AI اور کینسر کی تحقیق ── 2026-10-25
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 بیالوجی（4） · چھاتی（4） · پھیپھڑا（4） · لبلبہ（0） · پروسٹیٹ（0） · اے سی سی（0） · دماغ（1） · بیضہ دانی（0） · اینڈومیٹرئیل（1） · معدہ（1） · جگر（4） · گردہ（0） · مثانہ（1）
کینسر کی سالماتی حیاتیات اور AI
- خلاصہ
تشخیصی امیجنگ مصنوعی ذہانت (AI) الگورتھمز کے سب سے زیادہ امید افزا طبی اطلاقات میں سے ایک ہے۔ اس مطالعے کا مقصد کسٹمائزڈ کنوولوشنل نیورل نیٹ ورک (CNN) SepNetDense کا جائزہ لینا تھا تاکہ کتوں کے دماغ کی معمول اور غیر معمول مقناطیسی گونج امیجز (MRIs) میں فرق کیا جا سکے، جس کا ہدف تشخیصی کارکردگی میں اضافہ اور ریڈیولوجسٹس کی غیر معمول تصاویر کی شناخت میں مدد تھا۔ ڈیٹا سیٹ میں چار جامعات سے جمع کیے گئے 550 کتوں کے T1-weighted (T1w) کانٹراسٹ سے پہلے اور بعد کے سیکوینسز شامل تھے، جو ٹرانسورس، سیجٹل اور ڈورسل جہات میں تھے۔ وہ کتے شامل کیے گئے جن کی مکمل طبی تشخیص ہسٹوپیتھولوجی کے ذریعے یا موجودہ طبی اجماع کے مطابق تصدیق شدہ تھی۔ مریضوں کو بے ترتیب طور پر تربیتی سیٹ (n = 444)، توثیقی سیٹ (n = 53) اور ٹیسٹ سیٹ (n = 53) میں تقسیم کیا گیا۔ ہر MRI کو سلائس بہ سلائس بنیاد پر معمول یا غیر معمول کے طور پر لیبل کیا گیا۔ ماڈل کو 205 معمول کے مطابق امیجنگ ڈیٹا سیٹس (مثلاً، ایکسترینیئل اسبابیات، ایڈیوپیتھک صرع، پیروکسمل ڈسکنیشیا) اور 239 غیر معمول ڈیٹا سیٹس (مثلاً، نیوپلازم، سوزشی زخم، دیگر پیتھولوجیز) پر تربیت دی گئی۔ ماڈل نے ٹیسٹ سیٹ میں 74% حقیقی معمول سلائسز کو معمول اور 73% حقیقی غیر معمول کو غیر معمول کے طور پر درست پیش گوئی کی۔ مریض کی سطح پر ماڈل کی پیش گوئی کے ROC تجزیے سے معلوم ہوا کہ فی مریض 51% غیر معمول سلائسز کی حد پر ماڈل 83% حساسیت (95% CI 67–91%) اور 78% (95% CI 54–91%) مخصوصیت کا بہترین توازن حاصل کر گیا، جبکہ متوازن درستگی 80% (95% CI 69–92%) تھی۔ ANCOVA نے ظاہر کیا کہ CNN کی درجہ بندی کی کارکردگی پر متعدد حیاتیاتی، تکنیکی اور ادارہ جاتی عوامل کا اثر پڑا۔ زخم کی تشخیص، ادارہ جاتی ماحول اور نسل کے سائز کے نمایاں بڑے اثرات تھے، جبکہ جسمانی وزن نے نمایاں درمیانے درجے کا اثر دکھایا۔ تشخیص اور ادارے کے درمیان اور اسی طرح نسل کے سائز اور وزن کے درمیان بڑے اثر سائز والے نمایاں تعاملات بھی دیکھے گئے۔ مزید برآں، تشریحی محوروں کے ساتھ پیش گوئی کے زمرہ جات کی تقسیم میں ایک الگ نمونہ دیکھا گیا، جس میں تمام MRI سیکوینسز میں مرکزی کوارٹائلز میں CNN کی بہتر کارکردگی کا رجحان تھا۔ مجموعی طور پر، نتائج کتوں کے دماغ کی MRI اسٹڈیز کی CNN کی مدد سے ٹرائیج کے قابلِ عمل ہونے کو ظاہر کرتے ہیں اور تشخیص، ادارہ جاتی ماحول، نسل کا سائز اور جسمانی وزن کو ماڈل کی کارکردگی کے اہم تعین کنندگان کے طور پر اجاگر کرتے ہیں، جس میں مضبوط ویٹرنری AI ایپلیکیشنز کی تیاری کے لیے غیر یکسان ڈیٹا سیٹس کی اہمیت پر زور دیا گیا ہے۔
