AI na Utafiti wa Saratani ── 2026-10-25

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（4） · Matiti（4） · Mapafu（4） · Kongosho（0） · Tezi dume（0） · ACC（0） · Ubongo（1） · Ovari（0） · Endometriali（1） · Tumbo（1） · Ini（4） · Figo（0） · Kibofu（1）

Biolojia ya molekuli ya saratani na AI

• Uainishaji wa picha kwa kutumia modeli ya CNN kwa hali zisizo za kawaida katika MRI ya ubongo wa mbwa
  Scientific Reports · 2026-10-23 · Ushahidi: Utafiti wa uchunguzi (maendeleo na uthibitisho wa modeli ya utambuzi kwa kutumia data za MRI za ubongo wa mbwa kutoka katika vyuo vikuu vinne)
  Muhtasari

  Uchunguzi wa picha za kimatibabu unawakilisha mojawapo ya matumizi ya kliniki yenye matumaini makubwa zaidi ya algoria za akili bandia (AI). Lengo la utafiti huu lilikuwa kutathmini mtandao wa neva wa convolutional (CNN) maalum SepNetDense kwa kutofautisha kati ya picha za mionzi ya sumakuumeme (MRI) za ubongo wa mbwa zilizo za kawaida na zisizo za kawaida, kwa lengo la kuimarisha ufanisi wa utambuzi na kuwasaidia wataalamu wa radiologia kutambua picha zisizo za kawaida. Seti ya data ilijumuisha mfululizo ya T1-weighted (T1w) kabla na baada ya kontrasti katika uwiano wa transversi, sagitali, na dorsali kutoka kwa mbwa 550, zilizokusanywa kutoka vyuo vikuu vinne. Mbwa waliwekwa katika utafiti ikiwa walikuwa na utambuzi kamili wa kliniki uliothibitishwa ama kwa histopatholojia au kwa kuzingatia makubaliano ya sasa ya kliniki. Wagonjwa waligawanywa kwa nasibu kuwa seti ya mafunzo (n = 444), seti ya uthibitishaji (n = 53), na seti ya majaribio (n = 53). Kila MRI iliwekewa alama kwa kila slice moja moja kama ya kawaida au isiyo ya kawaida. Mfano ulifundishwa kwa seti 205 za data za picha za kawaida (kwa mfano, sababu za nje ya fuvyo, epilepsia ya idiopathic, dyskinesia ya paroxysmal) na seti 239 za picha zisizo za kawaida (kwa mfano, vimbe, lesioni za kuvimba, patholojia nyingine). Mfano ulitabiri kwa usahihi 74% ya slices za kweli za kawaida katika seti ya majaribio kuwa za kawaida na 73% ya zile za kweli zisizo za kawaida kuwa zisizo za kawaida. Uchambuzi wa ROC wa utabiri wa mfano katika kiwango cha mgonjwa ulifichua kuwa, kwa kizingiti cha 51% ya slices zisizo za kawaida kwa kila mgonjwa, mfano ulifikia usawaziko bora wa unyeti wa 83% (95% CI 67–91%) na 78% (95% CI 54–91%) wa specificity, pamoja na usahihi uliosawazishwa wa 80% (95% CI 69–92%). ANCOVA ilifichua kuwa utendaji wa uainishaji wa CNN uliathiriwa na sababu nyingi za kibiolojia, za kiteknolojia, na za kitaasisi. Utambuzi wa lesioni, mazingira ya kitaasisi, na ukubwa wa indo vilikuwa na athari kubwa zenye umuhimu, huku uzito wa mwili ukuonyesha athari ya wastani yenye umuhimu. Miingiliano muhimu yenye viwango vikubwa vya athari pia ilionekana kati ya utambuzi na taasisi, na pia kati ya ukubwa wa indo na uzito. Aidha, muundo tofauti ulionekana katika ugawaji wa makundi ya utabiri kwenye mihimili ya anatomi, huku kukiwa na mwelekeo wa utendaji bora wa CNN katika robo za kati katika mfululizo yote ya MRI. Kwa ujumla, matokeo yanaonyesha uwezekano wa triage ya masomo ya MRI ya ubongo wa mbwa kwa msaada wa CNN, na yanaangazia utambuzi, mazingira ya kitaasisi, ukubwa wa indo, na uzito wa mwili kama vigezo muhimu vinavyoamua utendaji wa mfano, huku vikisisitiza umuhimu wa seti za data tofautitofauti katika maendeleo ya matumizi imara ya AI ya mifugo.

  Sawa na IF ya Jarida: 5.2 (wastani wa kunukuliwa kwa miaka 2 wa OpenAlex, thamani kwa tarehe 2026-10-04, ilipatikana 2026-10-05; si IF rasmi ya Clarivate)
  Rejeleo: Abani S, Laue M, Dickinson PJ, De Decker S, Gutierrez-Quintana R, Ghiasvand S, et al. Uainishaji wa picha kwa msingi wa mfano wa CNN wa kasoro za MRI za ubongo wa mbwa. Sci Rep. 2026 Oct 23;16(1):33913. doi:10.1038/s41598-026-71470-w.
  Imekaguliwa: Muhtasari pekee
• TLEABLCNN: Ugunduzi wa Magonjwa ya Ubongo na Ugonjwa wa Alzheimer Kwa Kutumia Deep Learning Inayoelezeka Inayotegemea Attention na SMOTE Kwa Kutumia MRI ya Ubongo Isiyo na Uwiano
  International Journal of Drug Delivery Technology · 2026-10-22 · Ushahidi: Utafiti wa kikompyuta (kuunda na kulinganisha modeli za utabiri kwenye dataset za MRI zilizopo)
  Muhtasari

