AI na Utafiti wa Saratani ── 2026-10-15

Makala mpya kuhusu saratani na AI, zilizokusanywa kutoka kwa milisho ya majarida, PubMed (iliyotafutwa katika majarida yote) na OpenAlex (faharasa ya umma inayotumika badala ya Google Scholar), zilizohukumiwa na Jev (AI inayotoa hukumu za lugha): utafiti asilia, AI ikiwa kiini, ni mada ipi kati ya 13, matibabu au majaribio, kisha zikapangwa kwa umuhimu hadi kikomo cha kila siku. Majarida hayachujwi kwa kipengele cha athari; kila makala huonyesha kiwango sawa na IF cha jarida lake (wastani wa miaka miwili wa kunukuliwa wa OpenAlex) na tarehe ya thamani hiyo. Kila ingizo huonyesha muhtasari asilia kamili.

Soma kulingana na aina ya saratani: Biolojia ya saratani（1） · Matiti（2） · Pafu（2） · Kongosho（0） · Tezi dume（0） · ACC（0） · Ubongo（2） · Ovari（0） · Endometriamu（0） · Tumbo（0） · Ini（1） · Figo（0） · Kibofu cha mkojo（0）

Biolojia ya molekuli ya saratani na AI

• CLIP-CGPNet: Mfumo wa Usaidizi wa Maamuzi ya Kitabibu wa Njia Nyingi kwa Utabiri wa Kurudi kwa UTUC Baada ya Upasuaji.
  Journal of imaging informatics in medicine · 2026-10-13 · Ushahidi: Utafiti wa uchunguzi wa nyuma (kielelezo cha utabiri kilichoundwa na kutathminiwa katika kundi moja)
  Muhtasari

  Utabiri sahihi wa kujirudia kwa ugonjwa baada ya upasuaji ni muhimu kwa usimamizi wa kibinafsi na upangaji wa ufuatiliaji kwa wagonjwa wenye saratani ya urothelial ya njia ya juu ya mkojo (UTUC). Hata hivyo, uainishaji wa kuaminika wa hatari bado ni changamoto kutokana na hali ya kutofautiana ya sifa za picha na taarifa za kliniki. Katika utafiti huu, tunapendekeza mfumo wa usaidizi wa maamuzi ya kliniki wa njia nyingi (multimodal) unaounganisha picha za tomografia ya kompyuta (CT) zilizoimarishwa kwa kiambatanisha-utofautishaji na vigezo vya kliniki vinavyopatikana kwa kawaida ili kutabiri kujirudia kwa ugonjwa baada ya upasuaji. Mfumo uliopendekezwa unatumia mkakati wa kujifunza unaounganisha picha na taarifa za kliniki ili kuimarisha upatanisho wa kisemantiki kati ya uwakilishi wa kuona na muktadha wa kliniki wa mgonjwa husika. Sifa za picha huongozwa na viashiria vya kisemantiki vilivyoarifiwa kikliniki, huku utaratibu wa muunganiko unaobadilika ukisawazisha kwa urahisi michango ya njia tofauti. Muundo huu huwezesha mwingiliano imara wa njia nyingi na kuboresha ukadiriaji wa hatari wa kibinafsi. Mfumo huu ulitathminiwa kwa kutumia kundi la nyuma (retrospective) la wagonjwa 160 wa UTUC waliotibiwa kati ya 2016 na 2023, likijumuisha visa 59 vya kujirudia na visa 101 visivyo vya kujirudia. Matokeo ya majaribio yanaonyesha kuwa mbinu iliyopendekezwa hufikia eneo chini ya mkunjo wa sifa za mpokeaji (AUC) la 0.87, ikionyesha utendaji bora ikilinganishwa na mifano ya kawaida inayotegemea mitandao ya neva ya mnyumbuliko na mifano ya msingi ya njia nyingi inayowakilisha. Uchambuzi wa ubora zaidi unaonyesha upatanisho ulioboreshwa kati ya mifumo ya picha na vipengele vya kliniki, ukitoa maarifa yanayoweza kufasirika kupitia taswira inayotegemea umakini (attention). Matokeo haya yanaashiria kuwa mfumo wa njia nyingi uliopendekezwa unatoa mbinu yenye uwezekano wa kuainisha hatari ya kujirudia kwa UTUC baada ya upasuaji na una uwezo wa kusaidia maamuzi ya kliniki na usimamizi wa baada ya upasuaji unaozingatia hatari.