جرنل IF مساوی: 5.2 (OpenAlex 2 سالہ اوسط حوالگی، قدر 2026-10-04 کے اعتبار سے، بازیافت 2026-10-05؛ یہ سرکاری Clarivate IF نہیں)حوالہ: ابانی ایس، لاوے ایم، ڈکنسن پی جے، ڈی ڈیکر ایس، گوٹیریز-کوئنٹانا آر، غیاثوند ایس، وغیرہ۔ کتے دماغی ایم آر آئی اسامانیتاوں دی سی این این ماڈل تے مبنی تصویری درجہ بندی۔ سائ رپ۔ 2026 اکتوبر 23;16(1):33913. doi:10.1038/s41598-026-71470-w۔جانچا گیا: صرف خلاصہ - خلاصہ
عصبی مسائل کی دو انتہائی سنگین اقسام، جن کا علاج صرف اُس وقت ممکن ہے جب MRI کی مدد سے انتہائی زیادہ درستگی کے ساتھ تشخیص کی جائے، برین ٹیومر اور الزائمر کی بیماری (AD) ہیں۔ زیرِ مطالعہ پروجیکٹ ان غیر متوازن MRI ڈیٹا سیٹس پر غور کرتا ہے اور درجہ بندی کے عمل کو بہتر بنانے کے لیے Synthetic Minority Oversampling Technique (SMOTE) کا حوالہ دیتا ہے۔ ان میں کئی ML اور DL ماڈلز شامل تھے، جن میں RF، SVM، Voting Classifier، CNN، VGG16، ResNet50 اور Inception V3 کے علاوہ LSTM کے ساتھ AlexNet، Xception، اور نیا Transformer and LSTM Enhanced Attention-Based Explainable CNN (TLEABLCNN) شامل ہیں۔ TLEABLCNN ماڈل نے اپنے بیس لائن ماڈلز کی نسبت مستقل بہتر کارکردگی کا مظاہرہ کیا، جس کی درجہ بندی کی درستگی منظرنامہ A میں 96.1%، منظرنامہ B میں 97.4% اور منظرنامہ C میں 98.2% رہی۔ اس کے macro-precision، recall اور F1-scores بھی برتر تھے۔ دماغ میں اسامنطات کا پتہ لگانے کے لیے YOLOv5، YOLOv8، YOLOv9 اور YOLOv11 کے object recognition ماڈلز استعمال کیے گئے۔ YOLOv9 کو سب سے زیادہ بہترین mean average precision (mAP) یعنی 91.5% حاصل ہوا۔ YOLOv8 نے 91.8% کی بہترین درستگی حاصل کی۔ مزید برآں، XAI تکنیکن، جیسے heatmaps، ان heatmaps کو تیار کرنے کے لیے استعمال کیے گئے جنہوں نے MRI اسکین کے ان اہم ترین حصوں کو ظاہر کیا جنہوں نے ماڈل کی پیشن گوئیوں کو متاثر کیا۔ اس سے نتائج سمجھنا آسان ہوا اور پیشہ ورانہ اعتماد میں اضافہ ہوا۔ یہ نتائج اس فریم ورک کی مضبوطی کی نشاندہی کرتے ہیں کہ یہ دماغی عوارض کی ایسی دریافت کر سکتا ہے جو قابلِ وضاحت ہو۔
