ИИ и онкологические исследования ── 2026-10-25
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（4） · Молочная железа（4） · Лёгкие（4） · Поджелудочная железа（0） · Предстательная железа（0） · ACC（0） · Головной мозг（1） · Яичники（0） · Эндометриальный（1） · Желудок（1） · Печень（4） · Почки（0） · Мочевой пузырь（1）
Молекулярная биология рака и ИИ
- Аннотация
Диагностическая визуализация — одно из наиболее перспективных клинических применений алгоритмов искусственного интеллекта (ИИ). Целью данного исследования была оценка модифицированной свёрточной нейронной сети (CNN) SepNetDense для различения нормальных и патологических магнитно-резонансных изображений (МРТ) головного мозга собак с целью повышения эффективности диагностики и помощи рентгенологам в выявлении патологических изображений. Набор данных включал T1-взвешенные (T1w) последовательности до и после контрастирования в трансверсальной, сагиттальной и дорсальной плоскостях от 550 собак, собранные в четырёх университетах. В исследование включали собак с полным клиническим диагнозом, подтверждённым либо путём гистопатологии, либо в соответствии с действующим клиническим консенсусом. Пациенты были случайным образом разделены на обучающую выборку (n = 444), валидационную выборку (n = 53) и тестовую выборку (n = 53). Каждое МРТ-исследование было размечено послойно как нормальное или патологическое. Модель обучали на 205 наборах данных с нормальными изображениями (например, экстракраниальные этиологии, идиопатическая эпилепсия, пароксизмальная дискинезия) и 239 наборах с патологическими (например, новообразования, воспалительные поражения, другие патологии). Модель правильно предсказала как нормальные 74% истинно нормальных срезов в тестовой выборке и как патологические — 73% истинно патологических. ROC-анализ предсказаний модели на уровне пациентов показал, что при пороге в 51% патологических срезов на пациента модель достигла оптимального баланса: 83% чувствительности (95% ДИ 67–91%) и 78% специфичности (95% ДИ 54–91%) при сбалансированной точности 80% (95% ДИ 69–92%). ANCOVA показала, что на качество классификации CNN влияли многочисленные биологические, технические и институциональные факторы. Диагноз поражения, институциональные условия и размер породы имели значительный большой эффект, тогда как масса тела показала значительный средний эффект. Значимые взаимодействия с большим размером эффекта также наблюдались между диагнозом и институтом, а также между размером породы и массой. Кроме того, было выявлено отчётливое распределение категорий предсказаний вдоль анатомических осей с тенденцией к лучшей работе CNN в центральных квартилях для всех МРТ-последовательностей. В целом результаты демонстрируют осуществимость триажа МРТ-исследований головного мозга собак с помощью CNN и указывают на диагноз, институциональные условия, размер породы и массу тела как на ключевые детерминанты качества модели, подчёркивая важность гетерогенных наборов данных для разработки надёжных ветеринарных ИИ-приложений.
Эквивалент импакт-фактора журнала: 5.2 (средняя цитируемость за 2 года по OpenAlex, значение на 2026-10-04, получено 2026-10-05; не официальный IF Clarivate)Справка: Abani S, Laue M, Dickinson PJ, De Decker S, Gutierrez-Quintana R, Ghiasvand S, et al. Классификация изображений аномалий головного мозга собак на МРТ с помощью модели CNN. Sci Rep. 2026 Oct 23;16(1):33913. doi:10.1038/s41598-026-71470-w.Проверено: Только аннотация - Аннотация
Две из наиболее тяжёлых форм неврологических патологий, лечение которых возможно только при постановке диагноза с высокой степенью точности с помощью МРТ, — это опухоли головного мозга и болезнь Альцгеймера (БА).Рассматриваемый проект опирается на несбалансированные наборы данных МРТ и обращается к технике синтетического увеличения числа примеров класса-меньшинства (SMOTE) для улучшения процесса классификации.Были задействованы несколько моделей машинного и глубокого обучения, включая RF, SVM, Voting Classifier, CNN, VGG16, ResNet50 и Inception V3, а также AlexNet с LSTM, Xception и новую объяснимую CNN с механизмом внимания, расширенную Transformer и LSTM (TLEABLCNN).Модель TLEABLCNN стабильно показывала результаты лучше своих базовых моделей с точностью классификации 96.1% в Сценарии A, 97.4% в Сценарии B и 98.2% в Сценарии C. Она также продемонстрировала превосходные макро-точность, полноту и оценки F1.Для выявления аномалий в головном мозге применялись модели распознавания объектов YOLOv5, YOLOv8, YOLOv9 и YOLOv11.YOLOv9 показал наилучшую среднюю точность (mAP) — 91.5%.YOLOv8 достиг наилучшей точности — 91.8%.Кроме того, с помощью методов объяснимого ИИ (XAI), таких как тепловые карты, создавались тепловые карты, которые выявляли наиболее значимые участки МРТ-снимков, влиявшие на предсказания модели.Это упростило интерпретацию результатов и повысило профессиональное доверие.Эти результаты свидетельствуют о силе данного фреймворка в выявлении патологий головного мозга, поддающихся объяснению.
