия решений: 0.890 для люминальных и нелюминальных опухолей, 0.865 для опухолей Luminal A и Luminal B и 0.974 для HER2-обогащённых и трижды негативных опухолей. Тот же порядок стратегий классификации наблюдался и с базовой архитектурой ConvNeXt-Tiny. По сравнению с обычными стратегиями плоской классификации иерархическая каскадная декомпозиция и слияние на уровне решений обеспечили существенный прирост производительности. Эти результаты позволяют предположить, что иерархическая структура слияния, согласованная с клиническими путями принятия решений, может стать эффективным и интерпретируемым подходом к дооперационному предсказанию молекулярного подтипа рака молочной железы.
Эквивалент IF журнала: 3.9 (среднее двухлетнее цитирование по OpenAlex, значение на 2026-10-13, получено 2026-10-15; не официальный IF от Clarivate)Справка: Chen Y, Hu L, Hou J, Xie Y, Nie S, Jiang Y, et al. HCF-Net: иерархическая каскадная сеть слияния, согласованная с клиническими путями лечения, для предоперационного молекулярного подтипирования рака молочной железы по данным динамической контрастной МРТ. J Digit Imaging Inform med. 2026 Oct 13 [Epub ahead of print]. doi:10.1007/s10278-026-02331-1.Проверено: Только аннотация - Аннотация
Радиомика хабитатов описывает текстуру внутри субрегионов опухоли, но не учитывает пространственные взаимосвязи между ними. Мы разработали основанную на идеях ландшафтной экологии систему, которая количественно оценивает межхабитатную пространственную структуру на DCE-MRI, оценили её дополнительную ценность наряду с внутрихабитатной радиомикой и сравнили раннее и позднее слияние, используя в качестве оценочной задачи прогнозирование метастазирования в подмышечные лимфатические узлы (ALNM). В этом многоцентровом ретроспективном исследовании 284 пациента из одного центра были случайным образом разделены на обучающую (n = 198) и валидационную (n = 86) когорты, а 120 пациентов из независимого учреждения составили внешнюю тестовую выборку. Опухоли были разделены на шесть хабитатов методом кластеризации k-средних по 19 вокселным текстурным дескрипторам, при этом центроиды определялись исключительно по обучающей когорте. Были сформированы три группы признаков: 8 клинических параметров, 642 признака внутрихабитатной радиомики и 94 признака межхабитатной пространственной структуры, охватывающих фрагментацию (n = 30), морфологию (n = 24), межхабитатный контакт (n = 15), межхабитатное расстояние (n = 15), соотношение площадей (n = 6) и разнообразие (n = 4). На внешней тестовой выборке последовательное слияние давало постепенный прирост AUC: только клинические данные — 0.754, плюс внутрихабитатная радиомика — 0.843, плюс межхабитатная пространственная структура — 0.863 (95% ДИ 0.792-0.934). Полная модель раннего слияния достигла более высокого AUC, чем модели только с клиническими данными (DeLong P = 0.011) и только с пространственной структурой (P = 0.044); раннее слияние дало численно более высокий AUC, чем позднее, но без достижения значимости (0.863 против 0.851, P = 0.636). Две однодоменные визуализационные модели статистически не различались (0.817 против 0.784, P = 0.512). Межхабитатная пространственная структура отражает организацию опухоли, которую упускает обычная радиомика хабитатов, и даёт дополнительную информацию для дооперационного прогнозирования ALNM.