  Aina mbili za hali kali zaidi za matatizo ya neva, ambazo zinaweza kutibiwa tu endapo zitagunduliwa kwa usahihi wa kiwango cha juu kwa msaada wa MRI, ni uvimbe wa ubongo na ugonjwa wa Alzheimer (AD).Mradi unaochambuliwa unazingatia dataset za MRI zisizo sawazishwa na unarejelea Synthetic Minority Oversampling Technique (SMOTE) ili kuboresha mchakato wa uainishaji.Walijumuisha mifano kadhaa ya ML na DL ikiwemo RF, SVM, Voting Classifier, CNN, VGG16, ResNet50, na Inception V3, pamoja na AlexNet yenye LSTM, Xception, na Transformer mpya na LSTM Enhanced Attention-Based Explainable CNN (TLEABLCNN).Modeli ya TLEABLCNN ilifanya vizuri zaidi kuliko modeli zake za msingi kwa usahihi wa uainishaji wa 96.1% katika Hali A, 97.4% katika Hali B na 98.2% katika Hali C. Pia ilikuwa na macro-precision, recall na alama za F1 bora zaidi.Kutambua dosari kwenye ubongo; modeli za utambuzi wa vitu za YOLOv5, YOLOv8, YOLOv9 na YOLOv11 zilitumika.YOLOv9 ilipata best mean average precision (mAP) ya juu zaidi ya 91.5%.YOLOv8 ilipata usahihi bora wa 91.8%.Zaidi ya hayo, mbinu za XAI, kama vile heatmaps, zilitumika kutengeneza heatmaps zilizofichua sehemu muhimu zaidi za skani za MRI zilizoathiri utabiri wa modeli.Hii ilarahisisha matokeo na kuimarisha imani ya kitaalamu.Matokeo haya yanaonyesha uwezo wa mfumo katika kugundua matatizo ya ubongo yanayoweza kufafanuliwa.

  Kiwango sawa na IF cha jarida: 0.0 (wastani wa unukuzi wa miaka 2 wa OpenAlex, thamani kufikia 2026-10-07, ilipatikana 2026-10-08; si IF rasmi ya Clarivate)
  Rejeleo: [Hakuna waandishi walioorodheshwa]. TLEABLCNN: Ugunduzi wa Ubongo na Ugonjwa wa Alzheimer’s kwa Kutumia Kujifunza kwa Kina Kunaoelezea Kimsingi wa Usikivu na SMOTE kwa Kutumia MRI ya Ubongo Isiyo na Uwiano. IJDDT. 2026 Oct 22;16(76s). doi:10.25258/ijddt.16.76s.161.
  Imekaguliwa: Muhtasari pekee

Tazama makala zote 4 za Biolojia ya Saratani →

Saratani ya matiti: matibabu, majaribio ya kitabibu na AI

• Utabiri kabla ya upasuaji wa viwango vya limfosaiti zinazoingia uvimbini kwenye saratani ya matiti kwa kutumia radiomiki za DCE-MRI za awamu nyingi za uvimbe–pembezoni mwa uvimbe pamoja na sifa za kawaida
  BMC Medical Imaging · 2026-10-23 · Ushahidi: Utafiti wa uchunguzi wa kurejea nyuma (vituo viwili, ukiwa na uthibitishaji wa nje)
  Muhtasari

  Limositi zinazoingia kwenye uvimbe (TILs) ni viashiria vya kibiolojia vya mazingira ya kinga ya mwili ya saratani ya matiti yanayohusiana na mwitikio wa matibabu na prognosisi, lakini tathmini yao hutegemea hasa histopatholojia ya upasuaji. Lengo letu lilikuwa kuendeleza na kuhakiki mfano wa kabla ya upasuaji unaochanganya radiomia za DCE-MRI za awamu nyingi za tumoral–peritumoral na vipengele vya kawaida ili kutabiri viwango vya TIL. Utafiti huu wa kurudi nyuma kutoka vituo viwili ulijumuisha wagonjwa 495 waliofanyiwa DCE-MRI ya matiti kabla ya upasuaji, ikifuatiwa na upasuaji wa kuondoa uvimbe kama tiba ya mwanzo. TILs zilitathminiwa kwenye sampuli za upasuaji kwa kutumia kizingiti cha 10% kilichowekwa mapema na kinachotumika sana katika masomo ya awali ya TIL yanayotegemea MRI ya matiti. Vipengele vya radiomia kutoka maeneo ya uvimbe na ya milimita 3 ya pembeni ya uvimbe katika awamu sita za DCE-MRI viliunganishwa na vipengele vya kliniki, vya semantic vya MRI, na vinavyotokana na biopsi. Utendaji wa mfano ulitathminiwa kwa utofautishaji, kalibresheni, thamani ya nyongeza, na manufaa ya kliniki, na uchambuzi wa Shapley additive explanations (SHAP) ulitumika kutathmini michango ya vipengele. Mfano wa mchanganyiko ulipata AUC ya 0.882 (intervu ya uhakika ya asilimia 95 [CI]: 0.840–0.920), 0.777 (95% CI: 0.672–0.866), na 0.738 (95% CI: 0.637–0.826) katika seti za mafunzo, uthibitisho wa ndani, na uthibitisho wa nje, mtawalia. Katika uthibitisho wa nje, mfano wa mchanganyiko ulionyesha uboreshaji mkubwa wa utofautishaji uliounganishwa (IDI) ikilinganishwa na mfano wa kawaida (IDI = 0.105, P = 0.005) na mfano wa tumoral–peritumoral (IDI = 0.098, P = 0.001). Uchambuzi wa mkondo wa maamuzi ulionyesha faida safi kubwa zaidi katika uwezekano mwingi wa vizingiti uliotathminiwa. Uchambuzi wa SHAP ulibaini vipengele vya radiomia vya pembeni ya uvimbe vya awamu za baadaye kama sababu kuu zinazotabiri katika makadirio ya TIL. Kuunganisha radiomia za DCE-MRI za awamu nyingi za tumoral–peritumoral na vipengele vya kawaida vya kabla ya upasuaji kilionesha uwezo wa kutabiri viwango vya TIL, huku vipengele vya pembeni ya uvimbe vya awamu ya mwisho vikiongoza utendaji wa utabiri. Mfano huu unatoa chombo chanya cha kabla ya upasuaji kwa ajili ya kuainisha hatari zinazohusiana na kinga ya mwili na kupanga mipango ya matibabu ya mchanganyiko ya kibinafsi.