Эквивалент импакт-фактора журнала: 0.0 (средняя цитируемость за 2 года по OpenAlex, значение на 2026-10-07, получено 2026-10-08; не официальный IF Clarivate)Справка: [Авторы не указаны]. TLEABLCNN: выявление заболеваний мозга и болезни Альцгеймера с использованием глубокого объяснимого обучения на основе механизма внимания и SMOTE на несбалансированных МРТ головного мозга. IJDDT. 2026 Oct 22;16(76s). doi:10.25258/ijddt.16.76s.161.Проверено: Только аннотация
Смотреть все 4 статьи по биологии рака →
Рак молочной железы: лечение, исследования и ИИ
- Аннотация
Опухоль-инфильтрирующие лимфоциты (TIL) являются биомаркерами иммунного микроокружения рака молочной железы, ассоциированными с ответом на лечение и прогнозом, однако их оценка главным образом опирается на гистопатологию хирургического материала. Целью работы было разработать и валидировать предоперационную модель, сочетающую мультифазную радиомику опухолевой и периопухолевой зон по данным DCE-МРТ с традиционными признаками для прогнозирования уровня TIL. В это ретроспективное двухцентровое исследование были включены 495 пациентов, которым выполнялась предоперационная DCE-МРТ молочной железы с последующей хирургической резекцией в качестве первичного лечения. Уровень TIL оценивался на хирургических образцах с использованием заранее заданного порога 10%, обычно применявшегося в предыдущих исследованиях TIL на основе МРТ молочной железы. Радиомические признаки опухолевой и 3-мм периопухолевой зон по шести фазам DCE-МРТ были объединены с клиническими, семантическими МРТ-признаками и признаками, полученными из биопсии. Эффективность моделей оценивалась по дискриминации, калибровке, добавочной ценности и клинической полезности, а для оценки вклада признаков использовался анализ SHAP (Shapley additive explanations). Комбинированная модель достигла AUC 0.882 (95% доверительный интервал [ДИ]: 0.840–0.920), 0.777 (95% ДИ: 0.672–0.866) и 0.738 (95% ДИ: 0.637–0.826) на обучающей, внутренней валидационной и внешней валидационной выборках соответственно. При внешней валидации комбинированная модель продемонстрировала значимое улучшение интегрированной дискриминации (IDI) по сравнению с традиционной моделью (IDI = 0.105, P = 0.005) и опухолево-периопухолевой моделью (IDI = 0.098, P = 0.001). Анализ кривых принятия решений показал более высокую чистую выгоду при большинстве оцененных пороговых вероятностей. Анализ SHAP выявил периопухолевые радиомические признаки поздних фаз как доминирующие предиктивные факторы для оценки TIL. Интеграция мультифазной радиомики опухолевой и периопухолевой зон по данным DCE-МРТ с традиционными предоперационными признаками показала потенциал для прогнозирования уровня TIL, при этом доминирующую роль в предсказательной эффективности играли периопухолевые признаки поздних фаз. Эта модель представляет собой перспективный предоперационный инструмент для иммунологической стратификации риска и планирования индивидуализированного мультидисциплинарного лечения.
Эквивалент импакт-фактора журнала: 3.8 (средняя цитируемость за 2 года по OpenAlex, значение на 2026-10-02, получено 2026-10-03; не официальный IF Clarivate)Справка: Yang W, Chen M, Cui Y, Xu W, Tian W, Jiang Y и др. Предоперационное прогнозирование уровня опухоль-инфильтрирующих лимфоцитов при раке молочной железы на основе мультифазовой опухолево–перитуморальной радиомики DCE-MRI и конвенциональных признаков. BMC Med Imaging. 2026 23 окт [Электронная публикация перед печатью]. doi:10.1186/s12880-026-02930-y.Проверено: Только аннотация - Аннотация
Предпосылки: Точное выявление остаточного поражения подмышечных лимфатических узлов (ALN) после неоадъювантной химиотерапии (NAC) имеет решающее значение для планирования лечения и оценки возможной хирургической деэскалации. Мы оценили диагностическую эффективность стандартного ультразвукового исследования (УЗИ), сдвиговолновой эластографии (SWE), искусственного интеллекта (ИИ)/радиомики и мультимодальных моделей на основе ультразвука для повторного стадирования подмышечных лимфоузлов после NAC.
