AI اور کینسر کی تحقیق ── 2026-10-15
کینسر اور AI سے متعلق نئے مقالے، جو جریدوں کے فیڈز، PubMed (تمام جریدوں میں تلاش کے ذریعے) اور OpenAlex (Google Scholar کی جگہ استعمال ہونے والا عوامی اشاریہ) سے جمع کیے گئے، اور Jev (زبان سے متعلق فیصلے کرنے والا ایک AI) نے جانچے: اصل تحقیق، AI مرکزی حیثیت میں، 13 موضوعات میں سے کون سا، علاج یا ٹرائلز، اور پھر روزانہ حد تک اہمیت کے لحاظ سے درجہ بند۔ جریدوں کو امپیکٹ فیکٹر کی بنیاد پر نہیں چھانٹا جاتا؛ ہر مقالہ اپنے جریدے کے IF کے مساوی (OpenAlex کی دو سالہ اوسط حوالہ جاتی شرح) اور اس قدر کی تاریخ دکھاتا ہے۔ ہر اندراج مکمل اصل خلاصہ دکھاتا ہے۔
کینسر کی قسم کے مطابق پڑھیں: کینسر حیاتیات（1） · چھاتی（2） · پھیپھڑا（2） · لبلبہ（0） · پروسٹیٹ（0） · اے سی سی（0） · دماغ（2） · بیضہ دانی（0） · اینڈومیٹریل（0） · معدہ（0） · جگر（1） · گردہ（0） · مثانہ（0）
کینسر کی سالماتی حیاتیات اور AI
- خلاصہ
بالائی نظامِ بول کے یوروتھیلیئل کارسنوما (UTUC) کے مریضوں میں انفرادی علاج اور فالو اپ کی منصوبہ بندی کے لیے آپریشن کے بعد دوبارہ بیماری لوٹنے کی درست پیش گوئی ضروری ہے۔ تاہم امیجنگ کی خصوصیات اور طبی معلومات کی غیر یکساں نوعیت کے باعث قابلِ اعتماد خطرے کی درجہ بندی اب بھی مشکل ہے۔ اس مطالعے میں ہم ایک کثیر طریقی (multimodal) طبی فیصلہ سازی معاونت کا فریم ورک تجویز کرتے ہیں جو آپریشن کے بعد دوبارہ بیماری کی پیش گوئی کے لیے کنٹراسٹ بڑھائی گئی کمپیوٹڈ ٹوموگرافی (CT) تصاویر کو معمول کے مطابق دستیاب طبی متغیرات کے ساتھ یکجا کرتا ہے۔ تجویز کردہ فریم ورک ایک امیج-کلینیکل مربوط سیکھنے کی حکمتِ عملی اپناتا ہے تاکہ بصری نمائندگیوں اور مریض کے مخصوص طبی سیاق و سباق کے درمیان معنوی ہم آہنگی بہتر ہو۔ امیجنگ خصوصیات کی رہنمائی طبی معلومات پر مبنی معنوی اشاروں (semantic prompts) سے کی جاتی ہے، جبکہ ایک متحرک امتزاجی طریقۂ کار مختلف طریقوں (modalities) کے حصوں کو موافقت کے ساتھ متوازن کرتا ہے۔ یہ ڈیزائن مضبوط کثیر طریقی تعامل کو ممکن بناتا ہے اور انفرادی خطرے کے تخمینے کو بہتر بناتا ہے۔ فریم ورک کا جائزہ 2016 اور 2023 کے درمیان علاج کیے گئے 160 مریضوں کے ایک سابقہ (retrospective) UTUC گروہ پر لیا گیا، جن میں دوبارہ بیماری کے 59 اور غیر دوبارہ بیماری کے 101 کیسز شامل تھے۔ تجرباتی نتائج سے ظاہر ہوتا ہے کہ تجویز کردہ طریقہ ریسیور آپریٹنگ کریکٹرسٹک منحنی کے نیچے رقبے (AUC) میں 0.87 حاصل کرتا ہے، جو روایتی کنوولوشنل نیورل نیٹ ورک پر مبنی ماڈلز اور نمائندہ کثیر طریقی بیس لائنز کے مقابلے میں برتر کارکردگی کو ظاہر کرتا ہے۔ معیاری تجزیے مزید اشارہ دیتے ہیں کہ امیجنگ پیٹرنز اور طبی عوامل کے درمیان ہم آہنگی بہتر ہوئی ہے، اور توجہ (attention) پر مبنی بصری نمائش کے ذریعے قابلِ تشریح بصیرت فراہم ہوتی ہے۔ ان نتائج سے معلوم ہوتا ہے کہ تجویز کردہ کثیر طریقی فریم ورک آپریشن کے بعد UTUC کے دوبارہ لوٹنے کے خطرے کی درجہ بندی کے لیے ایک ممکنہ طریقہ فراہم کرتا ہے اور طبی فیصلہ سازی اور خطرے کے مطابق آپریشن کے بعد کے انتظام کی معاونت کی صلاحیت رکھتا ہے۔