  Sawa na IF ya jarida: 3.9 (wastani wa miaka 2 wa citedness wa OpenAlex, thamani ya 2026-10-13, ilipatikana 2026-10-15; si IF rasmi ya Clarivate)
  Rejeleo: 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.
  Imekaguliwa: Muhtasari pekee

Tazama makala zote 1 za Biolojia ya saratani →

Saratani ya matiti: matibabu, majaribio ya kitabibu na AI

• HCF-Net: Mtandao wa Muunganiko wa Mfuatano wa Ngazi Uliolingana na Njia za Matibabu ya Kitabibu kwa Uainishaji wa Kimolekuli Kabla ya Upasuaji wa Saratani ya Matiti kwenye MRI ya Kuongeza Utofautishaji kwa Nguvu.
  Journal of imaging informatics in medicine · 2026-10-13 · Ushahidi: Utafiti wa uchunguzi wa nyuma (uundaji katika vituo viwili na uthibitishaji kwa seti huru ya majaribio)
  Muhtasari

  Uainishaji wa molekuli wa saratani ya matiti kabla ya upasuaji ni muhimu kwa uchaguzi wa matibabu na tathmini ya ubashiri, lakini mbinu nyingi za kujifunza kwa kina huchukulia utabiri wa aina ndogo kama kazi ya kawaida ya madaraja mengi iliyo tambarare, bila kuakisi mchakato wa maamuzi ya kitabibu unaofuatana. Tulitengeneza HCF-Net, mtandao wa muunganisho wa mfululizo wa kihierarkia unaogawa utabiri wa aina ndogo katika nodi tatu za maamuzi ya kibinari zinazoendana na mazoea ya kitabibu, na unaounganisha DCE-MRI ya awamu nyingi na taarifa za kitabibu na za radiolojia. Modeli hii ilitengenezwa na kuthibitishwa kwa kuangalia nyuma (retrospective) kwa kutumia kundi la vituo viwili la wanawake 373 waliofanyiwa DCE-MRI ya awamu nyingi ya 3.0 T kabla ya upasuaji. Kwenye seti huru ya majaribio (n = 75), HCF-Net ilifikia Macro-AUC ya 0.868 (95% CI, 0.806-0.923), usahihi wa 73.3%, Macro-F1 ya 0.732, na κ ya Cohen ya 0.631. Modeli ya muunganisho ilipata AUC ya juu zaidi mfululizo katika nodi zote tatu za maamuzi ya kihierarkia, ikifikia 0.890 kwa uvimbe wa luminal dhidi ya usio wa luminal, 0.865 kwa uvimbe wa Luminal A dhidi ya Luminal B, na 0.974 kwa uvimbe wa HER2-enriched dhidi ya triple-negative. Mpangilio uleule wa mikakati ya uainishaji ulionekana kwa kutumia muundo msingi wa ConvNeXt-Tiny. Ikilinganishwa na mikakati ya kawaida ya uainishaji tambarare, ugawaji wa mfululizo wa kihierarkia na muunganisho katika kiwango cha maamuzi ulitoa ongezeko kubwa la utendaji. Matokeo haya yanaashiria kwamba mfumo wa muunganisho wa kihierarkia unaoendana na njia za maamuzi ya kitabibu unaweza kutoa mbinu madhubuti na inayoweza kufasirika ya kutabiri aina ndogo za molekuli za saratani ya matiti kabla ya upasuaji.

  Sawa na IF ya jarida: 3.9 (wastani wa miaka 2 wa citedness wa OpenAlex, thamani ya 2026-10-13, ilipatikana 2026-10-15; si IF rasmi ya Clarivate)
  Rejeleo: Chen Y, Hu L, Hou J, Xie Y, Nie S, Jiang Y, et al. HCF-Net: a Hierarchical Cascade Fusion Network Aligned with Clinical Treatment Pathways for Preoperative Molecular Subtyping of Breast Cancer on Dynamic Contrast-Enhanced MRI. J Digit Imaging Inform med. 2026 Oct 13 [Epub ahead of print]. doi:10.1007/s10278-026-02331-1.
  Imekaguliwa: Muhtasari pekee
• Kutoka Uchambuzi wa Ndani ya Makazi hadi Kati ya Makazi: Sifa za Muundo wa Anga kwa Utabiri wa Metastasis ya Nodi za Limfu za Kwapa kwenye DCE-MRI ya Matiti.
  Journal of imaging informatics in medicine · 2026-10-13 · Ushahidi: Utafiti wa uchunguzi wa nyuma (vituo vingi, na uthibitishaji kwa seti ya majaribio ya nje)
  Muhtasari