Методы: В PubMed, Embase, Cochrane Library и Web of Science поиск проводился с момента создания баз по декабрь 2025 года. Референсным стандартом служила гистопатология после операции на подмышечных лимфатических узлах, а остаточное заболевание подмышечных лимфоузлов (ypN+) единообразно определялось как положительное целевое состояние. Таблицы 2×2 на уровне исследований были гармонизированы в соответствии с этим направлением. Риск систематической ошибки и применимость оценивались с помощью инструмента Quality Assessment of Diagnostic Accuracy Studies-2 (QUADAS-2). Для групп модальностей с достаточным числом независимых исследований использовались бивариантные модели случайных эффектов и иерархические суммарные ROC-кривые (HSROC); положительное отношение правдоподобия (PLR) и отрицательное отношение правдоподобия (NLR) объединялись с помощью моделей случайных эффектов. Потенциально пересекающиеся когорты были изучены в анализе чувствительности. Протокол исследования был зарегистрирован в PROSPERO (International Prospective Register of Systematic Reviews; регистрационный номер CRD420251271199).
Результаты: В систематический обзор было включено в общей сложности 14 статей, 10 из которых предоставили 12 наборов данных уровня тестов для количественного синтеза. Для обычного УЗИ (шесть исследований) объединенная чувствительность составила 0.55 [95% доверительный интервал (ДИ): 0.36–0.73], объединенная специфичность — 0.79 (95% ДИ: 0.73–0.84), площадь под кривой HSROC (AUC) — 0.78, а объединенные PLR и NLR составили соответственно 2.47 (95% ДИ: 1.42–4.28) и 0.54 (95% ДИ: 0.30–0.95). Модели ИИ/радиомики (три исследования) показали объединенную чувствительность 0.93 (95% ДИ: 0.80–0.98), специфичность 0.82 (95% ДИ: 0.60–0.94) и AUC 0.94; однако доверительные интервалы отношений правдоподобия были широкими, а оценка ковариации бивариантной модели достигла границы. Данные по SWE ограничивались двумя потенциально пересекающимися публикациями, и лишь в одном исследовании мультимодальной комбинированной модели имелась полная гармонизированная таблица 2×2. При претестовой вероятности 40% отрицательный результат обычного УЗИ снижал посттестовую вероятность остаточного поражения лимфатических узлов примерно до 26%.
Выводы: Одного обычного УЗИ недостаточно для надёжного исключения остаточного поражения подмышечных лимфоузлов после NAC. Подходы с ИИ/радиомикой демонстрируют многообещающую диагностическую эффективность, но доказательства этого скудны, разнородны и неточны. Имеющиеся на сегодня данные не поддерживают ни окончательного ранжирования методов, ни отказа от операции на подмышечных лимфоузлах на основании только визуализации; требуются проспективная многоцентровая внешняя валидация.
Эквивалент импакт-фактора журнала: 1.9 (средняя цитируемость за 2 года по OpenAlex, значение на 2026-10-12, получено 2026-10-13; не официальный IF Clarivate)Справка: Liu T, He Y, Yuan X, Wang J, Liu Y, Cao C, et al. Диагностическая точность методов визуализации на основе ультразвука для оценки остаточного поражения подмышечных лимфатических узлов после неоадъювантной химиотерапии у пациенток с раком молочной железы: систематический обзор и метаанализ. Quant Imaging Med Surg. 2026 Nov;16(11):868-8. doi:10.21037/qims-2026-1427.Проверено: Только аннотация
Смотреть все 4 статьи по молочной железе →
Рак лёгкого: лечение, исследования и ИИ
- Аннотация
Предпосылки: Лёгочные нейроэндокринные карциномы (pNEC) — это редкая и гетерогенная группа злокачественных новообразований: от карциноидов низкой степени злокачественности до мелкоклеточного рака лёгкого (SCLC) и крупноклеточной нейроэндокринной карциномы (LCNEC) высокой степени злокачественности. Прогностические инструменты для этих опухолей немногочисленны и редко проходили валидацию на внешних когортах.