  Kiwango sawa na IF cha jarida: 3.8 (wastani wa unukuzi wa miaka 2 wa OpenAlex, thamani kufikia 2026-10-02, ilipatikana 2026-10-03; si IF rasmi ya Clarivate)
  Rejeleo: Yang W, Chen M, Cui Y, Xu W, Tian W, Jiang Y, et al. Utabiri kabla ya upasuaji wa viwango vya limfositi zinazoingia kwenye uvimbe katika saratani ya matiti kwa kutumia radiomics ya awamu nyingi ya DCE-MRI ya uvimbe–ya kando ya uvimbe na sifa za kawaida. BMC Med Imaging. 2026 Oct 23 [Epub kabla ya kuchapishwa]. doi:10.1186/s12880-026-02930-y.
  Imekaguliwa: Muhtasari pekee
• Usahihi wa utambuzi wa mbinu za upigaji picha zinazotegemea ultrasound katika kutathmini ugonjwa uliobaki wa tezi za limfa za makwapa baada ya kemoterapi ya neoadjuvant kwa wagonjwa walio na saratani ya matiti: uhakiki wa mfumo na meta-uchambuzi
  Quantitative Imaging in Medicine and Surgery · 2026-10-23 · Ushahidi: Uhakiki wa kimfumo na meta-uchambuzi wa tafiti za usahihi wa utambuzi
  Muhtasari

  Usuli: Kutambua kwa usahihi ugonjwa wa tezi limfa za kwapa (ALN) uliosalia baada ya kemoterapii ya neoadjuvant (NAC) ni muhimu kwa kupanga matibabu na kwa kutathmini uwezekano wa kupunguza kiwango cha upasuaji. Tulitathmini utendaji wa utambuzi wa ultrasonografia ya kawaida (US), elastografia ya shear wave (SWE), akili bandia (AI)/radiomics, na mifano ya ultrasound ya aina nyingi kwa ajili ya kuainisha upya eneo la kwapa baada ya NAC.

  Mbinu: PubMed, Embase, Cochrane Library, na Web of Science zilitafutwa kuanzia mwanzo hadi Desemba 2025. Histopatholojia baada ya upasuaji wa makwapa ilikuwa kiwango cha marejeleo, na ugonjwa uliosalia wa node za makwapa (ypN+) ulifafanuliwa kwa usawa kama hali ya lengo chanya. Majedwali ya kiwango cha utafiti ya 2×2 yaliyolinganishwa kwa mwelekeo huu. Hatari ya upendeleo na uatumishaji zilipimwa kwa kutumia zana ya Quality Assessment of Diagnostic Accuracy Studies-2 (QUADAS-2). Modeli za bivariate za random-effects na mikunyo ya hierarchical summary receiver operating characteristic (HSROC) zilitumika kwa makundi ya modaliti yenye idadi ya kutosha ya masomo huru; uwiano wa uwezekano chanya (PLR) na uwiano wa uwezekano hasi (NLR) vilikusanywa kwa modeli za random-effects. Makundi yanayoweza kuathiliana yalichunguzwa katika uchambuzi wa unyeti. Itifaki ya utafiti ilisajiliwa kwenye PROSPERO (International Prospective Register of Systematic Reviews; nambari ya usajili CRD420251271199).

  Matokeo: Jumla ya makala 14 zilijumuishwa katika uhakiki wa kimfumo, na 10 kati yake zilichangia data-seti 12 za ngazi ya kipimo katika usanisi wa kiasi. Kwa US ya kawaida (masomo sita), sensitiviti iliyokusanywa ilikuwa 0.55 [kituo cha uhakika (CI) cha 95%: 0.36–0.73], spesifisiti iliyokusanywa ilikuwa 0.79 (95% CI: 0.73–0.84), eneo chini ya mkunjo wa HSROC (AUC) lilikuwa 0.78, na PLR na NLR vilivyokusanywa vilikuwa 2.47 (95% CI: 1.42–4.28) na 0.54 (95% CI: 0.30–0.95), mtawalia. Mifano ya AI/radiomics (masomo matatu) ilionyesha sensitiviti iliyokusanywa ya 0.93 (95% CI: 0.80–0.98), spesifisiti ya 0.82 (95% CI: 0.60–0.94), na AUC ya 0.94; hata hivyo, CI za uwiano wa uwezekano zilikuwa pana, na makadirio ya covariance ya vipimo viwili yalifikia mpaka. Ushahidi wa SWE ulikuwa umepungua hadi ripoti mbili tu zinazoweza kufutana, na ni somo moja tu la multimodal la modeli ya mchanganyiko lililokuwa na jedwali kamili la 2×2 lililopatanishwa. Katika uwezekano wa kabla ya kipimo wa 40%, matokeo hasi ya US ya kawaida yalipunguza uwezekano wa baada ya kipimo wa ugonjwa uliobaki kwenye tezi limfu hadi takriban 26%.

  Hitimisho: Ultrasound ya kawaida pekee haiwezi kutegemezwa kuthibitisha kutokuwepo kwa ugonjwa unaosalia kwenye nodi za limfa za axilla baada ya NAC. Njia za AI/radiomics zinaonyesha utendaji wa utambuzi unaotoa matumaini, ila ushahidi wa hilo ni haba, tofautitofauti, na usio sahihi kwa kiasi. Data zilizopo kwa sasa haziungi mkono uamuzi wa mwisho wa kupanga mfululizo wa nyenzo za uchunguzi wala kufuta upasuaji wa axilla kwa kuzingatia upimaji wa picha pekee, na uthibitisho wa kigeni katika vituo vingi kwa utafiti wa mbele unahitajika.

  Kiwango sawa na IF cha jarida: 1.9 (wastani wa unukuzi wa miaka 2 wa OpenAlex, thamani kufikia 2026-10-12, ilipatikana 2026-10-13; si IF rasmi ya Clarivate)
  Rejeleo: Liu T, He Y, Yuan X, Wang J, Liu Y, Cao C, et al. Usahihi wa utambuzi wa njia za upimaji taswira zinazotegemea ultrasound katika kutathmini ugonjwa uliosalia wa node za limfa za kwapa baada ya chemotherapy ya neoadjuvant kwa wagonjwa wa kansai ya matiti: uhakiki wa kimfumo na meta-analysis. Quant Imaging Med Surg. 2026 Nov;16(11):868-8. doi:10.21037/qims-2026-1427.
  Imekaguliwa: Muhtasari pekee

Tazama makala zote 4 za Matiti →

Saratani ya mapafu: matibabu, majaribio na AI

• Utabiri wa prognosi ya kansari ya nevaendokrini ya mapafu kwa kutumia modeli ya AI inayotegemea transformer: utafiti wa kikundi cha kurudi nyuma katika vituo viwili
  Frontiers in Oncology · 2026-10-23 · Ushahidi: Uchunguzi kurudi nyuma (kundi la vituo viwili lenye uthibitisho wa nje)
  Muhtasari

  Usuli: Saratani za neuroendokrini za mapafu (pNECs) ni kundi nadra na lisilo la aina moja la saratani, kutoka kwa carcinoids za daraja la chini hadi saratani ya mapafu ya seli ndogo ya daraja la juu (SCLC) na saratani ya neuroendokrini ya seli kubwa (LCNEC). Zana za kutabiri matokeo ya vimbe hivi ni chache na kwa nadra zimethibitishwa katika makundi ya wagonjwa ya nje.