  Radiomiki ya habitat huchambua umbile ndani ya sehemu ndogo za uvimbe lakini hupuuza uhusiano wa kimaeneo kati yake. Tulitengeneza mfumo uliohamasishwa na ikolojia ya mandhari unaopima muundo wa kimaeneo kati ya habitat kwenye DCE-MRI, tukatathmini thamani yake ya ziada pamoja na radiomiki ya ndani ya habitat, na kulinganisha muunganisho wa mapema na wa marehemu, tukitumia utabiri wa metastasisi ya nodi za limfu za kwapa (ALNM) kama kazi ya tathmini. Katika utafiti huu wa nyuma wa vituo vingi, wagonjwa 284 kutoka kituo kimoja waligawanywa kwa nasibu katika vikundi vya mafunzo (n = 198) na uthibitishaji (n = 86), huku wagonjwa 120 kutoka taasisi huru wakiwa seti ya majaribio ya nje. Uvimbe uligawanywa katika habitat sita kwa kutumia ukusanyaji wa k-means wa vielezi 19 vya umbile vya kila voxel, ambapo vitovu vilitokana na kikundi cha mafunzo pekee. Vikoa vitatu vya sifa viliundwa: vigezo 8 vya kliniki, sifa 642 za radiomiki ya ndani ya habitat, na sifa 94 za muundo wa kimaeneo kati ya habitat zinazohusu mgawanyiko (n = 30), umbo (n = 24), mguso kati ya habitat (n = 15), umbali kati ya habitat (n = 15), uwiano wa eneo (n = 6), na utofauti (n = 4). Katika seti ya majaribio ya nje, muunganisho wa hatua kwa hatua ulileta ongezeko la taratibu la AUC: kliniki pekee 0.754, pamoja na radiomiki ya ndani ya habitat 0.843, pamoja na muundo wa kimaeneo kati ya habitat 0.863 (CI ya 95% 0.792-0.934). Modeli kamili ya muunganisho wa mapema ilipata AUC ya juu kuliko modeli za kliniki pekee (DeLong P = 0.011) na za muundo wa kimaeneo pekee (P = 0.044); muunganisho wa mapema ulitoa AUC ya juu kidogo kimahesabu kuliko muunganisho wa marehemu bila kufikia umuhimu wa takwimu (0.863 dhidi ya 0.851, P = 0.636). Modeli mbili za taswira za kikoa kimoja hazikutofautiana kitakwimu (0.817 dhidi ya 0.784, P = 0.512). Muundo wa kimaeneo kati ya habitat hunasa mpangilio wa uvimbe unaopuuzwa na radiomiki ya kawaida ya habitat na hutoa taarifa ya ziada kwa utabiri wa ALNM kabla ya upasuaji.

  Sawa na IF ya jarida: 3.9 (wastani wa miaka 2 wa citedness wa OpenAlex, thamani ya 2026-10-13, ilipatikana 2026-10-15; si IF rasmi ya Clarivate)
  Rejeleo: 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.
  Imekaguliwa: Muhtasari pekee

Tazama makala zote 2 za Matiti →

Saratani ya mapafu: matibabu, majaribio na AI

• Kuunganisha data za njia nyingi kwa uainishaji sahihi wa aina ndogo na utabiri wa matokeo kwa wagonjwa wenye adenokarsinoma ya mucinous ya mapafu.
  Utafiti wa saratani wa kitafsiri · 2026-08-13 · Ushahidi: Utafiti wa uchunguzi wa kurejea nyuma (uthibitishaji wa ndani pekee)
  Muhtasari