Цели: Целью этого исследования было разработать основанную на архитектуре Transformer прогностическую модель для pNEC и провести ее валидацию на независимой внешней когорте, чтобы улучшить оценку выживаемости и поддержать индивидуализированные решения о лечении.
Методы: В это ретроспективное двухцентровое когортное исследование были включены 823 пациента с хирургически резецированным pNEC (2001-2023). Модели разрабатывались в Центре 1 (n=374; данные случайным образом разделены в соотношении 8:2 на обучающую и внутреннюю тестовую выборки) и проходили внешнюю валидацию на независимой когорте Центра 2 (n=449). Сравнивались три алгоритма — логистическая регрессия (LR), дерево решений (DT) и основанная на архитектуре Transformer табличная фундаментальная модель TabPFN — для оценки общей выживаемости (OS) и безрецидивной выживаемости (DFS) на контрольных точках 1, 3 и 5 лет; оценка включала анализ операционных характеристик (ROC), анализ калибровки и анализ кривых принятия решений, а также анализ SHapley Additive exPlanations (SHAP) для интерпретируемости.
Результаты: TabPFN показал наивысшую площадь под кривой (AUC) в большинстве задач в обоих тестовых наборах, с исключениями, зависящими от задачи: во внутреннем тестовом наборе логистическая регрессия показала лучший результат для 1-летней OS (AUC 0.885), тогда как TabPFN был лучшим для остальных задач, включая 3-летнюю OS (0.880), общую DFS (0.810) и 1-летнюю DFS (0.892); во внешнем тестовом наборе TabPFN оставался лучшим для 1- и 3-летней OS, а также для общей, 1- и 3-летней DFS (0.747-0.802), тогда как логистическая регрессия показала лучший результат для 5-летней OS и DFS. Внешняя калибровка оказалась менее удовлетворительной. Стадия заболевания, патологический подтип и возраст были ключевыми прогностическими предикторами, причём TabPFN был более точным для подтипов низкой степени злокачественности. Анализ SHAP количественно оценил вклад каждого признака и сделал модель интерпретируемой.
Выводы: Модель на основе Transformer улучшает оценку выживаемости при pNEC, демонстрируя зависящие от задачи преимущества над традиционными методами и подтверждённую переносимость на независимой институциональной когорте. Перед более широким клиническим применением необходимы проспективная многоцентровая валидация и уточнение калибровки.
Эквивалент импакт-фактора журнала: 2.7 (средняя цитируемость за 2 года по OpenAlex, значение на 2026-10-02, получено 2026-10-03; не официальный IF Clarivate)Справка: Liu L, Liang L, Wang D, Zhang J, Zhao K, Guo C, et al. Прогнозирование исходов нейроэндокринной карциномы лёгких с помощью модели искусственного интеллекта на основе трансформера: двухцентровое ретроспективное когортное исследование. Front Oncol. 2026 Oct 23;16:1948262. doi:10.3389/fonc.2026.1948262.Проверено: Только аннотация - Аннотация
Предпосылки: Костные метастазы — частое и клинически важное осложнение немелкоклеточного рака лёгкого (NSCLC), ассоциированное с низкой выживаемостью. Хотя позитронно-эмиссионная томография в сочетании с компьютерной томографией (ПЭТ-КТ) обеспечивает комплексную оценку состояния скелета, её стоимость и лучевая нагрузка могут ограничивать рутинное применение. Поэтому доступный подход, основанный на рутинно доступных клинических данных и информации, связанной с КТ грудной клетки, может помочь выявлять пациентов с более высоким риском, которым могла бы быть полезна дополнительная визуализация скелета. Целью этого исследования было разработать эффективную прогностическую модель костных метастазов у пациентов с NSCLC.
Методы: В данном исследовании ретроспективно проанализированы данные 17,646 пациентов азиатского происхождения с немелкоклеточным раком легкого (NSCLC) из базы данных Surveillance, Epidemiology, and End Results (SEER) (2000–2021) в качестве обучающего набора, а для валидации использована независимая внешняя когорта из 308 пациентов с NSCLC из Шанхайской больницы грудной клетки (2022–2023). Для отбора переменных были выполнены однофакторный и многофакторный анализы логистической регрессии (LR), а также анализ коллинеарности. Была разработана новая модель DualDrop-Gated Transformer (DGT), которую сравнивали с LR, экстремальным градиентным бустингом (XGBoost), LightGBM, TabTransformer и FTTransformer. Производительность оценивалась с помощью кривых рабочей характеристики приемника (ROC), калибровочных кривых и кривых принятия решений.