  Malengo: Utafiti huu ulilenga kutengeneza mfano wa ubashiri wa matokeo ya ugonjwa (prognostic prediction) wa pNEC unaotegemea Transformer, na kuuhakiki katika kohoti huru ya nje, ili kuboresha makadirio ya uhai na kuunga mkono maamuzi binafsi ya matibabu.

  Mbinu: Utafiti huu wa kohoti wa vituo viwili, uliofanywa kwa kurejea nyuma (retrospective), ulijumuisha wagonjwa 823 wa pNEC iliyofanyiwa upasuaji wa kuondolewa (2001-2023). Mifano ilitengenezwa katika Kituo 1 (n=374; iligawanywa kwa nasibu kwa uwiano wa 8:2 kuwa seti za mafunzo na majaribio ya ndani) na kuthibitishwa kwa nje katika kohoti huru ya Kituo 2 (n=449). Algoriti tatu—logistic regression (LR), decision tree (DT), na TabPFN, mfano wa msingi (foundation model) wa data ya majedwali unaotegemea Transformer—zilinganishwa katika kukadiria uhai wa jumla (OS) na uhai bila ugonjwa (DFS) katika alama za miaka 1, 3, na 5, huku tathmini ikifanywa kwa uchambuzi wa receiver operating characteristic, calibration, na decision curve, pamoja na uchambuzi wa SHapley Additive exPlanations (SHAP) kwa ajili ya ueleweka (interpretability).

  Matokeo: TabPFN ilipata eneo kubwa zaidi chini ya mkunjo (AUC) katika kazi nyingi katika seti zote mbili za majaribio, huku ikiwa na visingizio vinavyotegemea kazi: katika seti ya ndani ya jaribio, regresi logistik ilifanya bora zaidi kwa OS ya miaka 1 (AUC 0.885), huku TabPFN ikifanya bora zaidi katika kazi zilizobaki, ikijumuisha OS ya miaka 3 (0.880), DFS ya jumla (0.810), na DFS ya miaka 1 (0.892); katika seti ya nje ya jaribio, TabPFN iliendelea kuwa bora kwa OS ya miaka 1 na 3 na kwa DFS ya jumla, ya miaka 1, na ya miaka 3 (0.747-0.802), ilhali regresi logistik ilifanya bora zaidi kwa OS na DFS ya miaka 5. Kalibresheni ya nje haikuwa inaridhisha sana. Hatua ya ugonjwa, aina ndogo ya patholojia, na umri vilikuwa vibainishi muhimu vya utabiri wa ugonjwa, na TabPFN ilikuwa sahihi zaidi kwa aina ndogo za daraja la chini. Uchambuzi wa SHAP ulipima kiasi cha mchango wa kila kipengele na kuifanya modeli iweze kuelezwa.

  Hitimisho: Mfumo wa Transformer unaboresha makadirio ya kuishi katika pNEC, na faida zinazotegemea aina ya kazi ikilinganishwa na njia za kawaida na uwezo wa kuhamishika uliothibitishwa kwa kundi huru la taasisi. Uthibitishaji wa mbele katika vituo vingi na marekebisho ya kalibresheni yanahitajika kabla ya matumizi pana zaidi ya kliniki.

  Kiwango sawa na IF cha jarida: 2.7 (wastani wa unukuzi wa miaka 2 wa OpenAlex, thamani kufikia 2026-10-02, ilipatikana 2026-10-03; si IF rasmi ya Clarivate)
  Rejeleo: Liu L, Liang L, Wang D, Zhang J, Zhao K, Guo C, et al. Utabiri wa prognosi wa kansai ya neuroendokrini ya mapafu kwa kutumia mfumo wa akili bandia unaotegemea transformer: utafiti wa kohorti wa kurudisha nyuma katika vituo viwili. Front Oncol. 2026 Oct 23;16:1948262. doi:10.3389/fonc.2026.1948262.
  Imekaguliwa: Muhtasari pekee
• Modeli ya Transformer ya DualDrop-Gated ya kutabiri metastasisi ya mifupa kwa wagonjwa Waasia wenye saratani ya mapafu ya seli zisizo ndogo: utafiti wa ulimwengu halisi wenye uthibitishaji wa nje
  Quantitative Imaging in Medicine and Surgery · 2026-10-23 · Ushahidi: Uchunguzi wa kuangalia nyuma (kilitengenezwa katika hifadhidata ya SEER, kimehakikiwa kwa nje katika kundi kutoka kituo kimoja)
  Muhtasari

  Usuli: Metastasisi ya mifupa ni tatizo la kawaida na muhimu kitaalamu linalotokea kwenye saratani ya mapafu ya seli zisizo ndogo (NSCLC) na huhusiana na kuishi kwa muda mfupi. Ingawa tomografia ya utoaji wa positroni na tomografia ya kompyuta (PET-CT) hutoa tathmini kamili ya utupe, gharama zake na hatari ya kufichuliwa kwa mionzi zinaweza kupunguza matumizi yake ya kila siku. Kwa hivyo, njia rahisi inayotegemea taarifa za kliniki zinazopatikana kila siku na za CT ya kifua inaweza kusaidia kutambua wagonjwa walio katika hatari kubwa zaidi ambao wangefaidika na uchunguzi mwingine wa mifupa. Utafiti huu ulilenga kuunda mfano wenye ufanisi wa kutabiri metastasisi ya mifupa kwa wagonjwa wenye NSCLC.

  Mbinu: Utafiti huu ulichambua takwimu za kurejea nyuma kutoka kwa wagonjwa 17,646 wa NSCLC wa Asia katika hifadhidata ya Surveillance, Epidemiology, and End Results (SEER) (2000–2021) kama seti ya mafunzo, na ulitumia kundi la nje huru la wagonjwa 308 wa NSCLC kutoka Shanghai Chest Hospital (2022–2023) kwa uthibitisho. Uchambuzi wa logistic regression (LR) wa kigezo kimoja na wa vigezo vingi, pamoja na uchambuzi wa Collinearity, ulifanywa kwa ajili ya kuchagua vigezo. Mfano mpya wa DualDrop-Gated Transformer (DGT) ulitengenezwa na kulinganishwa na LR, extreme gradient boosting (XGBoost), LightGBM, TabTransformer, na FTTransformer. Utendaji ulipimwa kwa receiver operating characteristic (ROC), calibration, na mikunjo ya maamuzi.