Эквивалент IF журнала: 3.9 (среднее двухлетнее цитирование по OpenAlex, значение на 2026-10-13, получено 2026-10-15; не официальный IF от Clarivate)Справка: Liu P, Wang P, Zou X, Zhang Q, Wang W. От внутри- к межхабитатному анализу: признаки пространственной структуры для прогнозирования метастазов в подмышечные лимфатические узлы по данным DCE-МРТ молочной железы. J Digit Imaging Inform med. 2026 Oct 13 [Epub до выхода в печать]. doi:10.1007/s10278-026-02384-2.Проверено: Только аннотация
Посмотреть все статьи по груди: 2 →
Рак лёгкого: лечение, исследования и ИИ
- Аннотация
ВВЕДЕНИЕ: Лёгочная муцинозная аденокарцинома (ЛМА) представляет собой редкий подтип аденокарциномы лёгкого, для которого характерно отсутствие всеобъемлющей патологической классификации и прогностических факторов. В данном исследовании мы предлагаем мультимодальную框架 машинного обучения (МО), объединяющую несколько модальностей данных для улучшения классификации подтипов ЛМА и прогнозирования исхода. МЕТОДЫ: В это ретроспективное исследование были включены 175 случаев первичной ЛМА с данными о демографических характеристиках, гистопатологии, компьютерной томографии (КТ) и мутациях гена рецептора эпидермального фактора роста ( EGFR ). Для гистологической классификации использовалась логистическая регрессия с LASSO-регуляризацией (оператор наименьшего абсолютного сжатия и отбора), а для прогнозирования выживаемости — модель пропорциональных рисков Кокса с внутренней валидацией. РЕЗУЛЬТАТЫ: Чистая муцинозная аденокарцинома характеризовалась более высокой распространённостью меньшего рентгенологического или патологического размера опухоли, локализации в нижней доле, более низкой частоты метастазирования в лимфатические узлы и распространения по воздушным пространствам (STAS), ранней патологической стадии, уровня раково-эмбрионального антигена (РЭА) ≤5 нг/мл, спикулообразного края, низкой экспрессии Ki-67 и более низкой частоты делеции в экзоне 19 гена EGFR (P=0,002, 0,003, делеция в экзоне 19 гена EGFR как независимые прогностические факторы при ЛМА (P=0,04, 0,049 соответственно). Кроме того, кривые Каплана — Мейера показали значимо различающиеся исходы между группами низкого и высокого риска, стратифицированными по баллам номограммы (P<0,001). ВЫВОДЫ: Лёгочная чистая муцинозная аденокарцинома демонстрировала более низкую злокачественность по сравнению со смешанным муцинозным и муцин-секретирующим типом. Номограмма, разработанная и валидированная в данном исследовании, показала многообещающую эффективность в предоперационном прогнозировании гистологического подтипа и выживаемости пациентов с ЛМА, предоставляя ориентир для клиницистов при диагностике и прогнозировании исхода.
Эквивалент IF журнала: 1.4 (среднее двухлетнее цитирование по OpenAlex, значение на 2026-10-13, получено 2026-10-15; не официальный IF от Clarivate)Справка: Yang W, Chen C, Li L, Chen Z, Chen Z, Le H, et al. Интеграция мультимодальных данных для точного субтипирования и прогнозирования у пациентов с муцинозной аденокарциномой лёгкого. Transl Cancer Res. 2026 Sep;15(9):708-8. doi:10.21037/tcr-2026-1241.Проверено: Только аннотация - Аннотация
ПРЕДПОСЫЛКИ: Метастазирование в головной мозг остаётся важной клинической проблемой у пациентов с мелкоклеточным раком лёгкого (МРЛ), даже после профилактического облучения головного мозга (ПОГМ). Точное выявление пациентов с высоким риском метастазов в головной мозг после ПОГМ может способствовать индивидуализированному наблюдению и ведению. В данном исследовании разработана комплексная модель, основанная на двух с половиной мерных (2.5D) многоканальных признаках глубокого обучения, клинических признаках и радиомических признаках, для прогнозирования того, разовьются ли у пациентов с МРЛ метастазы в головной мозг после ПОГМ. МЕТОДЫ: В это ретроспективное исследование были включены 185 пациентов с МРЛ, которым проводилось ПОГМ; они были случайным образом разделены на обучающую выборку (N=148) и тестовую выборку (N=37). Была построена 2.5D многоканальная сверточная нейронная сеть (CNN) на основе многоплоскостных областей интереса (ROI), полученных из КТ-изображений, для извлечения 2.5D признаков глубокого обучения. На основе наибольшего поперечного сечения и трёхмерного (3D) объёма ROI опухоли были извлечены двумерные (2D) и 3D признаки глубокого обучения соответственно. Затем признаки разных размерностей были объединены с клиническими признаками и традиционными омиксными признаками для построения моделей 2D_clinic_Rad, 2.5D_clinic_Rad и 3D_clinic_Rad соответственно. После этого были сопоставлены различия в эффективности между 3D-моделями и клиническими и традиционными радиомическими моделями. РЕЗУЛЬТАТЫ: Комплексная модель 2.5D_clinic_Rad показала наилучшую эффективность в прогнозировании метастазов в головной мозг, достигнув площади под кривой (AUC) 0.841 на тестовой выборке и превзойдя клинические модели, традиционные радиомические модели, а также комплексные модели 2D и 3D глубокого обучения. Анализ кривых решений и калибровочных кривых показал, что модель 2.5D_clinic_Rad продемонстрировала наибольшую клиническую чистую пользу и наилучшую согласованность калибровки по сравнению с другими моделями. ВЫВОДЫ: Комплексная модель на основе 2.5D_clinic_Rad позволяет эффективно прогнозировать риск метастазов в головной мозг у пациентов с МРЛ после профилактического облучения всего головного мозга.