Результаты: Возраст, пол, стадия T, стадия N, гистологический подтип и статус метастазов в легких были определены как значимые предикторные переменные. Модель DGT достигла площади под кривой (AUC) 0.947 на обучающей выборке, 0.936 на внутренней тестовой выборке и 0.879 во внешней валидационной когорте при сбалансированной чувствительности (0.856) и специфичности (0.934), значительно превосходя другие модели (P<0.01). Абляционные эксперименты продемонстрировали значимый вклад механизмов гейтинга и dropout в качество работы модели. На основе модели DGT была построена номограмма с приемлемой калибровкой, а анализ кривых принятия решений (DCA) показал хорошую клиническую применимость.
Выводы: Разработана и валидирована новая модель прогнозирования DGT костных метастазов у пациентов с NSCLC на основе высоко обобщаемой и интерпретируемой структуры глубокого обучения с использованием 6 предикторов; она может иметь потенциальную прикладную ценность для раннего скрининга, принятия решений и индивидуализированного ведения пациентов с раком лёгкого.
Эквивалент импакт-фактора журнала: 1.9 (средняя цитируемость за 2 года по OpenAlex, значение на 2026-10-12, получено 2026-10-13; не официальный IF Clarivate)Справка: Wang X, Yu H, Shen Y, Qian Q, Gao X, Xie Z, и др. Модель DualDrop-Gated Transformer для прогнозирования костных метастазов у азиатских пациентов с немелкоклеточным раком лёгкого: исследование реальной клинической практики с внешней валидацией. Quant Imaging Med Surg. 2026 нояб.;16(11):863-3. doi:10.21037/qims-2026-0574.Проверено: Только аннотация
Смотреть все 4 статьи по лёгким →
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
Точная сегментация опухолей головного мозга по МРТ-изображениям крайне важна для диагностики, планирования лечения и прогноза. В этом исследовании мы сравниваем два принципиально разных подхода к сегментации опухолей: модель глубокого обучения с учителем (2D U-Net) и алгоритм кластеризации без учителя (K-means). Мы оцениваем несколько вариантов 2D U-Net, обученных на разных последовательностях МРТ (магнитно-резонансной томографии) (FLAIR и T1-Gd), а также дообученную модель, адаптированную между модальностями, и сравниваем их с кластеризацией K-means, примененной к обеим модальностям по отдельности.
Эквивалент импакт-фактора журнала: 2.4 (средняя цитируемость за 2 года по OpenAlex, значение на 2026-10-23, получено 2026-10-24; не официальный IF Clarivate)Справка: 1. Национальный институт исследований и разработок в области физики и ядерной техники им. Хории Хулубея, RO-077125, Мэгуреле-Бухарест, Румыния 2. Бухарестский университет, физический факультет, RO-077125 Мэгуреле-Бухарест, Румыния, BADEA RA, ORIAN AȘ, 1. Национальный институт исследований и разработок в области физики и ядерной техники им. Хории Хулубея, RO-077125, Мэгуреле-Бухарест, Румыния 2. Бухарестский университет, физический факультет, RO-077125 Мэгуреле-Бухарест, Румыния, VASILIU AA, Бухарестский университет, физический факультет, RO-077125 Мэгуреле-Бухарест, Румыния, et al. Исследование методов обучения с учителем и без учителя для сегментации опухолей мозга на МРТ-изображениях. Rom Rep Phys. 2026 Dec 15;78(4):606-6. doi:10.59277/romrepphys.2026.78.606.Проверено: Только аннотация
Смотреть все 1 статьи по мозгу →
Рак яичников: лечение, исследования и ИИ
Нового подходящего исследования для этого выпуска нет.
Рак эндометрия: лечение, клинические испытания и ИИ
- Аннотация
Цель: Разработать и сравнить модели радиомики, глубокого обучения, клинические и комбинированные модели на основе радиомики мультипараметрической МРТ и признаков глубокого обучения 2.5D для предоперационной стратификации риска рака эндометрия (РЭ).
Методы: В это ретроспективное исследование были включены 246 пациентов с морфологически подтвержденным EC; собирались предоперационные клинические данные и данные визуализации. Были собраны клинические данные, T2-взвешенные изображения (T2WI) и контрастно-усиленные T1-взвешенные изображения (CE-T1WI). На основе T2WI, CE-T1WI и их комбинации были построены радиомические модели и модели глубокого обучения. Впоследствии была разработана комбинированная модель, объединяющая мультипараметрические радиомические признаки, признаки глубокого обучения и клинические параметры. Эффективность моделей и их клиническая применимость оценивались по площади под ROC-кривой (AUC), калибровочным кривым, анализу кривых принятия решений (DCA) и тесту Де Лонга для попарного сравнения моделей. Для повышения интерпретируемости модели применялся метод градиентно-взвешенных карт активации классов (Grad-CAM).