  HISTORIA YA NYUMA: Adenokaransinoma ya mucinous ya mapafu (PMA) ni aina adimu ya adenokaransinoma ya mapafu, inayojulikana kwa ukosefu wa uainishaji kamili wa kipatholojia na vigezo vya ubashiri. Katika utafiti huu, tunapendekeza mfumo wa kujifunza kwa mashine (ML) wa njia nyingi unaounganisha njia mbalimbali za data ili kuboresha uainishaji wa aina ndogo za PMA na utabiri wa ubashiri. MBINU: Utafiti huu wa nyuma uliwajumuisha wagonjwa 175 wa PMA ya msingi wenye maelezo ya demografia, histopatholojia, taswira za tomografia ya kompyuta (CT), na data ya mabadiliko ya jeni ya kipokezi cha kipengele cha ukuaji wa epithelial ( EGFR ). Modeli ya urejeshi wa logistiki yenye urekebishaji wa Least absolute shrinkage and selection operator (LASSO) ilitumika kwa uainishaji wa kihistolojia, na modeli ya Cox proportional hazards ilitumika kwa utabiri wa kuishi pamoja na uthibitishaji wa ndani. MATOKEO: Adenokaransinoma safi ya mucinous ilionyesha kuenea zaidi kwa ukubwa mdogo wa uvimbe wa kiradiolojia au kipatholojia, eneo la tundu la chini, viwango vya chini vya metastasisi ya nodi za limfu na kusambaa kupitia nafasi za hewa (STAS), hatua ya mapema ya kipatholojia, antijeni ya carcinoembryonic (CEA) ≤5 ng/mL, ukingo wenye miiba, usemi mdogo wa Ki-67 na masafa ya chini ya ufutaji wa exon 19 ya EGFR (P=0.002, 0.003, ufutaji wa exon 19 ya EGFR kama vigezo huru vya ubashiri katika PMA (P=0.04, 0.049, mtawalia). Zaidi ya hayo, mikunjo ya Kaplan-Meier ilionyesha matokeo tofauti kwa kiasi kikubwa kati ya makundi ya hatari ndogo na kubwa yaliyopangwa kwa alama ya nomogramu (P<0.001). HITIMISHO: Adenokaransinoma safi ya mucinous ya mapafu ilionyesha ukali mdogo wa uovu ikilinganishwa na aina mchanganyiko ya mucinous na ile inayotoa mucin. Modeli ya nomogramu iliyotengenezwa na kuthibitishwa katika utafiti huu ilionyesha ufanisi wa kuahidi katika kutabiri aina ndogo ya kihistolojia kabla ya upasuaji na kuishi kwa wagonjwa wa PMA, ikitoa mwongozo kwa madaktari katika utambuzi na utabiri wa ubashiri.

  Sawa na IF ya jarida: 1.4 (wastani wa miaka 2 wa citedness wa OpenAlex, thamani ya 2026-10-13, ilipatikana 2026-10-15; si IF rasmi ya Clarivate)
  Rejeleo: Yang W, Chen C, Li L, Chen Z, Chen Z, Le H, et al. Kuunganisha data za njia nyingi kwa ajili ya uainishaji sahihi wa aina ndogo na utabiri wa matokeo kwa wagonjwa wenye adenokasinoma ya mucinous ya mapafu. Transl Cancer Res. 2026 Sep;15(9):708-8. doi:10.21037/tcr-2026-1241.
  Imekaguliwa: Muhtasari pekee
• Mfumo wa kujifunza kwa kina unaoweza kufasirika na radiomics kwa kutabiri kutokea kwa metastasi za ubongo kufuatia mionzi ya kinga ya ubongo katika saratani ya mapafu ya seli ndogo.
  Utafiti wa saratani ya mapafu wa kitafsiri · 2026-08-11 · Ushahidi: Utafiti wa uchunguzi wa kurejea nyuma (uundaji wa modeli ya utabiri)
  Muhtasari

  USULI: Metastasisi ya ubongo bado ni jambo muhimu la kitabibu kwa wagonjwa wenye saratani ya mapafu ya seli ndogo (SCLC), hata baada ya mionzi ya kinga ya fuvu la kichwa (PCI). Kutambua kwa usahihi wagonjwa walio katika hatari kubwa ya metastasisi ya ubongo baada ya PCI kunaweza kurahisisha ufuatiliaji na usimamizi wa kibinafsi. Utafiti huu ulitengeneza modeli ya muunganiko kulingana na sifa za ujifunzaji wa kina wa njia nyingi za vipimo viwili na nusu (2.5D), sifa za kliniki, na sifa za radiomics ili kutabiri kama wagonjwa wenye SCLC watapata metastasisi za ubongo kufuatia PCI. NJIA: Utafiti huu wa kurejea nyuma ulijumuisha wagonjwa 185 wenye SCLC waliopata PCI na kuwagawanya kwa nasibu katika seti ya mafunzo (N=148) na seti ya majaribio (N=37). Modeli ya mtandao wa neva wa kukunja (CNN) wa njia nyingi wa 2.5D ilijengwa kwa kutumia maeneo ya kuvutia (ROI) ya mitazamo mingi yaliyotokana na picha za CT ili kutoa sifa za ujifunzaji wa kina za 2.5D. Kwa kuzingatia sehemu pana zaidi ya mkato na ujazo wa vipimo vitatu (3D) wa ROI ya uvimbe, sifa za ujifunzaji wa kina za vipimo viwili (2D) na 3D zilitolewa mtawalia. Baadaye, sifa kutoka vipimo tofauti ziliunganishwa na sifa za kliniki na sifa za jadi za omics ili kujenga modeli za 2D_clinic_Rad, 2.5D_clinic_Rad, na 3D_clinic_Rad mtawalia. Tofauti za utendaji kati ya modeli za 3D na modeli za kliniki na za jadi za radiomics kisha zililinganishwa. MATOKEO: Modeli ya muunganiko ya 2.5D_clinic_Rad ilionyesha utendaji bora zaidi katika kutabiri metastasisi za ubongo, ikipata eneo chini ya mkunjo (AUC) la 0.841 kwenye seti ya majaribio, ikizidi modeli za kliniki, modeli za jadi za radiomics, na modeli za muunganiko za ujifunzaji wa kina za 2D na 3D. Uchambuzi wa mikunjo ya maamuzi na mikunjo ya urekebishaji ulionyesha kuwa modeli ya 2.5D_clinic_Rad ilikuwa na faida halisi ya juu zaidi ya kliniki na uthabiti bora wa urekebishaji ikilinganishwa na modeli nyingine. HITIMISHO: Modeli ya muunganiko inayotegemea 2.5D_clinic_Rad inaweza kutabiri kwa ufanisi hatari ya metastasisi ya ubongo kwa wagonjwa wenye SCLC kufuatia mionzi ya kinga ya ubongo mzima.