Эквивалент IF журнала: 2.5 (среднее двухлетнее цитирование по OpenAlex, значение на 2026-10-13, получено 2026-10-15; не официальный IF от Clarivate)Справка: Zhang X, Zhao L, Wang J, Zhang X, Liang X, Cao W, и др. Интерпретируемое глубокое обучение и радиомика для прогнозирования возникновения метастазов в головной мозг после профилактического облучения головного мозга при мелкоклеточном раке лёгкого. Transl Lung Cancer Res. 2026 Sep;15(9):281-1. doi:10.21037/tlcr-2026-0708.Проверено: Только аннотация
Посмотреть все статьи по лёгким: 2 →
Рак поджелудочной железы: лечение, испытания и ИИ
Нового подходящего исследования для этого выпуска нет.
Рак предстательной железы: лечение, исследования и ИИ
Нового подходящего исследования для этого выпуска нет.
Аденокистозная карцинома: лечение, исследования и ИИ
Нового подходящего исследования для этого выпуска нет.
Опухоли мозга: лечение, исследования и ИИ
- Аннотация
Ответ глиобластомы (GBM) на лечение крайне неоднороден. Прогнозирование исходов по дотерапевтической МРТ — важная нерешённая задача, однако клиническому внедрению моделей глубокого обучения (DL) типа «чёрный ящик» препятствует недостаток прозрачности. Для обеспечения клинического доверия по-прежнему необходимо разработать надёжные и целостные системы валидации. Для анализа ранее разработанной модели глубокого обучения, обученной прогнозировать общую выживаемость при GBM, использовался многоуровневый конвейер объяснимого ИИ (XAI). Во-первых, качественно и количественно анализировался визуальный фокус модели. Во-вторых, зависимость модели от признаков оценивалась количественно с помощью исследований абляции входных данных. В-третьих, глубина, на которой информация о классе становится декодируемой, прослеживалась с помощью линейного зондирования внутренних представлений. Наконец, клиническое влияние ИИ и его объяснений оценивалось в исследовании с несколькими экспертами и несколькими случаями (37 пациентов, 4 эксперта, 3 фазы, 444 наблюдения) с использованием обобщённых оценочных уравнений (GEE) и кластерного бутстрепа. Анализ выявил эвристику высокой интенсивности: гиперинтенсивные пиксели на периферии черепа служили опорой для прогнозов «Долгосрочная выживаемость», тогда как при их отсутствии модель по умолчанию выдавала «Краткосрочная выживаемость» на основании усиления опухоли. Исследование абляции подтвердило эту зависимость, а линейное зондирование указывало в том же направлении. В клиническом исследовании помощь ИИ значимо повышала точность экспертов (OR 1.598, p < 0.01), не завышая искусственно их уверенность (p = 0.561). Важно, что добавление тепловых карт XAI было связано с изменением того, как эксперты использовали оценку ИИ (взаимодействие p < 0.01), и с меньшим числом пациентов, ошибочно отнесённых к долгосрочно выживающим. Высокая прогностическая точность может маскировать опору на низкоуровневые эвристики интенсивности. Хотя поверхностная интерпретация карт значимости опасна, многоуровневые аудиты выявляют такие «короткие пути». Клинически пространственные тепловые карты были связаны с повышением диагностической точности экспертов и сдвигом в стратегии принятия решений.