جریدے کے IF کے مساوی: 3.9 (OpenAlex کی 2 سالہ اوسط citedness، قدر بتاریخ 2026-10-13، حاصل کردہ 2026-10-15؛ سرکاری Clarivate IF نہیں)حوالہ: 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.جانچا گیا: صرف خلاصہ
کینسر حیاتیات کے تمام 1 مقالات دیکھیں →
چھاتی کا کینسر: علاج، ٹرائلز اور AI
- خلاصہ
جراحی سے پہلے چھاتی کے سرطان کی سالماتی ذیلی قسم بندی علاج کے انتخاب اور پیش آگہی کے جائزے کے لیے ضروری ہے، تاہم زیادہ تر ڈیپ لرننگ طریقے ذیلی قسم کی پیش گوئی کو روایتی فلیٹ کثیر درجی کام کے طور پر وضع کرتے ہیں اور ترتیب وار طبی فیصلہ سازی کے عمل کی عکاسی نہیں کرتے۔ ہم نے HCF-Net تیار کیا، جو ایک درجہ وار کیسکیڈ فیوژن نیٹ ورک ہے؛ یہ ذیلی قسم کی پیش گوئی کو تین طبی لحاظ سے ہم آہنگ دو درجی فیصلہ جاتی نوڈز میں تقسیم کرتا ہے اور کثیر مرحلہ DCE-MRI کو طبی و ریڈیولوجی معلومات کے ساتھ یکجا کرتا ہے۔ ماڈل کو 373 خواتین پر مشتمل دو مراکز کے گروہ پر سابقہ طور پر تیار اور جانچا گیا، جن کی جراحی سے پہلے 3.0 T کثیر مرحلہ DCE-MRI کی گئی تھی۔ ایک آزاد ٹیسٹ سیٹ (n = 75) پر HCF-Net نے 0.868 کا Macro-AUC (95% CI, 0.806-0.923)، 73.3% درستگی، 0.732 کا Macro-F1 اور 0.631 کا Cohen's κ حاصل کیا۔ فیوژن ماڈل نے تینوں درجہ وار فیصلہ جاتی نوڈز میں مسلسل سب سے زیادہ AUC حاصل کیا: luminal بمقابلہ non-luminal رسولیوں کے لیے 0.890، Luminal A بمقابلہ Luminal B رسولیوں کے لیے 0.865، اور HER2-enriched بمقابلہ triple-negative رسولیوں کے لیے 0.974۔ درجہ بندی کی حکمت عملیوں کی یہی ترتیب ConvNeXt-Tiny بنیادی ڈھانچے کے ساتھ بھی دیکھی گئی۔ روایتی فلیٹ درجہ بندی کی حکمت عملیوں کے مقابلے میں، درجہ وار کیسکیڈ تجزیہ اور فیصلے کی سطح پر فیوژن نے کارکردگی میں نمایاں اضافہ فراہم کیا۔ یہ نتائج ظاہر کرتے ہیں کہ طبی فیصلہ سازی کے راستوں سے ہم آہنگ درجہ وار فیوژن فریم ورک جراحی سے پہلے چھاتی کے سرطان کی سالماتی ذیلی قسم کی پیش گوئی کے لیے ایک مؤثر اور قابلِ تشریح طریقہ ہو سکتا ہے۔
جریدے کے IF کے مساوی: 3.9 (OpenAlex کی 2 سالہ اوسط citedness، قدر بتاریخ 2026-10-13، حاصل کردہ 2026-10-15؛ سرکاری Clarivate IF نہیں)حوالہ: Chen Y, Hu L, Hou J, Xie Y, Nie S, Jiang Y, et al. HCF-Net: ایک درجہ وار کیسکیڈ فیوژن نیٹ ورک جو ڈائنامک کنٹراسٹ-اینہانسڈ MRI پر چھاتی کے سرطان کی قبل از جراحی مالیکیولر ذیلی درجہ بندی کے لیے طبی علاج کے راستوں سے ہم آہنگ ہے۔ J Digit Imaging Inform med. 2026 Oct 13 [اشاعت سے پہلے آن لائن]۔ doi:10.1007/s10278-026-02331-1.جانچا گیا: صرف خلاصہ - خلاصہ