  Sawa na IF ya jarida: 2.5 (wastani wa miaka 2 wa citedness wa OpenAlex, thamani ya 2026-10-13, ilipatikana 2026-10-15; si IF rasmi ya Clarivate)
  Rejeleo: Zhang X, Zhao L, Wang J, Zhang X, Liang X, Cao W, et al. Interpretable deep learning and radiomics for predicting the occurrence of brain metastases following prophylactic brain irradiation in small cell lung cancer. Transl Lung Cancer Res. 2026 Sep;15(9):281-1. doi:10.21037/tlcr-2026-0708.
  Imekaguliwa: Muhtasari pekee

Tazama makala zote 2 za Mapafu →

Saratani ya kongosho: matibabu, majaribio na AI

Hakuna andiko jipya lenye sifa kwa toleo hili.

Saratani ya tezi dume: matibabu, majaribio na AI

Hakuna andiko jipya lenye sifa kwa toleo hili.

Saratani ya adenoid cystic: matibabu, majaribio na AI

Hakuna andiko jipya lenye sifa kwa toleo hili.

Uvimbe wa ubongo: matibabu, majaribio ya kitabibu na AI

• Ufafanuzi na Imani ya Kitabibu katika Ujifunzaji wa Kina kwa Utabiri wa Ufanisi wa Matibabu ya Glioblastoma: Mfumo Kamili.
  Journal of imaging informatics in medicine · 2026-10-13 · Ushahidi: Uchambuzi wa kielelezo wa nyuma pamoja na utafiti wa wasomaji wengi na kesi nyingi
  Muhtasari

  Mwitikio wa matibabu ya Glioblastoma (GBM) hutofautiana sana. Kutabiri matokeo kutokana na MRI ya kabla ya matibabu ni hitaji muhimu ambalo bado halijatimizwa, lakini matumizi ya kitabibu ya miundo ya "kisanduku cheusi" ya kujifunza kwa kina (DL) yanakwamishwa na ukosefu wa uwazi. Bado kuna haja ya kuendeleza mifumo imara na kamilifu ya uthibitishaji ili kuruhusu uaminifu wa kitabibu. Mfumo wa tabaka nyingi wa AI inayoweza kuelezeka (XAI) ulitumika kuchambua muundo wa kujifunza kwa kina uliotengenezwa awali kutabiri muda wa jumla wa kuishi wa wagonjwa wa GBM. Kwanza, mwelekeo wa kuona wa muundo huo ulichambuliwa kwa ubora na kwa kiasi. Pili, utegemezi wa muundo kwa vipengele ulipimwa kwa kutumia tafiti za kuondoa vipengele vya ingizo. Tatu, kina ambacho taarifa za kundi huanza kuweza kufumbuliwa kilifuatiliwa kwa upimaji wa mstari wa uwakilishi wa ndani. Mwishowe, athari ya kitabibu ya AI na maelezo yake ilitathminiwa katika utafiti wa wasomaji wengi na visa vingi (wagonjwa 37, wasomaji 4, awamu 3, uchunguzi 444) kwa kutumia Generalised Estimating Equations (GEE) na clustered bootstrapping. Uchambuzi ulibaini kanuni ya mkato ya ukali wa juu: pikseli zenye ukali wa juu pembezoni mwa fuvu zilitia nanga utabiri wa "Muda Mrefu", huku muundo ukielekea "Muda Mfupi" kwa kuzingatia kuimarika kwa uvimbe pale zisipokuwepo. Utafiti wa kuondoa vipengele ulithibitisha utegemezi huu, na upimaji wa mstari ulielekeza upande uleule. Katika utafiti wa kitabibu, msaada wa AI uliboresha kwa kiasi kikubwa usahihi wa wataalamu (OR 1.598, p < 0.01) bila kuongeza kwa bandia kiwango cha kujiamini (p = 0.561). Muhimu zaidi, kuongezwa kwa ramani za joto za XAI kulihusishwa na mabadiliko ya jinsi wataalamu walivyotumia alama ya AI (mwingiliano p < 0.01), na kupungua kwa wagonjwa walioitwa kimakosa kuwa watakaoishi muda mrefu. Usahihi wa juu wa utabiri unaweza kuficha utegemezi wa kanuni za mkato za ukali wa kiwango cha chini. Ingawa ufasiri wa juujuu wa ramani za saliency ni hatari, ukaguzi wa tabaka nyingi hufichua njia hizi za mkato. Kitabibu, ramani za joto za anga zilihusishwa na usahihi bora wa utambuzi wa wataalamu na mabadiliko ya mkakati wa kufanya maamuzi.