Результаты: Однофакторный и многофакторный логистический регрессионный анализ выявили максимальный диаметр опухоли, MR-DMI, ИМТ и статус ER в качестве независимых предиктивных факторов. Сравнение радиомических моделей, моделей глубокого обучения, клинических и комбинированных моделей показало, что мультипараметрическая МРТ-модель превосходила модели на основе одиночных последовательностей, построенные с помощью радиомики или глубокого обучения, при этом комбинированная модель продемонстрировала наилучшую предсказательную способность на валидационной выборке, достигнув AUC 0.891, точности 0.86, чувствительности 0.909, специфичности 0.765 и F1-меры 0.896. Результаты теста DeLong показали, что на обучающей выборке комбинированная модель имела более высокую предсказательную способность, чем все остальные модели, и различия были статистически значимыми (P < 0.05). На валидационной выборке комбинированная модель показала статистически значимое улучшение по сравнению с клинической моделью и моделью T2+CET1-Rad (P<0.05). Анализ кривых принятия решений показал, что комбинированная модель обеспечивает наибольшую чистую клиническую выгоду.
Вывод: Сочетание радиомики на основе мультипараметрической МРТ и глубокого обучения 2.5D продемонстрировало благоприятные прогностические показатели в стратификации риска при EC, что указывает на его потенциальную пользу в качестве неинвазивного инструмента и открывает перспективный дополнительный подход для поддержки персонализированного планирования лечения и прогностической оценки пациентов с EC в клинической практике.
Эквивалент импакт-фактора журнала: 2.7 (средняя цитируемость за 2 года по OpenAlex, значение на 2026-10-02, получено 2026-10-03; не официальный IF Clarivate)Справка: Ouyang Y, Lin M, Cao Y, He N, Zhong X, Wu Y. Мультипараметрическая МРТ-радиомика в сочетании с глубоким обучением для предоперационной стратификации риска рака эндометрия. Front Oncol. 2026 Oct 22;16:1942153. doi:10.3389/fonc.2026.1942153.Проверено: Только аннотация
Смотреть все 1 статьи по эндометрию →
Рак желудка: лечение, исследования и ИИ
- Аннотация
Точная предоперационная оценка метастазов в лимфатических узлах (LNM) при раннем раке желудка (EGC) критически важна для выбора эндоскопического или хирургического лечения. Большинство исследований вычислительной патологии опираются на препараты, полученные после радикальной гастрэктомии, что изначально ограничивает их предоперационную ценность. В данной работе разработана мультимодальная платформа на основе искусственного интеллекта (ИИ) для оценки риска LNM по предоперационным изображениям целых препаратов (WSI) эндоскопических биопсий; ее цель — помочь клиницистам оптимизировать лечебную стратегию до операции и снизить неоправданные хирургические риски для пациентов. Мы разработали мультимодальную модель на основе архитектуры трансформер с механизмом совместного внимания, направляемого клиническими данными, для объединения патологических признаков и клинических переменных. Чтобы преодолеть дефицит информации, присущий фрагментарным биопсийным образцам, мы выделяли участки слизистой и подслизистой оболочек из WSI хирургических тканей и использовали их в качестве псевдобиопсий. Далее применялась парадигма curriculum learning (CL) для поэтапного перехода модели от идеализированных псевдобиопсий к реальным биопсийным образцам. При анализе набора данных, включающего 1,099 WSI хирургических тканей и 189 WSI эндоскопических биопсий, разработанная платформа показала площадь под кривой (AUC) 0.759 на WSI хирургических тканей и AUC 0.727 на предоперационных WSI эндоскопических биопсий. Полученные результаты демонстрируют осуществимость мультимодальной ИИ-платформы, адаптированной для WSI эндоскопических биопсий, в предоперационной оценке риска LNM при T1 EGC. Как исследовательский инструмент поддержки клинических решений эта платформа обладает многообещающим потенциалом для помощи клиницистам в предоперационной стратификации риска и служит первым шагом к оптимизации планируемого хирургического лечения.