  Matokeo: Umri, jinsia, hatua ya T, hatua ya N, aina ndogo ya histolojia, na hali ya metastasis ya mapafu zilitambuliwa kama vigezo muhimu vya utabiri. Mfano wa DGT ulipata eneo chini ya mkunjo (AUC) wa 0.947 katika seti ya mafunzo, 0.936 katika seti ya jaribio ya ndani, na 0.879 katika kundi la uthibitisho la nje, huku ikidumisha usawa kati ya unyeti (0.856) na utaalamu (0.934), na kuzidi mifano mingine kwa kiwango cha kihalisia (P<0.01). Majaribio ya ablation yalionesha mchango mkubwa wa mifumo ya gating na dropout kwenye utendaji wa mfano. Nomogram iliyotegemea mfano wa DGT ilijengwa, ikiwa na kalibresheni ya kutosha, na uchambuzi wa mkunjo wa maamuzi (DCA) ulionyesha manufaa mazuri ya kliniki.

  Hitimisho: Mfano mpya wa utabiri wa DGT wa metastasisi ya mifupa kwa wagonjwa walio na NSCLC, unaojengwa kwenye mfumo wa deep learning wenye kubadilika sana na kufasirika, ulitengenezwa na kuhakikiwa kwa kutumia vitabiri 6, na unaweza kuwa na thamani ya matumizi katika uchunguzi wa mapema, kufanya maamuzi, na usimamizi wa kibinafsi kwa wagonjwa wa saratani ya mapafu.

  Kiwango sawa na IF cha jarida: 1.9 (wastani wa unukuzi wa miaka 2 wa OpenAlex, thamani kufikia 2026-10-12, ilipatikana 2026-10-13; si IF rasmi ya Clarivate)
  Rejeleo: Wang X, Yu H, Shen Y, Qian Q, Gao X, Xie Z, et al. Modeli ya DualDrop-Gated Transformer kwa kutabiri metastasisi ya mifupa kwa wagonjwa wa Asia wenye saratani ya mapafu ya seli zisizo ndogo: utafiti wa ulimwengu halisi wenye uhakiki wa nje. Quant Imaging Med Surg. 2026 Nov;16(11):863-3. doi:10.21037/qims-2026-0574.
  Imekaguliwa: Muhtasari pekee

Tazama makala zote 4 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

• Kuchunguza mbinu zinazosimamiwa na zisizosimamiwa za ugawaji wa vimbe vya ubongo katika picha za MRI
  Romanian Reports in Physics · 2026-10-22 · Ushahidi: Ulinganisho wa kimbinu (uchambuzi wa picha)
  Muhtasari

  Utenganishaji sahihi wa uvimbe wa ubongo kutoka kwenye picha za MRI ni muhimu kwa utambuzi wa ugonjwa, kupanga matibabu, na utabiri. Katika utafiti huu, tunalinganisha njia mbili zinazotofautiana kimsingi za utenganishaji wa uvimbe: mfano wa ujifunzaji wa kina unaosimamiwa (2D U-Net) na algoriti ya kupanga makundi isiyo na usimamizi (K-means). Tunatathmini matoleo kadhaa ya 2D U-Net yaliyofundishwa kwa mfuatano tofauti wa (Magnetic Resonance Imaging) MRI (FLAIR na T1-Gd), pamoja na mfano uliorekebishwa (fine-tuned) ulioandaliwa kwa aina mbalimbali (modalities), na kuzilinganisha na upangaji makundi wa K-means uliotumika kwa kila aina peke yake.

  Kiwango sawa na IF cha jarida: 2.4 (wastani wa unukuzi wa miaka 2 wa OpenAlex, thamani kufikia 2026-10-23, ilipatikana 2026-10-24; si IF rasmi ya Clarivate)
  Rejeleo: 1. Taasisi ya Kitaifa ya Horia Hulubei ya Utafiti na Maendeleo katika Fizikia na Uhandisi wa Nyuklia, RO-077125, Măgurele-Bucharest, Romania 2. Chuo Kikuu cha Bucharest, Kitivo cha Fizikia, RO-077125 Măgurele-Bucharest, Romania, BADEA RA, ORIAN AȘ, 1. Taasisi ya Kitaifa ya Horia Hulubei ya Utafiti na Maendeleo katika Fizikia na Uhandisi wa Nyuklia, RO-077125, Măgurele-Bucharest, Romania 2. Chuo Kikuu cha Bucharest, Kitivo cha Fizikia, RO-077125 Măgurele-Bucharest, Romania, VASILIU AA, Chuo Kikuu cha Bucharest, Kitivo cha Fizikia, RO-077125 Măgurele-Bucharest, Romania, na wengine. Kuchunguza mbinu zinazosimamiwa na zisizosimamiwa za kugawanya uvimbe wa ubongo katika picha za MRI. Rom Rep Phys. 2026 Des 15;78(4):606-6. doi:10.59277/romrepphys.2026.78.606.
  Imekaguliwa: Muhtasari pekee

Tazama makala zote 1 za Ubongo →

Saratani ya ovari: matibabu, majaribio na AI

Hakuna andiko jipya lenye sifa kwa toleo hili.

Saratani ya endometriamu: matibabu, majaribio na AI

• Radiomiks zinazotegemea MRI ya vigezo vingi zikiunganishwa na kujifunza kwa kina kwa ajili ya uainishaji wa hatari kabla ya upasuaji kwa kansa ya endometriamu
  Frontiers in Oncology · 2026-10-22 · Ushahidi: Utafiti wa uchunguzi kurudi nyuma
  Muhtasari

  Lengo: Kutengeneza na kulinganisha mifano ya radiomics, deep learning, ya kliniki, na ya mchanganyiko inayotokana na radiomics za MRI za vigezo vingi na sifa za deep learning za 2.5D kwa ajili ya ugawaji wa hatari kabla ya upasuaji katika kansai ya endometri (EC).

  Mbinu: Utafiti huu wa kurudisha nyuma uliwahusisha wagonjwa 246 waliothibitishwa kuwa na EC kwa uchunguzi wa patholojia, huku data ya kliniki na ya upimaji kabla ya upasuaji ikikusanywa. Data ya kliniki, upimaji wa T2-weighted imaging (T2WI), na upimaji wa T1-weighted imaging ulioimarishwa kwa kontrasti (CE-T1WI) ulikusanywa. Mifano ya radiomia na ya ujifunzaji wa kina ilijengwa kwa kuzingatia T2WI, CE-T1WI, na mchanganyiko wake. Baadaye, mfano wa mchanganyiko unaojumuisha vipengele vya radiomia vya vigezo vingi, vipengele vya ujifunzaji wa kina, na vigezo vya kliniki ulitengenezwa. Utendaji wa mfano na umuhimu wake wa kliniki ulitathminiwa kwa kutumia eneo chini ya mkondo wa receiver operating characteristic (AUC), mikondo ya kalibresheni, uchambuzi wa mkondo wa maamuzi (DCA), na jaribio la DeLong kwa kulinganisha mifano kwa jozi. Gradient-weighted Class Activation Mapping (Grad-CAM) ilitumika kuimarisha uwazi wa mfano.