Эквивалент IF журнала: 3.9 (среднее двухлетнее цитирование по OpenAlex, значение на 2026-10-13, получено 2026-10-15; не официальный IF от Clarivate)Справка: 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.Проверено: Только аннотация - Аннотация
ВВЕДЕНИЕ: Высокая экспрессия CD9 достоверно связана с более короткой общей выживаемостью (ОВ) у пациентов с диффузными глиомами взрослого типа (ДГВТ). Одновременно скрининг лекарственных препаратов выявил эметин как потенциальное средство таргетной терапии глиом с высокой экспрессией CD9, что указывает на возможность использования CD9 в качестве нового биомаркера, способного изменить диагностику и лечение глиом. Целью данного исследования была разработка модели прогнозирования на основе искусственного интеллекта, использующей дооперационные изображения магнитно-резонансной томографии (МРТ), для облегчения ранней идентификации высокой экспрессии CD9 у пациентов с ДГВТ. МЕТОДЫ: Мы ретроспективно собрали данные об экспрессии CD9 у 262 пациентов с ДГВТ из когорт The Cancer Genome Atlas (TCGA) и Chinese Glioma Genome Atlas (CGGA). На основе дооперационных МРТ-последовательностей [Т1-взвешенные изображения с контрастным усилением (CET1) и Т2-взвешенные изображения (T2WI)] с помощью алгоритма кластеризации K-means были извлечены признаки Habitat, а также радиомические признаки. Кроме того, на основе архитектур нейронных сетей, включая ResNet101, DenseNet121 и SimpleViT, были построены многоканальные 2,5-мерные данные глубокого обучения (2.5D_DL) и извлечены признаки DL. Для построения отдельных прогностических моделей Radiomics, Habitat и 2.5D_DL использовались семь классификаторов. Затем с помощью стратегии ансамблевого объединения была разработана модель Stacking для прогнозирования высокой экспрессии CD9. Эффективность моделей оценивалась с помощью кривых операционных характеристик (ROC), а клиническая эффективность — с помощью анализа кривых решений (DCA). Для изучения интерпретации моделей и повышения прозрачности прогнозов машинного обучения был проведён анализ Shapley Additive Explanations (SHAP). Кроме того, пациенты были стратифицированы на группы высокого и низкого риска на основе баллов модели Stacking, а различия в выживаемости сравнивались с помощью анализа Каплана — Мейера и лог-рангового критерия. РЕЗУЛЬТАТЫ: Модель Habitat показала более высокие значения ROC-кривой [площадь под ROC-кривой (AUC)], чем модель Radiomics. Среди многоканальных моделей 2.5D_DL модель SimpleViT продемонстрировала несколько лучшую эффективность, чем модели на основе свёрточных нейронных сетей (CNN) (ResNet101 и DenseNet121). Итоговая модель Stacking, объединившая результаты моделей Habitat, Radiomics и 2.5D_DL, показала наиболее высокие значения AUC. AUC достигла 0,999, 0,822 и 0,728 в обучающей, валидационной и тестовой выборках соответственно. Тест ДеЛонга подтвердил статистически значимые различия значений AUC между моделями в обучающей выборке, но в остальных выборках статистически значимых различий не наблюдалось. Кроме того, с помощью DCA было подтверждено повышение чистой клинической пользы этой интегрированной модели в более широком диапазоне пороговых значений риска. Прогностическая стратификация с помощью модели Stacking выявила значимые различия в исходах выживаемости между группами высокого и низкого риска. ВЫВОДЫ: Модель Stacking на основе дооперационной МРТ эффективно выявляет среди пациентов с ДГВТ тех, у кого экспрессия CD9 высока, и стратифицирует риск пациентов, обеспечивая поддержку при принятии клинических терапевтических решений и индивидуальной оценке прогноза. Для подтверждения прогностической эффективности и обобщаемости этой модели по-прежнему необходимы проспективные многоцентровые данные.