Эквивалент импакт-фактора журнала: 2.8 (средняя цитируемость за 2 года по OpenAlex, значение на 2026-10-24, получено 2026-10-25; не официальный IF Clarivate)Справка: Niu X, Wang S, Yu J, Tian M, Tang Z. Мультимодальная оценка предоперационного риска метастазов в лимфатические узлы при раннем раке желудка на основе трансформеров (Transformer) с использованием изображений целых гистологических препаратов эндоскопических биопсий. Ann Biomed Eng. 2026 Oct 22 [Epub ahead of print]. doi:10.1007/s10439-026-04380-7.Проверено: Только аннотация
Смотреть все 1 статьи по желудку →
Рак печени: лечение, исследования и ИИ
- Аннотация
Обоснование и цели Данное исследование направлено на разработку рамки, объединяющей многоканальное глубокое обучение на основе динамической контрастно-усиленной магнитно-резонансной томографии (DCE-MRI) в сочетании с клиническим моделированием для неинвазивной предоперационной дифференциации гепатоцеллюлярной карциномы (HCC) и масс-формирующей внутрипечёночной холангиокарциномы (MF-ICC).
Методы: Внутренняя когорта разработки включала 334 пациента с хирургически подтверждённым диагнозом, в том числе 231 пациента с HCC и 103 пациента с MF-ICC, и на уровне пациентов была разделена на обучающую когорту ( n = 233) и внутреннюю валидационную когорту ( n = 101). Независимая внешняя валидационная когорта включала 50 пациентов, из которых 40 с HCC и 10 с MF-ICC. Мы построили отдельные двумерные модели глубокого обучения на основе изображений артериальной фазы, портально-венозной фазы и отсроченной фазы, а затем разработали модели слияния (2D-модель). Далее была разработана многоканальная модель глубокого обучения путём непосредственной подачи трёхфазных изображений, объединённых по размерности каналов. Кроме того, была построена клиническая модель на основе независимых предикторов, выявленных с помощью многофакторного анализа, которая в итоге была объединена с моделью глубокого обучения, показавшей наилучшие результаты. Были оценены и сопоставлены показатели эффективности моделей.
Результаты: Модель глубокого обучения, в которой трёхфазные изображения подавались напрямую как многоканальный вход, достигла лучшей различающей способности (площадь под кривой [AUC] = 0.814 во внутренней валидационной когорте), чем все однофазные и соответствующие fusion-модели. Комплексная модель 2D + многоканальный вход + клинические данные показала наилучшие результаты в дифференциации HCC от MF-ICC, достигнув AUC 0.887 (95% ДИ, 0.819–0.954) во внутренней валидационной когорте и хорошо обобщившись на внешнюю валидационную когорту (AUC = 0.908; 95% ДИ, 0.811–1.000). Однако после поправки на множественные сравнения значимых различий в AUC между моделями не выявлено.
Вывод: Модель слияния, объединяющая клинические предикторы с признаками глубокого обучения многофазной DCE-МРТ, может стать ценным инструментом для дооперационной дифференциации HCC от MF-ICC.
Эквивалент импакт-фактора журнала: 2.7 (средняя цитируемость за 2 года по OpenAlex, значение на 2026-10-02, получено 2026-10-03; не официальный IF Clarivate)Справка: Zhang H, Guo L, Jia F, Liu W, Zhang M, Li F и др. Модель глубокого обучения на основе динамической контрастно-усиленной МРТ в сочетании с клинической моделью для неинвазивной дифференциации гепатоцеллюлярной карциномы от внутрипечёночной холангиокарциномы массообразующего типа. Front Oncol. 2026 23 окт;16:1936989. doi:10.3389/fonc.2026.1936989.Проверено: Только аннотация - Аннотация
Введение: Клинический ответ на терапию атезолизумабом плюс бевацизумабом (AB) может различаться между узлами гепатоцеллюлярной карциномы (HCC) у отдельных пациентов. Целью данного исследования было разработать и внешне валидировать неинвазивную радиомическую сигнатуру (ABRad), переведённую из транскриптомной сигнатуры, для предсказания ответа на AB (ABS) на уровне узлов.
Методы: Изначально мы вывели и валидировали ABS на 209 и 44 образцах HCC, взятых до лечения, из исследований IMbrave150 и GO30140 соответственно. Затем ABS была переведена в ABRad с помощью подхода на основе машинного обучения на данных 59 пациентов с парными полногеномными транскриптомными профилями и изображениями компьютерной томографии до резекции, полученными из хирургически резецированной HCC. Впоследствии ABRad прошла внешнюю валидацию на 178 узлах HCC у 55 пациентов, получавших терапию AB.