  Matokeo: Uchambuzi wa logistic regression wa kipimo kimoja na wa vipimo vingi ulibaini kipenyo kikubwa cha uvimbe, MR-DMI, BMI na hali ya ER kuwa vigezo huru vya utabiri. Ulinganisho wa modeli za radiomics, deep learning, kliniki na za pamoja ulionyesha kuwa modeli ya MRI ya vigezo vingi ilifanya vizuri kuliko modeli za mfululizo mmoja zilizotegemea radiomics au deep learning, huku modeli ya pamoja ikionyesha utendaji bora zaidi wa utabiri katika seti ya uthibitisho, ikifikia AUC ya 0.891, usahihi wa 0.86, unyeti wa 0.909, ubainifu wa 0.765, na alama ya F1 ya 0.896. Matokeo ya jaribio la DeLong yalionyesha kuwa, katika seti ya mafunzo, modeli ya pamoja ilikuwa na utendaji wa juu wa utabiri kuliko modeli zote nyingine, na tofauti zilikuwa na maana ya kitakwimu (P < 0.05). Katika seti ya uthibitisho, modeli ya pamoja ilionyesha maboresho yenye maana ya kitakwimu ikilinganishwa na modeli ya kliniki na modeli ya T2+CET1-Rad (P<0.05). Uchambuzi wa mkondo wa maamuzi ulionyesha kuwa modeli ya pamoja ilitoa faida halisi ya kliniki kubwa zaidi.

  Hitimisho: Mchanganyiko wa radiomics inayotokana na MRI ya vigezo vingi na ujifunzaji wa kina wa 2.5D ulionyesha utendaji mwema wa kubashiri katika kugawa hatari ya EC, hali inayoashiria uwezekano wake wa kutumika kama zana isiyo na uvamizi na kutoa njia msaada yenye matumaini ya kuunga mkono kupanga matibabu ya kibinafsi na tathmini ya prognosis kwa wagonjwa wa EC katika mazoezi ya kliniki.

  Kiwango sawa na IF cha jarida: 2.7 (wastani wa unukuzi wa miaka 2 wa OpenAlex, thamani kufikia 2026-10-02, ilipatikana 2026-10-03; si IF rasmi ya Clarivate)
  Rejeleo: Ouyang Y, Lin M, Cao Y, He N, Zhong X, Wu Y. Radiomiki inayotegemea MRI ya vigezo vingi ikichanganywa na ujifunzaji wa kina kwa ugawaji wa hatari kabla ya upasuaji kwa saratani ya uterasi. Front Oncol. 2026 Oct 22;16:1942153. doi:10.3389/fonc.2026.1942153.
  Imekaguliwa: Muhtasari pekee

Tazama makala zote 1 za Endometriamu →

Saratani ya tumbo: matibabu, majaribio ya kitabibu na AI

• Tathmini ya Hatari Kabla ya Upasuaji kwa Njia ya Transformer ya Multimodal ya Metastasi ya Tezi Limfu katika Kansa ya Tumbo ya Awamu ya Mapema kwa Kutumia Picha Kamili za Slaidi za Biopsi za Endoskopi
  Annals of Biomedical Engineering · 2026-10-22 · Ushahidi: Utafiti wa uchunguzi (maendeleo ya mfano)
  Muhtasari

  Tathmini sahihi ya kabla ya upasuaji ya metastasis ya vimbe vya limfa (LNM) katika saratani ya tumbo ya hatua ya mwanzo (EGC) ni muhimu sana katika kuchagua matibabu ya endoskopi au ya upasuaji. Masomo mengi ya patholojia ya kompyuta hutegemea violezo vinavyopatikana kwa kuondolewa kwa tishu baada ya gastrectomi ya tiba, jambo ambalo kimsingi linapunguza umuhimu wa tafiti hizo kabla ya upasuaji. Utafiti wetu ulitengeneza mfumo wa akili bandia (AI) wa multimoda ili kukadiria hatari ya LNM kwa kutumia picha kamili za slaidi (WSI) za biopsi za endoskopi za kabla ya upasuaji, kwa lengo la kuwasaidia watabibu kuboresha mikakati ya matibabu kabla ya upasuaji na kupunguza hatari zisizo za lazima za upasuaji kwa wagonjwa. Tulitengeneza mfumo wa transformer wa multimoda wenye mbinu ya co-attention inayoongozwa na kliniki ili kuunganisha sifa za patholojia na vigezo vya kliniki. Ili kushinda uhaba wa taarifa uliomo ndani ya violezo vya biopsi vilivyokatwa-katwa, tulitoa maeneo ya mucosa na submucosa kutoka kwa WSI za tishu za upasuaji zitumike kama biopsi-bandia. Aidha, mbinu ya curriculum learning (CL) ilitumika kuhamishia mfumo kutoka biopsi-bandia bora hadi sampuli halisi za biopsi. Kwa uchambuzi wa seti ya data yenye WSI 1,099 za tishu za upasuaji na WSI 189 za biopsi za endoskopi, mfumo wetu ulipata eneo chini ya mkondo (AUC) la 0.759 kwenye WSI za tishu za upasuaji na AUC ya 0.727 kwenye WSI za kabla ya upasuaji za biopsi za endoskopi. Matokeo yetu yanaonyesha uwezekano wa mfumo wa AI wa multimoda ulioundwa kwa mahsusi kwa WSI za biopsi za endoskopi katika kutathmini hatari ya LNM kabla ya upasuaji katika EGC ya T1. Kama zana ya ushauri wa maamuzi ya kliniki inayochunguzwa, mfumo huu unaahidi uwezo mkubwa wa kuwasaidia watabibu katika uainishaji wa viwango vya hatari kabla ya upasuaji, huku ukiwa hatua ya awali ya kuboresha usimamizi wa upasuaji ujao.