  Sawa na IF ya jarida: 3.9 (wastani wa miaka 2 wa citedness wa OpenAlex, thamani ya 2026-10-13, ilipatikana 2026-10-15; si IF rasmi ya Clarivate)
  Rejeleo: Andres R, Moreau NN, Dessoude L, Le Henaff L, Missohou F, Stefan D, et al. Ufafanuzi na Imani ya Kitabibu ya Ujifunzaji wa Kina katika Utabiri wa Ufanisi wa Matibabu ya Glioblastoma: Mfumo Kamili. J Digit Imaging Inform med. 2026 Oct 13 [Epub ahead of print]. doi:10.1007/s10278-026-02381-5.
  Imekaguliwa: Muhtasari pekee
• Radiomics ya makazi (habitat) inayotokana na MRI iliyounganishwa na ujifunzaji wa kina wa transformer kwa utabiri wa kabla ya upasuaji wa usemi wa juu wa CD9: kiashiria kipya cha ubashiri katika gliomas zinazoenea za watu wazima.
  Utafiti wa saratani wa kitafsiri · 2026-08-17 · Ushahidi: Utafiti wa uchunguzi wa kurejea nyuma (uundaji wa modeli ya utabiri kwa kutumia makundi ya utafiti ya umma)
  Muhtasari