ہیبیٹیٹ ریڈیومکس ٹیومر کے ذیلی علاقوں کے اندر ٹیکسچر کی خصوصیات بیان کرتا ہے مگر ان کے درمیان مکانی تعلقات کو نظر انداز کر دیتا ہے۔ ہم نے لینڈ اسکیپ ایکولوجی سے متاثرہ ایک فریم ورک تیار کیا جو DCE-MRI پر ہیبیٹیٹس کے درمیان مکانی ساخت کی مقدار بندی کرتا ہے، ہیبیٹیٹ کے اندر ریڈیومکس کے ساتھ اس کی تکمیلی قدر کا جائزہ لیا، اور ابتدائی بمقابلہ تاخیری فیوژن کا موازنہ کیا، جس کے لیے جائزے کے کام کے طور پر ابطی لمف نوڈ میٹاسٹیسیس (ALNM) کی پیش گوئی استعمال کی گئی۔ اس کثیر مرکزی ریٹرو اسپیکٹو مطالعے میں ایک مرکز کے 284 مریضوں کو بے ترتیب طور پر تربیتی (n = 198) اور توثیقی (n = 86) گروہوں میں تقسیم کیا گیا، جبکہ ایک آزاد ادارے کے 120 مریض بیرونی ٹیسٹ سیٹ کے طور پر استعمال ہوئے۔ ٹیومرز کو 19 وکسل کی سطح کے ٹیکسچر ڈسکرپٹرز کی k-means کلسٹرنگ کے ذریعے چھ ہیبیٹیٹس میں تقسیم کیا گیا، جس میں سینٹرائیڈز صرف تربیتی گروہ سے اخذ کیے گئے۔ تین فیچر ڈومینز بنائے گئے: 8 کلینیکل پیرامیٹرز، 642 ہیبیٹیٹ کے اندر ریڈیومکس فیچرز، اور 94 ہیبیٹیٹس کے درمیان مکانی ساخت کے فیچرز جن میں ٹکڑے بندی (n = 30)، شکلیات (n = 24)، ہیبیٹیٹس کے درمیان رابطہ (n = 15)، ہیبیٹیٹس کے درمیان فاصلہ (n = 15)، رقبے کا تناسب (n = 6)، اور تنوع (n = 4) شامل تھے۔ بیرونی ٹیسٹ سیٹ میں، بتدریج فیوژن سے AUC میں اضافہ ہوا: صرف کلینیکل 0.754، ساتھ ہیبیٹیٹ کے اندر ریڈیومکس 0.843، ساتھ ہیبیٹیٹس کے درمیان مکانی ساخت 0.863 (95% CI 0.792-0.934)۔ مکمل ابتدائی فیوژن ماڈل نے صرف کلینیکل (DeLong P = 0.011) اور صرف مکانی ساخت والے ماڈلز (P = 0.044) سے زیادہ AUC حاصل کیا؛ ابتدائی فیوژن کا AUC عددی طور پر تاخیری فیوژن سے زیادہ رہا مگر معنی خیزی تک نہ پہنچا (0.863 بمقابلہ 0.851، P = 0.636)۔ دونوں واحد ڈومین امیجنگ ماڈلز شماریاتی طور پر ایک دوسرے سے مختلف نہیں تھے (0.817 بمقابلہ 0.784، P = 0.512)۔ ہیبیٹیٹس کے درمیان مکانی ساخت ٹیومر کی اس تنظیم کو گرفت میں لیتی ہے جسے روایتی ہیبیٹیٹ ریڈیومکس نظر انداز کرتا ہے اور آپریشن سے پہلے ALNM کی پیش گوئی کے لیے تکمیلی معلومات فراہم کرتی ہے۔
جریدے کے IF کے مساوی: 3.9 (OpenAlex کی 2 سالہ اوسط citedness، قدر بتاریخ 2026-10-13، حاصل کردہ 2026-10-15؛ سرکاری Clarivate IF نہیں)حوالہ: 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.جانچا گیا: صرف خلاصہ
چھاتی کے تمام 2 مقالات دیکھیں →
پھیپھڑوں کا کینسر: علاج، ٹرائلز اور AI
- خلاصہ
پس منظر: پلمونری میوسینس ایڈینو کارسینوما (PMA) پھیپھڑوں کے ایڈینو کارسینوما کی ایک نایاب ذیلی قسم ہے، جس میں جامع پیتھولوجیکل درجہ بندی اور تشخیصی عوامل کا فقدان ہے۔ اس مطالعے میں ہم ایک کثیر ماڈل مشین لرننگ (ML) فریم ورک تجویز کرتے ہیں جو PMA کی ذیلی اقسام کی درجہ بندی اور تشخیصی پیش گوئی کو بہتر بنانے کے لیے متعدد ڈیٹا ماڈلیٹیز کو یکجا کرتا ہے۔ طریقہ کار: اس سابقہ مطالعے میں 175 بنیادی PMA کیسز شامل کیے گئے جن کی آبادیاتی، ہسٹوپیتھولوجیکل، کمپیوٹڈ ٹوموگرافی (CT) امیجنگ، اور ایپیتھیلیل گروتھ فیکٹر ریسیپٹر ( EGFR ) میوٹیشن کی تفصیلات موجود تھیں۔ ہسٹولوجیکل درجہ بندی کے لیے Least absolute shrinkage and selection operator (LASSO) ریگولرائزڈ لاجسٹک ریگریشن ماڈل استعمال کیا گیا، اور اندرونی توثیق کے ساتھ بقا کی پیش گوئی کے لیے Cox پروپورشنل ہیزرڈز ماڈل استعمال کیا گیا۔ نتائج: خالص میوسینس ایڈینو کارسینوما میں ریڈیوگرافک یا پیتھولوجیکل ٹیومر کا چھوٹا سائز، نچلے لوب میں مقام، لمف نوڈ میٹاسٹیسس اور ہوائی خالی جگہوں کے ذریعے پھیلاؤ (STAS) کی کم شرح، ابتدائی پیتھولوجیکل مرحلہ، کارسینو ایمبریونک اینٹیجن (CEA) ≤5 ng/mL، سپیکیولیٹڈ مارجن، Ki-67 کا کم اظہار اور EGFR exon 19 ڈیلیشن کی کم تعدد زیادہ پائی گئی (P=0.002, 0.003, EGFR exon 19 ڈیلیشن PMA میں آزاد تشخیصی عوامل کے طور پر (بالترتیب P=0.04, 0.049)۔ مزید یہ کہ Kaplan-Meier منحنیات نے نوموگرام اسکور کی بنیاد پر درجہ بند کم اور زیادہ خطرے والے گروپوں کے درمیان نمایاں طور پر مختلف نتائج ظاہر کیے (P<0.001)۔ نتائج کا خلاصہ: پلمونری خالص میوسینس ایڈینو کارسینوما نے مخلوط میوسینس اور میوسن خارج کرنے والی قسم کے مقابلے میں کم مہلکیت ظاہر کی۔ اس مطالعے میں تیار اور توثیق شدہ نوموگرام ماڈل نے PMA کے مریضوں میں آپریشن سے پہلے ہسٹولوجیکل ذیلی قسم اور بقا کی پیش گوئی میں امید افزا افادیت دکھائی، جو معالجین کو تشخیص اور پیش گوئی میں رہنمائی فراہم کرتی ہے۔
جریدے کے IF کے مساوی: 1.4 (OpenAlex کی 2 سالہ اوسط citedness، قدر بتاریخ 2026-10-13، حاصل کردہ 2026-10-15؛ سرکاری Clarivate IF نہیں)حوالہ: Yang W, Chen C, Li L, Chen Z, Chen Z, Le H, et al. Integrating multimodal data for precise subtyping and prognostication in patients with pulmonary mucinous adenocarcinoma. Transl Cancer Res. 2026 Sep;15(9):708-8. doi:10.21037/tcr-2026-1241.جانچا گیا: صرف خلاصہ - خلاصہ
پس منظر: چھوٹے خلیوں کے پھیپھڑوں کے کینسر (SCLC) کے مریضوں میں، پروفائیلیکٹک کرینیل ارریڈی ایشن (PCI) کے بعد بھی، دماغی میٹاسٹیسس ایک اہم طبی تشویش بنی رہتی ہے۔ PCI کے بعد دماغی میٹاسٹیسس کے زیادہ خطرے والے مریضوں کی درست شناخت انفرادی نگرانی اور علاج میں مدد دے سکتی ہے۔ اس مطالعے میں دو اعشاریہ پانچ جہتی (2.5D) ملٹی چینل ڈیپ لرننگ خصوصیات، طبی خصوصیات اور ریڈیومکس خصوصیات پر مبنی ایک فیوژن ماڈل تیار کیا گیا تاکہ پیش گوئی کی جا سکے کہ آیا SCLC کے مریضوں میں PCI کے بعد دماغی میٹاسٹیسس پیدا ہوگا۔ طریقہ کار: اس سابقہ مطالعے میں SCLC کے 185 مریض شامل کیے گئے جن کا PCI ہوا تھا، اور انہیں تصادفی طور پر تربیتی سیٹ (N=148) اور ٹیسٹنگ سیٹ (N=37) میں تقسیم کیا گیا۔ CT تصاویر سے حاصل کردہ ملٹی پلانر خطوں (ROI) کی بنیاد پر ایک 2.5D ملٹی چینل کنوولوشنل نیورل نیٹ ورک (CNN) ماڈل بنایا گیا تاکہ 2.5D ڈیپ لرننگ خصوصیات نکالی جا سکیں۔ ٹیومر ROI کے سب سے بڑے کراس سیکشن اور تین جہتی (3D) حجم کی بنیاد پر بالترتیب دو جہتی (2D) اور 3D ڈیپ لرننگ خصوصیات نکالی گئیں۔ اس کے بعد مختلف جہتوں کی خصوصیات کو طبی خصوصیات اور روایتی اومکس خصوصیات کے ساتھ ملا کر بالترتیب 2D_clinic_Rad، 2.5D_clinic_Rad اور 3D_clinic_Rad ماڈلز بنائے گئے۔ پھر 3D ماڈلز اور طبی و روایتی ریڈیومکس ماڈلز کے درمیان کارکردگی کے فرق کا موازنہ کیا گیا۔ نتائج: 2.5D_clinic_Rad فیوژن ماڈل نے دماغی میٹاسٹیسس کی پیش گوئی میں بہترین کارکردگی دکھائی، اور ٹیسٹ سیٹ پر 0.841 کا ایریا انڈر دی کرو (AUC) حاصل کیا، جو طبی ماڈلز، روایتی ریڈیومکس ماڈلز اور 2D اور 3D ڈیپ لرننگ فیوژن ماڈلز سے بہتر تھا۔ ڈیسیژن کروز اور کیلیبریشن کروز کے تجزیے سے ظاہر ہوا کہ 2.5D_clinic_Rad ماڈل نے دیگر ماڈلز کے مقابلے میں سب سے زیادہ طبی خالص فائدہ اور بہترین کیلیبریشن مطابقت دکھائی۔ نتائج کا خلاصہ: 2.5D_clinic_Rad پر مبنی فیوژن ماڈل پورے دماغ کی پروفائیلیکٹک ارریڈی ایشن کے بعد SCLC کے مریضوں میں دماغی میٹاسٹیسس کے خطرے کی مؤثر پیش گوئی کر سکتا ہے۔
جریدے کے IF کے مساوی: 2.5 (OpenAlex کی 2 سالہ اوسط citedness، قدر بتاریخ 2026-10-13، حاصل کردہ 2026-10-15؛ سرکاری Clarivate IF نہیں)حوالہ: Zhang X, Zhao L, Wang J, Zhang X, Liang X, Cao W, و دیگر. چھوٹے خلیوں کے پھیپھڑوں کے کینسر میں احتیاطی دماغی شعاعی علاج کے بعد دماغی میٹاسٹیسز کے وقوع کی پیش گوئی کے لیے قابلِ تشریح ڈیپ لرننگ اور ریڈیومکس۔ Transl Lung Cancer Res. 2026 Sep;15(9):281-1. doi:10.21037/tlcr-2026-0708.جانچا گیا: صرف خلاصہ
پھیپھڑوں کے تمام 2 مقالات دیکھیں →
لبلبے کا کینسر: علاج، ٹرائلز اور AI
اس شمارے کے لیے کوئی نیا اہل مقالہ نہیں۔
پروسٹیٹ کینسر: علاج، کلینیکل ٹرائلز اور AI
اس شمارے کے لیے کوئی نیا اہل مقالہ نہیں۔
ایڈینائڈ سسٹک کارسنوما: علاج، ٹرائلز اور AI
اس شمارے کے لیے کوئی نیا اہل مقالہ نہیں۔
دماغی رسولیاں: علاج، ٹرائلز اور AI
- خلاصہ
گلیوبلاسٹوما (GBM) کے علاج کا ردِعمل انتہائی غیر یکساں ہوتا ہے۔ علاج سے پہلے کی MRI سے نتائج کی پیش گوئی ایک اہم غیر پوری شدہ ضرورت ہے، لیکن "بلیک باکس" ڈیپ لرننگ (DL) ماڈلز کا طبی استعمال شفافیت کی کمی کی وجہ سے رکا ہوا ہے۔ طبی اعتماد قائم کرنے کے لیے مضبوط اور جامع توثیقی فریم ورک ابھی تیار کرنے کی ضرورت ہے۔ GBM کی مجموعی بقا کی پیش گوئی کے لیے پہلے سے تیار کردہ ڈیپ لرننگ ماڈل کا تجزیہ کرنے کے لیے کثیر پرتی قابلِ وضاحت AI (XAI) پائپ لائن استعمال کی گئی۔ پہلے، ماڈل کی بصری توجہ کا معیاری اور مقداری تجزیہ کیا گیا۔ دوسرے، ان پٹ ایبلیشن مطالعات کے ذریعے ماڈل کے خصوصیات پر انحصار کی پیمائش کی گئی۔ تیسرے، اندرونی نمائندگیوں کی لکیری پروبنگ سے یہ معلوم کیا گیا کہ کس گہرائی پر کلاس کی معلومات ڈی کوڈ ہونے کے قابل ہوتی ہیں۔ آخر میں، AI اور اس کی وضاحتوں کے طبی اثر کا جائزہ کثیر قاری، کثیر کیس مطالعے (37 مریض، 4 قاری، 3 مراحل، 444 مشاہدات) میں جنرلائزڈ ایسٹیمیٹنگ ایکویشنز (GEE) اور کلسٹرڈ بوٹ اسٹریپنگ کے ذریعے لیا گیا۔ تجزیے سے ایک اعلیٰ شدت کا ہیورسٹک سامنے آیا: کھوپڑی کے کنارے پر انتہائی روشن پکسلز "طویل مدتی" پیش گوئیوں کی بنیاد بنے، جبکہ ان کی غیر موجودگی میں ماڈل ٹیومر کی افزودگی کی بنیاد پر "مختصر مدتی" کو بطور ڈیفالٹ منتخب کرتا رہا۔ ایبلیشن مطالعے نے اس انحصار کو ثابت کیا، اور لکیری پروبنگ نے بھی اسی سمت کی نشاندہی کی۔ طبی مطالعے میں، AI کی مدد نے ماہرین کی درستگی میں نمایاں بہتری پیدا کی (OR 1.598, p < 0.01) بغیر اعتماد کو مصنوعی طور پر بڑھائے (p = 0.561)۔ اہم بات یہ ہے کہ XAI ہیٹ میپس کے اضافے کا تعلق اس تبدیلی سے تھا کہ ماہرین AI اسکور کو کیسے استعمال کرتے ہیں (تعامل p < 0.01)، اور ان مریضوں کی تعداد میں کمی سے بھی جنہیں غلطی سے طویل مدتی بقا والا قرار دیا گیا۔ اعلیٰ پیش گوئی کی درستگی کم سطحی شدت کے ہیورسٹکس پر انحصار کو چھپا سکتی ہے۔ اگرچہ سیلینسی میپس کی سطحی تشریح خطرناک ہے، کثیر پرتی آڈٹ ان شارٹ کٹس کو بے نقاب کر دیتے ہیں۔ طبی طور پر، مکانی ہیٹ میپس کا تعلق ماہرین کی تشخیصی درستگی میں بہتری اور فیصلہ سازی کی حکمتِ عملی میں تبدیلی سے تھا۔
جریدے کے IF کے مساوی: 3.9 (OpenAlex کی 2 سالہ اوسط citedness، قدر بتاریخ 2026-10-13، حاصل کردہ 2026-10-15؛ سرکاری Clarivate IF نہیں)حوالہ: Andres R, Moreau NN, Dessoude L, Le Henaff L, Missohou F, Stefan D, et al. گلیوبلاسٹوما کے علاج کی افادیت کی پیش گوئی میں ڈیپ لرننگ کی وضاحت پذیری اور طبی اعتماد: ایک جامع فریم ورک۔ J Digit Imaging Inform med. 2026 Oct 13 [اشاعت سے پہلے آن لائن]. doi:10.1007/s10278-026-02381-5.جانچا گیا: صرف خلاصہ - خلاصہ
پس منظر: CD9 کا زیادہ اظہار بالغ قسم کے پھیلے ہوئے گلیوماز (ADGs) کے مریضوں میں مجموعی بقا (OS) کے کم ہونے سے نمایاں طور پر وابستہ ہے۔ اسی کے ساتھ، ادویات کی اسکریننگ کے تجزیوں میں emetine کو CD9 کے زیادہ اظہار والے گلیوماز کے لیے ایک ممکنہ ہدف شدہ علاجی ایجنٹ کے طور پر شناخت کیا گیا ہے، جو ظاہر کرتا ہے کہ CD9 ایک نیا بائیو مارکر ثابت ہو سکتا ہے جو گلیوما کی تشخیص اور علاج کو بدلنے کی صلاحیت رکھتا ہے۔ اس مطالعے کا مقصد آپریشن سے پہلے کی مقناطیسی گمک کی تصویر کشی (MRI) کی تصاویر پر مبنی ایک مصنوعی ذہانت کا پیش گوئی ماڈل تیار کرنا تھا تاکہ ADGs کے مریضوں میں CD9 کے زیادہ اظہار کی ابتدائی شناخت میں آسانی ہو۔ طریقے: ہم نے The Cancer Genome Atlas (TCGA) اور Chinese Glioma Genome Atlas (CGGA) کوہورٹس سے ADGs کے 262 مریضوں کے CD9 اظہار کے ڈیٹا کو ماضی بینی طور پر جمع کیا۔ آپریشن سے پہلے کی MRI سیکوینسز [کنٹراسٹ سے بہتر کردہ T1-ویٹڈ امیجنگ (CET1) اور T2-ویٹڈ امیجنگ (T2WI)] کا استعمال کرتے ہوئے، K-means کلسٹرنگ الگورتھم کے ذریعے Habitat خصوصیات کو ریڈیومک خصوصیات کے ساتھ نکالا گیا۔ مزید برآں، ResNet101، DenseNet121 اور SimpleViT سمیت نیورل نیٹ ورک آرکیٹیکچرز کی بنیاد پر کثیر چینل 2.5 جہتی ڈیپ لرننگ (2.5D_DL) ڈیٹا تشکیل دیا گیا اور DL خصوصیات نکالی گئیں۔ انفرادی Radiomics، Habitat اور 2.5D_DL پیش گوئی ماڈلز بنانے کے لیے سات classifiers استعمال کیے گئے۔ بعد ازاں، ایک ensemble fusion حکمت عملی کے ذریعے Stacking ماڈل تیار کیا گیا تاکہ CD9 کے زیادہ اظہار کی پیش گوئی کی جا سکے۔ ماڈل کی کارکردگی کو receiver operating characteristic (ROC) منحنیات سے جانچا گیا، اور طبی افادیت کا جائزہ decision curve analysis (DCA) سے لیا گیا۔ ماڈلز کی تشریح جاننے کے لیے Shapley Additive Explanations (SHAP) تجزیہ کیا گیا، جس سے مشین لرننگ کی پیش گوئیوں کی شفافیت میں اضافہ ہوا۔ اس کے علاوہ، مریضوں کو Stacking ماڈل کے اسکور کی بنیاد پر زیادہ اور کم خطرے والے گروہوں میں تقسیم کیا گیا، اور بقا کے فرق کا موازنہ Kaplan-Meier تجزیے اور log-rank ٹیسٹ سے کیا گیا۔ نتائج: Habitat ماڈل نے Radiomics ماڈل کے مقابلے میں ROC منحنی [ROC کے نیچے رقبہ (AUC)] کی بہتر قدریں ظاہر کیں۔ کثیر چینل 2.5D_DL ماڈلز میں، SimpleViT ماڈل نے convolutional neural network (CNN) پر مبنی ماڈلز (ResnNet101 اور DenseNet121) سے قدرے بہتر کارکردگی حاصل کی۔ حتمی Stacking ماڈل، جس نے Habitat، Radiomics اور 2.5D_DL ماڈلز کے نتائج کو یکجا کیا، نے بہتر AUC قدریں ظاہر کیں۔ AUC تربیتی، توثیقی اور ٹیسٹ سیٹس میں بالترتیب 0.999، 0.822 اور 0.728 تک پہنچا۔ DeLong ٹیسٹ نے تربیتی سیٹ میں ہر ماڈل کی AUC قدروں میں شماریاتی طور پر نمایاں فرق کی تصدیق کی، لیکن دیگر سیٹس کے درمیان کوئی شماریاتی طور پر نمایاں فرق نہیں دیکھا گیا۔ اس کے علاوہ، DCA کے ذریعے اس مربوط ماڈل کے لیے خطرے کی حدوں کی ایک وسیع تر رینج میں خالص طبی فائدے میں اضافے کی تصدیق ہوئی۔ Stacking ماڈل کے ذریعے پیش گوئی پر مبنی درجہ بندی نے زیادہ خطرے اور کم خطرے والے گروہوں کے درمیان بقا کے نتائج میں نمایاں فرق ظاہر کیا۔ نتائج کا خلاصہ: آپریشن سے پہلے کی MRI پر مبنی Stacking ماڈل ADGs میں CD9 کے زیادہ اظہار والے مریضوں کی مؤثر طور پر شناخت کرتا ہے اور مریضوں کے خطرے کی درجہ بندی کرتا ہے، جو طبی علاجی فیصلہ سازی اور انفرادی تشخیصی جائزے کے لیے معاونت فراہم کرتا ہے۔ اس ماڈل کی پیش گوئی کی کارکردگی اور عمومی اطلاق کی توثیق کے لیے مستقبل بینی کثیر مراکزی ڈیٹا اب بھی درکار ہے۔
جریدے کے IF کے مساوی: 1.4 (OpenAlex کی 2 سالہ اوسط citedness، قدر بتاریخ 2026-10-13، حاصل کردہ 2026-10-15؛ سرکاری Clarivate IF نہیں)حوالہ: 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.جانچا گیا: صرف خلاصہ
دماغ کے تمام 2 مقالات دیکھیں →
بیضہ دانی کا کینسر: علاج، ٹرائلز اور AI
اس شمارے کے لیے کوئی نیا اہل مقالہ نہیں۔
اینڈومیٹریل کینسر: علاج، ٹرائلز اور AI
اس شمارے کے لیے کوئی نیا اہل مقالہ نہیں۔
معدے کا کینسر: علاج، ٹرائلز اور AI
اس شمارے کے لیے کوئی نیا اہل مقالہ نہیں۔
جگر کا کینسر: علاج، ٹرائلز اور AI
- خلاصہ