  Kiwango sawa na IF cha jarida: 2.8 (wastani wa unukuzi wa miaka 2 wa OpenAlex, thamani kufikia 2026-10-24, ilipatikana 2026-10-25; si IF rasmi ya Clarivate)
  Rejeleo: Niu X, Wang S, Yu J, Tian M, Tang Z. Tathmini ya Hatari Kabla ya Upasuaji ya Metafasisi za Node za Limfu katika Saratani ya Tumbo ya Awali kwa Kutumia Picha za Slaidi Kamili za Biopsia za Endoskopi Inayotegemea Transformer ya Njia Nyingi. Ann Biomed Eng. 2026 Okt 22 [Imechapishwa mtandaoni kabla ya kuchapishwa]. doi:10.1007/s10439-026-04380-7.
  Imekaguliwa: Muhtasari pekee

Tazama makala zote 1 za Tumbo →

Saratani ya ini: matibabu, majaribio na AI

• Mfano wa ujifunzaji wa kina wa MRI iliyoboreshwa kwa kipingamizi cha kubadilika ukiunganishwa na mfano wa kliniki kwa kutofautisha kwa njia isiyovamia kati ya kansai ya seli za ini na kansai ya njia za nyongo ndani ya ini inayounda uvimbe
  Frontiers in Oncology · 2026-10-23 · Ushahidi: Utafiti wa uchunguzi (uundaji wa modeli pamoja na uthibitisho wa nje)
  Muhtasari

  Msingi na malengo Utafiti huu unalenga kukuza mfumo unaojumuisha ujifunzaji wa kina wa njia nyingi (multi-channel deep learning) kulingana na taswira ya resonansia ya sumaku yenye uchinguzaji wa kidinamik (DCE-MRI) pamoja na uundaji wa mifano ya kliniki, ili kutofautisha kwa njia isiyovamia kabla ya upasuaji kati ya hepatocellular carcinoma (HCC) na mass-forming intrahepatic cholangiocarcinoma (MF-ICC).

  Mbinu: Kundi la maendeleo la ndani lilijumuisha wagonjwa 334 waliothibitishwa kwa upasuaji, ikiwemo wagonjwa 231 walio na HCC na 103 walio na MF-ICC, na liligawanywa kwa kiwango cha mgonjwa kuwa kundi la mafunzo ( n = 233) na kundi la uthibitisho wa ndani ( n = 101). Kundi huru la uthibitisho wa nje liliwemo wagonjwa 50, ikijumuisha 40 walio na HCC na 10 walio na MF-ICC. Tulijenga mifano tofauti ya ujifunzaji wa kina ya vipimo viwili kwa kuzingatia picha za awamu ya arterial, awamu ya portal venous, na awamu ya delayed, na kisha tulitengeneza mifano ya muungano (mfano wa 2D). Kwa kuendelea, mfano wa ujifunzaji wa kina wa chaneli nyingi ulitengenezwa kwa kuingiza moja kwa moja picha za awamu tatu zilizowekwa juu ya nyingine katika kipimo cha chaneli. Zaidi ya hayo, mfano wa kliniki ulijengwa kwa kuzingatia vitabiri huru vilivyobainishwa kupitia uchambuzi wa vigezo vingi, na hatimaye uliounganishwa na mfano wa ujifunzaji wa kina uliofanya vizuri zaidi. Utendaji wa mifano ulipimwa na kulinganwa.

  Matokeo: Mfano wa ujifunzaji wa kina uliotumia moja kwa moja picha za awamu tatu kama ingizo la michaneli mingi ulipata utofautishaji bora (eneo chini ya mkunjo [AUC] = 0.814 katika kikundi cha uthibitisho cha ndani) kuliko mifano yote ya awamu moja na mifano inayolingana ya muunganiko. Mfano mkamilifu wa 2D + michaneli mingi + kliniki ulionyesha utendaji bora zaidi katika kutofautisha HCC na MF-ICC, kwa kufikia AUC ya 0.887 (95% CI, 0.819–0.954) katika kikundi cha uthibitisho cha ndani, na kuenea vizuri kwenye kikundi cha uthibitisho cha nje (AUC = 0.908; 95% CI, 0.811–1.000). Hata hivyo, hakukuwepo na tofauti zenye maana katika AUC kati ya mifano hiyo baada ya kusahihisha kwa milinganisho mingi.

  Hitimisho: Mfano wa mchanganyiko unaojumuisha vitabiri vya kliniki na kipengele cha kujifunza kwa kina cha awamu nyingi za DCE-MRI kinaweza kutoa zana muhimu ya kutofautisha HCC na MF-ICC kabla ya upasuaji.

  Kiwango sawa na IF cha jarida: 2.7 (wastani wa unukuzi wa miaka 2 wa OpenAlex, thamani kufikia 2026-10-02, ilipatikana 2026-10-03; si IF rasmi ya Clarivate)
  Rejeleo: Zhang H, Guo L, Jia F, Liu W, Zhang M, Li F, et al. Mfano wa kujifunza kwa kina wa MRI ya ulinganisho unaoimarishwa wa kudumu uliochanganywa na mfano wa kliniki kwa kutofautisha kwa njia isiyo na uvamizi saratani ya seli za ini na saratani ya mabomba ya nyongo ndani ya ini yenye umbo la uvimbe. Front Oncol. 2026 Oct 23;16:1936989. doi:10.3389/fonc.2026.1936989.
  Imekaguliwa: Muhtasari pekee
• Nyaraka za Ziada kwa: Alama ya radio-transcriptome ya utabiri wa kiwango cha nodule wa majibu kwa atezolizumab pamoja na bevacizumab katika hepatocellular carcinoma
  Figshare · 2026-10-23 · Ushahidi: Utafiti wa uchunguzi (utayarishaji katika sampuli za majaribio ya kliniki na uthibitisho wa nje)
  Muhtasari

  Utangulizi: Majibu ya kliniki kwa tiba ya atezolizumab pamoja na bevacizumab (AB) yanaweza kutofautiana kati ya noduli za hepatocellular carcinoma (HCC) miongoni mwa wagonjwa binafsi. Utafiti huu ulilenga kuunda na kuthibitisha kwa nje saini isiyoingilia ya radiomics (ABRad) iliyotafsiriwa kutoka saini ya transcriptome kwa utabiri wa kiwango cha noduli wa majibu ya AB (ABS).