  UTANGULIZI: Kiwango cha juu cha usemi wa CD9 kinahusishwa kwa kiasi kikubwa na muda mfupi zaidi wa kuishi kwa jumla (OS) kwa wagonjwa wenye gliomas zilizosambaa za aina ya watu wazima (ADGs). Wakati huo huo, uchambuzi wa uchunguzi wa dawa umebaini emetine kama dawa inayoweza kulenga gliomas zenye usemi wa juu wa CD9, jambo linaloonyesha kuwa CD9 inaweza kutumika kama kialama-kibaiolojia kipya chenye uwezo wa kubadilisha utambuzi na matibabu ya glioma. Utafiti huu ulilenga kutengeneza modeli ya utabiri ya akili bandia inayotegemea picha za upigaji picha wa mwangwi wa sumaku (MRI) kabla ya upasuaji ili kuwezesha utambuzi wa mapema wa usemi wa juu wa CD9 kwa wagonjwa wenye ADGs. MBINU: Tulikusanya kwa kuangalia nyuma data za usemi wa CD9 kutoka kwa wagonjwa 262 wenye ADGs katika vikundi vya The Cancer Genome Atlas (TCGA) na Chinese Glioma Genome Atlas (CGGA). Kwa kutumia mfuatano wa MRI kabla ya upasuaji [upigaji picha wa T1 wenye kuongeza utofautishaji (CET1) na upigaji picha wa T2 (T2WI)], sifa za Habitat zilitolewa kwa kutumia algoriti ya K-means clustering, pamoja na sifa za radiomic. Zaidi ya hayo, data za kujifunza kwa kina za vipimo 2.5 zenye njia nyingi (2.5D_DL) zilitengenezwa, kwa kuzingatia miundo ya mitandao ya neva, ikijumuisha ResNet101, DenseNet121, na SimpleViT, na sifa za DL zilitolewa. Viainishi saba vilitumika kutengeneza modeli binafsi za utabiri za Radiomics, Habitat, na 2.5D_DL. Baadaye, modeli ya Stacking ilitengenezwa kupitia mkakati wa muunganiko wa ensemble ili kutabiri usemi wa juu wa CD9. Utendaji wa modeli ulitathminiwa kwa kutumia mikunjo ya receiver operating characteristic (ROC), na ufanisi wa kitabibu ulitathminiwa kwa uchambuzi wa mkunjo wa maamuzi (DCA). Uchambuzi wa Shapley Additive Explanations (SHAP) ulifanywa ili kuchunguza ufafanuzi wa modeli, na hivyo kuongeza uwazi wa utabiri wa kujifunza kwa mashine. Zaidi ya hayo, wagonjwa waligawanywa katika makundi ya hatari kubwa na hatari ndogo kulingana na alama za modeli ya Stacking, na tofauti za kuishi zililinganishwa kwa kutumia uchambuzi wa Kaplan-Meier na jaribio la log-rank. MATOKEO: Modeli ya Habitat ilionyesha thamani bora zaidi za mkunjo wa ROC [eneo chini ya ROC (AUC)] kuliko modeli ya Radiomics. Miongoni mwa modeli za 2.5D_DL zenye njia nyingi, modeli ya SimpleViT ilipata utendaji bora kidogo kuliko modeli zinazotegemea mtandao wa neva wa kukunja (CNN) (ResnNet101 na DenseNet121). Modeli ya mwisho ya Stacking, iliyounganisha matokeo kutoka kwa modeli za Habitat, Radiomics, na 2.5D_DL, ilionyesha thamani bora zaidi za AUC. AUC ilifikia 0.999, 0.822, na 0.728 katika seti za mafunzo, uthibitishaji, na majaribio, mtawalia. Jaribio la DeLong lilithibitisha tofauti zenye umuhimu wa kitakwimu katika thamani za AUC za kila modeli katika seti ya mafunzo, lakini hakuna tofauti zenye umuhimu wa kitakwimu zilizoonekana miongoni mwa seti nyingine. Zaidi ya hayo, faida halisi ya kitabibu iliyoimarishwa katika wigo mpana zaidi wa vizingiti vya hatari kwa modeli hii iliyounganishwa ilithibitishwa na DCA. Mgawanyo wa ubashiri kwa modeli ya Stacking ulibaini tofauti kubwa katika matokeo ya kuishi kati ya makundi ya hatari kubwa na hatari ndogo. HITIMISHO: Modeli ya Stacking inayotegemea MRI kabla ya upasuaji hutambua kwa ufanisi wagonjwa wenye usemi wa juu wa CD9 miongoni mwa ADGs na kugawanya hatari ya wagonjwa, ikitoa msaada kwa maamuzi ya kitabibu ya matibabu na tathmini ya ubashiri ya mtu binafsi. Data za vituo vingi za siku zijazo bado zinahitajika ili kuthibitisha utendaji wa ubashiri na uwezekano wa kutumika kwa jumla wa modeli hii.

  Sawa na IF ya jarida: 1.4 (wastani wa miaka 2 wa citedness wa OpenAlex, thamani ya 2026-10-13, ilipatikana 2026-10-15; si IF rasmi ya Clarivate)
  Rejeleo: 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.
  Imekaguliwa: Muhtasari pekee

Tazama makala zote 2 za Ubongo →

Saratani ya ovari: matibabu, majaribio na AI

Hakuna andiko jipya lenye sifa kwa toleo hili.

Saratani ya endometriamu: matibabu, majaribio na AI

Hakuna andiko jipya lenye sifa kwa toleo hili.

Saratani ya tumbo: matibabu, majaribio ya kitabibu na AI

Hakuna andiko jipya lenye sifa kwa toleo hili.