Эквивалент IF журнала: 1.4 (среднее двухлетнее цитирование по OpenAlex, значение на 2026-10-13, получено 2026-10-15; не официальный IF от Clarivate)Справка: 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.Проверено: Только аннотация
Посмотреть все статьи по мозгу: 2 →
Рак яичников: лечение, исследования и ИИ
Нового подходящего исследования для этого выпуска нет.
Рак эндометрия: лечение, клинические испытания и ИИ
Нового подходящего исследования для этого выпуска нет.
Рак желудка: лечение, исследования и ИИ
Нового подходящего исследования для этого выпуска нет.
Рак печени: лечение, исследования и ИИ
- Аннотация
ПРЕДПОСЫЛКИ: Гепатоцеллюлярная карцинома (ГЦК) является одной из ведущих причин смертности от рака во всём мире, а мутация TP53 выступает в роли стволовой мутации, способствующей прогрессированию опухоли. Однако в настоящее время статус мутации TP53 можно определить только с помощью инвазивной биопсии печени. В данном исследовании мультирегиональные радиомические признаки, полученные при магнитно-резонансной томографии (МРТ), применяются для прогнозирования ГЦК с мутацией P53 и предлагается неинвазивный инструмент для выявления этого агрессивного подтипа. МЕТОДЫ: В этом ретроспективном исследовании были проанализированы данные 320 пациентов, которым была выполнена предоперационная МРТ; они были разделены на обучающую когорту (ОК; n=224) и валидационную когорту (ВК; n=96). Клинические факторы риска были выявлены с помощью пошаговой регрессии для построения прогностических моделей. Мы оценили три классификатора машинного обучения на шести МРТ-последовательностях, а метод наименьшего абсолютного сжатия и отбора (LASSO) был применён для выбора наилучшей модели слияния IntraPeri из четырёх областей (вся опухоль, IntraPeri_9mm, IntraPeri_11mm и IntraPeri_13mm) с целью построения радиомической модели. Прогностическая номограмма для ГЦК с мутацией P53 объединяла эти клинические предикторы с дискриминативными радиомическими признаками, а её эффективность оценивалась с помощью ROC-анализа, калибровки и кривых решений. РЕЗУЛЬТАТЫ: Среди 320 пациентов (259 мужчин и 61 женщина; средний возраст 58,25±11,51 года) у 183 была ГЦК с мутацией P53, а у 137 — ГЦК без мутации P53. Наибольший диаметр опухоли (LTD), степень по Эдмондсону—Штейнеру и ободковая гиперинтенсивность в артериальной фазе были определены как независимые предикторы ГЦК с мутацией P53. Классификатор ExtraTrees, основанный на радиомических признаках оптимальной МРТ-последовательности [T1-взвешенное изображение в артериальной фазе (T1WI-AP)] в области IntraPeri_11mm, показал высокую прогностическую точность [площадь под кривой (AUC) ОК =0,805; AUC ВК =0,660]. Прогностическая номограмма, объединяющая клинические и радиомические признаки, продемонстрировала отличную эффективность как в ОК [AUC =0,815; 95% доверительный интервал (ДИ): 0,758-0,872], так и в ВК (AUC =0,802; 95% ДИ: 0,713-0,890). Анализ кривых решений дополнительно подтвердил её клиническую пользу. ВЫВОДЫ: Номограмма, сочетающая клиническую модель с радиомикой IntraPeri_11mm, может служить эффективным предиктором предоперационного статуса мутации P53 при ГЦК.
Эквивалент IF журнала: 1.4 (среднее двухлетнее цитирование по OpenAlex, значение на 2026-10-13, получено 2026-10-15; не официальный IF от Clarivate)Справка: Weng J, Yao D, Zeng Q, He Y, Yang C, Yang B. Радиомика на основе магнитно-резонансной томографии для прогнозирования P53-мутированной гепатоцеллюлярной карциномы: внутриопухолевый и перитуморальный анализ. Transl Cancer Res. 2026 Sep;15(9):709-9. doi:10.21037/tcr-2026-1579.Проверено: Только аннотация
Посмотреть все статьи по печени: 1 →
Рак почки: лечение, исследования и ИИ
Нового подходящего исследования для этого выпуска нет.
Рак мочевого пузыря: лечение, исследования и ИИ
Нового подходящего исследования для этого выпуска нет.