جرنل IF مساوی: 0.0 (OpenAlex 2 سالہ اوسط حوالگی، قدر 2026-10-07 کے اعتبار سے، بازیافت 2026-10-08؛ یہ سرکاری Clarivate IF نہیں)حوالہ: [مصنفین کے نام درج نہیں]۔ TLEABLCNN: غیر متوازن برین MRI کے ساتھ اٹینشن پر مبنی قابلِ وضاحت ڈیپ لرننگ اور SMOTE کے ذریعے دماغ اور الزائمر کی بیماری کی تشخیص۔ IJDDT. 2026 Oct 22;16(76s). doi:10.25258/ijddt.16.76s.161.جانچا گیا: صرف خلاصہ
تمام 4 کینسر بائیولوجی کے مقالات دیکھیں →
چھاتی کا کینسر: علاج، ٹرائلز اور AI
- خلاصہ
ٹیومر میں نفوذ کرنے والے لمفوسائٹس (TILs) چھاتی کے سرطان کے مدافعتی microenvironment کے بائیو مارکرز ہیں جو علاج کے ردعمل اور مرض کے متوقع نتیجے سے وابستہ ہیں، لیکن ان کا اندازہ زیادہ تر جراحی کی histopathology پر منحصر ہے۔ ہمارا ہدف TIL کی سطح کی پیش گوئی کے لیے ایک پری آپریشنل ماڈل تیار کرنا اور اس کی توثیق کرنا تھا جو multiphase tumoral–peritumoral DCE-MRI ریڈیومکس کو روایتی خصوصیات کے ساتھ یکجا کرتا ہے۔ اس ریٹروسپیکٹو دو مرکزوں والے مطالعے میں 495 مریضان شامل تھے جن پر ابتدائی علاج کے طور پر پری آپریشنل چھاتی کی DCE-MRI کی گئی اور پھر جراحی کے ذریعے resection کیا گیا۔ TILs کا اندازہ جراحی کے نمونوں پر اس پہلے سے مقرر کردہ 10% کٹ آف کے مطابق لگایا گیا جو چھاتی کی MRI پر مبنی سابقہ TIL مطالعات میں عام طور پر اپنایا جاتا ہے۔ چھ DCE-MRI فیزز میں tumoral اور 3-mm peritumoral علاقوں سے حاصل شدہ ریڈیومک خصوصیات کو کلینیکل، semantic MRI، اور بائیوپسی سے ماخوذ خصوصیات کے ساتھ یکجا کیا گیا۔ ماڈل کی کارکردگی کا اندازہ discrimination، calibration، incremental value، اور کلینیکل افادیت کے ذریعے لگایا گیا، جبکہ خصوصیات کے کردار کا جائزہ لینے کے لیے Shapley additive explanations (SHAP) تجزیہ استعمال کیا گیا۔ مشترکہ ماڈل نے بالترتیب تربیتی، اندرونی توثیق، اور بیرونی توثیق کے سیٹس میں AUC کے 0.882 (95% confidence interval [CI]: 0.840–0.920)، 0.777 (95% CI: 0.672–0.866)، اور 0.738 (95% CI: 0.637–0.826) حاصل کیے۔ بیرونی توثیق میں مشترکہ ماڈل نے روایتی ماڈل (IDI = 0.105, P = 0.005) اور tumoral–peritumoral ماڈل (IDI = 0.098, P = 0.001) کے مقابلے میں نمایاں integrated discrimination improvement (IDI) دکھایا۔ Decision curve analysis نے زیادہ تر جانچی گئی threshold probabilities میں زیادہ net benefit ظاہر کیا۔ SHAP تجزیے نے TIL کے تخمینے کے لیے بعد کے فیزز کی peritumoral ریڈیومک خصوصیات کو غالب پیش گوئی کرنے والے عوامل کے طور پر شناخت کیا۔ multiphase tumoral–peritumoral DCE-MRI ریڈیومکس کو روایتی پری آپریشنل خصوصیات کے ساتھ یکجا کرنے نے TIL کی سطحوں کی پیش گوئی کی صلاحیت ظاہر کی، جس میں late-phase peritumoral خصوصیات نے پیش گوئی کی کارکردگی میں غلبہ رکھا۔ یہ ماڈل مدافعتی نظام سے متعلق خطرے کی درجہ بندی اور انفرادی کثیر الشعبائی علاج کی منصوبہ بندی کے لیے ایک امید افزا پری آپریشنل آلہ فراہم کرتا ہے۔