پس منظر: ہیپاٹوسیلولر کارسنوما (HCC) دنیا بھر میں کینسر سے متعلق اموات کی اہم ترین وجوہات میں سے ایک ہے، اور TP53 میوٹیشن ایک ٹرنک میوٹیشن کے طور پر ٹیومر کی نشوونما کو آگے بڑھاتی ہے۔ تاہم، فی الحال TP53 میوٹیشن کی کیفیت صرف جگر کی انویزیو بایوپسی کے ذریعے ہی معلوم کی جا سکتی ہے۔ یہ مطالعہ P53-میوٹیٹڈ HCC کی پیش گوئی کے لیے مقناطیسی ریزوننس امیجنگ (MRI) کی کثیر علاقائی ریڈیومکس خصوصیات کو استعمال کرتا ہے اور اس جارح ذیلی قسم کی شناخت کے لیے ایک غیر جراحی ذریعہ فراہم کرتا ہے۔ طریقہ کار: اس ماضی نگر مطالعے میں، 320 مریضوں کا ڈیٹا، جن کا آپریشن سے پہلے MRI کیا گیا تھا، تجزیہ کیا گیا اور اسے ایک تربیتی گروپ (TC؛ n=224) اور ایک توثیقی گروپ (VC؛ n=96) میں تقسیم کیا گیا۔ پیش گوئی کرنے والے ماڈلز بنانے کے لیے مرحلہ وار ریگریشن کے ذریعے طبی خطرے کے عوامل کی نشاندہی کی گئی۔ ہم نے چھ MRI سیکوینسز میں تین مشین لرننگ درجہ بند کنندگان کا جائزہ لیا، اور ریڈیومکس ماڈل بنانے کے لیے چار علاقوں (پورا ٹیومر، IntraPeri_9mm، IntraPeri_11mm، اور IntraPeri_13mm) میں سے بہترین IntraPeri فیوژن ماڈل منتخب کرنے کے لیے least absolute shrinkage and selection operator طریقہ استعمال کیا گیا۔ P53-میوٹیٹڈ HCC کے لیے پیش گوئی کرنے والے نوموگرام میں ان طبی پیش گوئی کنندگان کو امتیازی ریڈیومکس خصوصیات کے ساتھ ملایا گیا، اور اس کی کارکردگی کو receiver operating characteristic تجزیے، کیلیبریشن اور فیصلہ جاتی منحنیات کے ذریعے پرکھا گیا۔ نتائج: 320 مریضوں میں (259 مرد اور 61 خواتین؛ اوسط عمر 58.25±11.51 سال)، 183 کو P53-میوٹیٹڈ HCC تھا اور 137 کو غیر P53-میوٹیٹڈ HCC تھا۔ ٹیومر کا سب سے بڑا قطر (LTD)، Edmondson-Steiner درجہ، اور کنارے پر شریانی مرحلے کی ہائپر انہانسمنٹ کو P53-میوٹیٹڈ HCC کے آزاد پیش گوئی کنندگان کے طور پر شناخت کیا گیا۔ IntraPeri_11mm علاقے میں بہترین MRI سیکوینس [T1-weighted imaging-arterial phase (T1WI-AP)] کی ریڈیومکس خصوصیات پر مبنی ExtraTrees درجہ بند کنندہ نے مضبوط پیش گوئی کی درستگی حاصل کی [area under the curve (AUC) TC =0.805؛ AUC VC =0.660]۔ طبی اور ریڈیومکس خصوصیات کو یکجا کرنے والے پیش گوئی کے نوموگرام نے TC [AUC =0.815؛ 95% confidence interval (CI): 0.758-0.872] اور VC (AUC =0.802؛ 95% CI: 0.713-0.890) دونوں میں بہترین کارکردگی کا مظاہرہ کیا۔ فیصلہ جاتی منحنی تجزیے نے اس کی طبی افادیت کی مزید تصدیق کی۔ نتائج کا خلاصہ: طبی ماڈل کو IntraPeri_11mm ریڈیومکس کے ساتھ ملانے والا نوموگرام HCC میں آپریشن سے پہلے P53 میوٹیشن کی کیفیت کے مؤثر پیش گوئی کنندہ کے طور پر کام کر سکتا ہے۔
جریدے کے IF کے مساوی: 1.4 (OpenAlex کی 2 سالہ اوسط citedness، قدر بتاریخ 2026-10-13، حاصل کردہ 2026-10-15؛ سرکاری Clarivate IF نہیں)حوالہ: Weng J, Yao D, Zeng Q, He Y, Yang C, Yang B. P53 میں تبدیلی والے ہیپاٹوسیلولر کارسنوما کی پیش گوئی کے لیے مقناطیسی گمک امیجنگ پر مبنی ریڈیومکس: ٹیومر کے اندر اور اطراف کا تجزیہ۔ Transl Cancer Res. 2026 Sep;15(9):709-9. doi:10.21037/tcr-2026-1579.جانچا گیا: صرف خلاصہ
گردے کا کینسر: علاج، ٹرائلز اور AI
اس شمارے کے لیے کوئی نیا اہل مقالہ نہیں۔
مثانے کا کینسر: علاج، ٹرائلز اور AI
اس شمارے کے لیے کوئی نیا اہل مقالہ نہیں۔