  Mbinu: Hapo awali tulitengeneza na kuthibitisha ABS kwa kutumia sampuli 209 na 44 za HCC za kabla ya matibabu kutoka kwenye majaribio ya IMbrave150 na GO30140, mtawalia. Kisha ABS ilibadilishwa kuwa ABRad kwa kutumia njia ya machine learning kwa wagonjwa 59 walio na transcriptome ya jeni nzima pamoja na picha za computed tomography za kabla ya upasuaji kutoka kwa HCC iliyopasuliwa kwa upasuaji. Baadaye, ABRad ilithibitishwa kwa nje kwa kutumia noduli 178 za HCC kutoka kwa wagonjwa 55 waliotibiwa kwa tiba ya AB.

  Matokeo: ABS ya jeni 148 ilitabiri mwitikio wa matibabu na muda wa kuishi bila kuendelea kwa ugonjwa (PFS) katika makundi ya majaribio ya kliniki. Mfano wa mwisho wa ABRad, uliotengenezwa kwa kutumia algoriti ya random forest, ulipewa uzito mkubwa kwa vipengele vilivyoimarishwa kwa kontrasti. Katika kundi la uthibitisho wa nje, ABRad ilionesha uhusiano chanya wenye maana na kiwango cha mwitikio wa matibabu (p <0.001). Maeneo chini ya mkunjo wa sifa za utendaji wa kipokezi ya kutabiri mwitikio kamili (CR), mwitikio wa lengo (OR), na udhibiti wa ugonjwa (DC) yalikuwa 0.71 (kipimo cha uhakika cha 95% [CI], 0.61-0.80), 0.65 (95% CI, 0.56-0.73), na 0.69 (95% CI, 0.59-0.78), mtawaliwa. ABRad ya kiwango cha noduli ilihusika kwa kujitegemea na mwitikio wa matibabu kwa viwiano vya odds vilivyorekebishwa vya 3.05 (95% CI, 1.23-7.57) kwa CR, 2.24 (95% CI, 1.06-4.77) kwa OR, na 2.79 (95% CI, 1.07-7.29) kwa DC. ABRad ya kiwango cha mgonjwa ilihusishwa kwa kiwango kikubwa na PFS iliyoongezwa (p = 0.005).

  Hitimisho: ABRad ilitabiri kwa mafanikio mwitikio wa ngazi ya noduli kwa tiba ya AB katika HCC.

  IF ya jarida: haijulikani (haikuweza kulinganishwa)
  Rejeleo: [Hakuna waandishi walioorodheshwa]. Nyaraka za Ziada kwa: Saini ya radio-transcriptome kwa utabiri wa ngazi ya noduli wa majibu kwa atezolizumab pamoja na bevacizumab katika saratani ya seli za ini. Figshare. [Epub kabla ya kuchapishwa]. doi:10.6084/m9.figshare.34754340.
  Imekaguliwa: Muhtasari pekee

Tazama makala zote 4 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

• Mfano wa transformer wa cross-attention unaoweza kufafanulika na unaotegemea CT iliyoboreshwa kwa kontrasti kwa ajili ya kutabiri muda wa kuishi bila ugonjwa kuendelea katika saratani ya kibofu inayovamisha misuli: tafiti ya vituo vingi
  Abdominal Radiology · 2026-10-22 · Ushahidi: Utafiti wa uchunguzi wa kurejea nyuma (vituo vingi)
  Muhtasari

  Wagonjwa walio na saratani ya kibofu inayoingia misulini (MIBC) kwa kawaida huwa na utabiri mbaya sana, hata baada ya kupatiwa upasuaji wa kuondoa kibofu kikamilifu (RC). Kukabiliana na kikwazo hiki, tulijenga na kutathmini mfano wa kujifunza kwa kina (DL) wa kabla ya upasuaji unaotumia picha za tomografia ya kompyuta (CT) ili kugawanya wagonjwa wa MIBC kulingana na hatari yao ya maendeleo ya ugonjwa baada ya upasuaji. Takwimu kutoka kwa wagonjwa wa MIBC wanaopatiwa RC katika moja ya taasisi nne zilifanyiwa uchambuzi wa kurudi nyuma na kugawanywa katika makundi ya mafunzo na uthibitisho. Mfano wa DL wa muunganisho wa taarifa za chaneli mbili uliundwa ili kutabiri hatari ya maendeleo baada ya upasuaji kwa kuzingatia picha za CT za kabla ya upasuaji. Baadaye, saini ya kimatibabu inayotegemea DL iliundwa kwa kuunganisha sifa za kimatibabu na alama iliyotokana na DL. Kielezo cha ulinganifu (C-index) na eneo chini ya mkondo (AUC) ilitumika kutathmini uwezo wa mfano wa DL wa kutabiri, ambao ulilinganishwa na saini ya kimatibabu inayotegemea DL, mfano wa kimatibabu, na mfano wa Ki67. Katika kundi la kurudi nyuma la wagonjwa 427 walio na MIBC, alama ya DL ilionyesha utendaji mzuri wa utabiri wa maendeleo ya ugonjwa katika kundi la uthibitisho (C-index: 0.774; AUC: 0.785), na kwa ujumla ilionyesha utendaji wa juu zaidi wa utabiri kuliko mifano ya kulinganisha katika kundi la uthibitisho. Kwa kutumia kizingiti bora, kundi la wagonjwa liligawanywa katika makundi mawili tofauti, ya hatari kubwa na ya hatari ndogo, huku tofauti katika kiwango cha jumlishi cha matukio ya maendeleo zikionekana kati ya makundi hayo mawili, jambo linalounga mkono uwezo wa mfano kugawanya wagonjwa kulingana na hatari ya maendeleo. Matumizi ya picha za CT za kabla ya upasuaji ndani ya mfumo wa DL yaliwezesha utabiri wa PFS na ugawanyaji wa hatari kwa wagonjwa wa MIBC, yenye thamani inayoweza kuwa kwa ufuatiliaji wa baada ya upasuaji uliobinafsishwa.

  Kiwango sawa na IF cha jarida: 2.6 (wastani wa unukuzi wa miaka 2 wa OpenAlex, thamani kufikia 2026-10-21, ilipatikana 2026-10-22; si IF rasmi ya Clarivate)
  Rejeleo: Liu Y, Xu Z, Xia J, Guo L, Hou W, Qu B, et al. Mfumo wa cross-attention transformer unaofafanulika na unaotegemea CT iliyoboreshwa kwa kontrasti kwa ajili ya kutabiri muda wa kuishi bila ugonjwa kuendelea katika kansai ya kibofu inayovamia misuli: utafiti wa vituo vingi. Abdom Radiol. 2026 Oct 22 [Epub ahead of print]. doi:10.1007/s00261-026-05837-y.
  Imekaguliwa: Muhtasari pekee

Tazama makala zote 1 za Kibofu →