Saratani ya ini: matibabu, majaribio na AI

• Radiomiki inayotegemea picha za mwangwi wa sumaku kutabiri saratani ya seli za ini yenye mabadiliko ya P53: uchambuzi wa ndani ya uvimbe na unaouzunguka.
  Utafiti wa saratani wa kitafsiri · 2026-08-13 · Ushahidi: Utafiti wa uchunguzi wa kurejea nyuma (uundaji wa modeli ya utabiri)
  Muhtasari

  UTANGULIZI: Saratani ya seli za ini (HCC) ni mojawapo ya visababishi vikuu vya vifo vinavyohusiana na saratani duniani kote, na mabadiliko ya jeni ya TP53 hufanya kazi kama mabadiliko ya shina yanayochochea kuendelea kwa uvimbe. Hata hivyo, hali ya mabadiliko ya TP53 kwa sasa inaweza kubainishwa tu kwa uchunguzi vamizi wa sampuli ya ini (biopsy). Utafiti huu unatumia sifa za radiomics za maeneo mbalimbali kutoka kwa upigaji picha wa mwangwi wa sumaku (MRI) kutabiri HCC yenye mabadiliko ya P53 na unatoa zana isiyo vamizi ya kutambua aina hii kali ndogo. MBINU: Katika utafiti huu wa kurudi nyuma, data za wagonjwa 320 waliofanyiwa MRI kabla ya upasuaji zilichambuliwa na kugawanywa katika kundi la mafunzo (TC; n=224) na kundi la uthibitishaji (VC; n=96). Vihatarishi vya kliniki vilitambuliwa kwa kutumia urejeshaji wa hatua kwa hatua ili kujenga miundo ya utabiri. Tulitathmini viainishi vitatu vya kujifunza kwa mashine katika mfuatano sita wa MRI, na mbinu ya least absolute shrinkage and selection operator ilitumika kuchagua muundo bora wa muunganiko wa IntraPeri kutoka kanda nne (uvimbe mzima, IntraPeri_9mm, IntraPeri_11mm, na IntraPeri_13mm) ili kuanzisha muundo wa radiomics. Nomogramu ya utabiri wa HCC yenye mabadiliko ya P53 iliunganisha vitabiri hivi vya kliniki na sifa bainifu za radiomics, na utendaji wake ulitathminiwa kwa kutumia uchanganuzi wa receiver operating characteristic, urekebishaji (calibration), na mikunjo ya maamuzi. MATOKEO: Kati ya wagonjwa 320 (wanaume 259 na wanawake 61; wastani wa umri, miaka 58.25±11.51), 183 walikuwa na HCC yenye mabadiliko ya P53 na 137 walikuwa na HCC isiyo na mabadiliko ya P53. Kipenyo kikubwa zaidi cha uvimbe (LTD), daraja la Edmondson-Steiner, na kuongezeka kwa mng'ao wa pembeni katika awamu ya ateri vilitambuliwa kuwa vitabiri huru vya HCC yenye mabadiliko ya P53. Kiainishi cha ExtraTrees kilichotegemea sifa za radiomics kutoka mfuatano bora wa MRI [upigaji picha wa T1-weighted awamu ya ateri (T1WI-AP)] ndani ya eneo la IntraPeri_11mm kilipata usahihi thabiti wa utabiri [eneo chini ya mkunjo (AUC) TC =0.805; AUC VC =0.660]. Nomogramu ya utabiri inayounganisha sifa za kliniki na radiomics ilionyesha utendaji bora katika TC [AUC =0.815; kipindi cha kujiamini cha 95% (CI): 0.758-0.872] na VC (AUC =0.802; CI ya 95%: 0.713-0.890). Uchanganuzi wa mkunjo wa maamuzi ulithibitisha zaidi manufaa yake ya kliniki. HITIMISHO: Nomogramu inayounganisha muundo wa kliniki na radiomics ya IntraPeri_11mm inaweza kuwa vitabiri madhubuti vya hali ya mabadiliko ya P53 kabla ya upasuaji katika HCC.

  Sawa na IF ya jarida: 1.4 (wastani wa miaka 2 wa citedness wa OpenAlex, thamani ya 2026-10-13, ilipatikana 2026-10-15; si IF rasmi ya Clarivate)
  Rejeleo: Weng J, Yao D, Zeng Q, He Y, Yang C, Yang B. Upigaji picha wa mwangwi wa sumaku (magnetic resonance imaging) unaotegemea radiomics kwa kutabiri saratani ya ini ya hepatocellular yenye mabadiliko ya P53: uchambuzi wa ndani ya uvimbe na kuzunguka uvimbe. Transl Cancer Res. 2026 Sep;15(9):709-9. doi:10.21037/tcr-2026-1579.
  Imekaguliwa: Muhtasari pekee

Tazama makala zote 1 za Ini →

Saratani ya figo: matibabu, majaribio na AI

Hakuna andiko jipya lenye sifa kwa toleo hili.

Saratani ya kibofu cha mkojo: matibabu, majaribio na AI

Hakuna andiko jipya lenye sifa kwa toleo hili.