Результаты: Модель ABS на основе 148 генов предсказывала терапевтический ответ и выживаемость без прогрессирования (PFS) в когортах клинических исследований. Итоговая модель ABRad, построенная на основе алгоритма случайного леса, в значительной степени опиралась на признаки контрастирования. В когорте внешней валидации модель ABRad продемонстрировала значимую положительную связь со степенью терапевтического ответа (p <0.001). Площади под ROC-кривой (receiver operating characteristics) для предсказания полного ответа (CR), объективного ответа (OR) и контроля заболевания (DC) составили 0.71 (95% доверительный интервал [CI], 0.61-0.80), 0.65 (95% CI, 0.56-0.73) и 0.69 (95% CI, 0.59-0.78) соответственно. ABRad на уровне узлов был независимо ассоциирован с терапевтическим ответом со скорректированными отношениями шансов 3.05 (95% CI, 1.23-7.57) для CR, 2.24 (95% CI, 1.06-4.77) для OR и 2.79 (95% CI, 1.07-7.29) для DC. ABRad на уровне пациентов значимо ассоциировался с более длительной PFS (p = 0.005).
Выводы: ABRad успешно предсказал ответ на уровне узлов на AB-терапию при гепатоцеллюлярной карциноме.
IF журнала: неизвестен (не удалось сопоставить)Справка: [Авторы не указаны]. Дополнительные материалы к: Радио-транскриптомная сигнатура для прогнозирования ответа на атецилизумаб плюс бевацизумаб на уровне узлов при гепатоцеллюлярной карциноме. Figshare. [Электронная публикация до печати]. doi:10.6084/m9.figshare.34754340.Проверено: Только аннотация
Смотреть все 4 статьи по печени →
Рак почки: лечение, исследования и ИИ
Нового подходящего исследования для этого выпуска нет.
Рак мочевого пузыря: лечение, исследования и ИИ
- Аннотация
У пациентов с мышечно-инвазивным раком мочевого пузыря (MIBC), как правило, крайне неблагоприятный прогноз даже после радикальной цистэктомии (RC). Для преодоления этого ограничения мы построили и оценили предоперационную модель глубокого обучения (DL), которая использует изображения компьютерной томографии (CT) для стратификации пациентов с MIBC по риску послеоперационного прогрессирования заболевания. Данные пациентов с MIBC, перенесших RC в одном из четырех учреждений, были ретроспективно проанализированы и распределены по обучающей и валидационной когортам. Была разработана двухканальная DL-модель слияния информации для прогнозирования послеоперационного риска прогрессирования по предоперационным CT-изображениям. Затем была создана клиническая сигнатура на основе DL путем объединения клинических признаков с показателем, полученным с помощью DL. Для оценки прогностической способности DL-модели использовались индекс конкордации (C-index) и площадь под кривой (AUC); эта способность сравнивалась с клинической сигнатурой на основе DL, клинической моделью и моделью Ki67. В ретроспективной когорте из 427 пациентов с MIBC DL-показатель продемонстрировал хорошую прогностическую способность в отношении прогрессирования заболевания в валидационной когорте (C-index: 0.774; AUC: 0.785) и в целом показал более высокую прогностическую способность, чем модели сравнения, в валидационной когорте. С использованием оптимального порогового значения когорта пациентов была разделена на два отчетливых подмножества — высокого и низкого риска, — при этом между двумя группами наблюдались различия в кумулятивной частоте прогрессирования, что подтверждает способность модели стратифицировать пациентов по риску прогрессирования. Использование предоперационных CT-изображений в рамках DL позволило прогнозировать PFS и стратифицировать риск у пациентов с MIBC, что потенциально ценно для индивидуализированного послеоперационного наблюдения.
Эквивалент импакт-фактора журнала: 2.6 (средняя цитируемость за 2 года по OpenAlex, значение на 2026-10-21, получено 2026-10-22; не официальный IF Clarivate)Справка: Liu Y, Xu Z, Xia J, Guo L, Hou W, Qu B, et al. Интерпретируемая модель трансформера с перекрёстным вниманием на основе КТ с контрастированием для прогнозирования выживаемости без прогрессирования при мышечно-инвазивном раке мочевого пузыря: многоцентровое исследование. Abdom Radiol. 2026 Oct 22 [Epub ahead of print]. doi:10.1007/s00261-026-05837-y.Проверено: Только аннотация
Смотреть все 1 статьи по мочевому пузырю →