جرنل IF مساوی: 3.8 (OpenAlex 2 سالہ اوسط حوالگی، قدر 2026-10-02 کے اعتبار سے، بازیافت 2026-10-03؛ یہ سرکاری Clarivate IF نہیں)حوالہ: Yang W, Chen M, Cui Y, Xu W, Tian W, Jiang Y, et al. چند مرحلاتی ٹیومرل–پیری ٹیومرل DCE-MRI ریڈیومکس اور روایتی فیچرز کے ذریعے چھاتی کے سرطان میں ٹیومر سے گھرے لیمفوسائٹس کی سطحوں کی آپریشن سے پہلے کی پیشن گوئی۔ BMC Med Imaging. 2026 Oct 23 [Epub ahead of print]. doi:10.1186/s12880-026-02930-y.جانچا گیا: صرف خلاصہ - خلاصہ
پس منظر: نیوایڈجووینٹ کیموتھراپی (NAC) کے بعد بقایا ایکسیلری لمف نوڈ (ALN) مرض کی درست نشاندہی علاج کی منصوبہ بندی اور ممکنہ جراحی ڈی-اسکیلیشن کے جائزے کے لیے ضروری ہے۔ ہم نے NAC کے بعد ایکسیلری دوبارہ اسٹیجنگ کے لیے روایتی الٹراسونوگرافی (US)، شیر ویو ایلاسٹوگرافی (SWE)، مصنوعی ذہانت (AI)/radiomics، اور ملٹی موڈل الٹراساؤنڈ پر مبنی ماڈلز کی تشخیصی کارکردگی کا جائزہ لیا۔
طریقے: PubMed، Embase، the Cochrane Library اور Web of Science میں آغاز سے دسمبر 2025 تک تلاش کیا گیا۔ axillary سرجری کے بعد کی ہسٹوپیتھالوجی حوالہ معیار تھی، اور بقایا axillary نوڈل بیماری (ypN+) کو یکساں طور پر مثبت ہدفِ حالت قرار دیا گیا۔ مطالعاتی سطح کے 2×2 جدولوں کو اسی سمت کے مطابق ہم آہنگ کیا گیا۔ جانبداری کے خطرے اور قابلِ اطلاق ہونے کا جائزہ Quality Assessment of Diagnostic Accuracy Studies-2 (QUADAS-2) ٹول سے لیا گیا۔ آزاد مطالعات کی کافی تعداد والے ماڈیلیٹی گروپس کے لیے bivariate random-effects ماڈلز اور ہائیرارکیکل سمری ریسیور آپریٹنگ کریکٹرسٹک (HSROC) وکر استعمال کیے گئے؛ مثبت لائکلی ہوڈ ریٹو (PLR) اور منفی لائکلی ہوڈ ریٹو (NLR) کو random-effects ماڈلز کے ساتھ پول کیا گیا۔ ممکنہ طور پر اوورلیپ کرنے والے کوہورٹس کو حساسیت کے تجزیوں میں جانچا گیا۔ مطالعے کا پروٹوکول PROSPERO (International Prospective Register of Systematic Reviews؛ رجسٹریشن نمبر CRD420251271199) میں رجسٹرڈ کیا گیا۔
نتائج: اس سسٹیمیٹک ریویو میں کل 14 مضامین شامل کیے گئے، جن میں سے 10 نے مقداری ترکیب میں 12 ٹیسٹ-لیول ڈیٹا سیٹس فراہم کیں۔ روایتی الٹراساؤنڈ (چھ مطالعات) کے لیے پولڈ سینسیٹیویٹی 0.55 [95% اعتمادی وقفہ (CI): 0.36–0.73]، پولڈ اسپیسیفیٹی 0.79 (95% CI: 0.73–0.84)، HSROC وکر کے نیچے کا رقبہ (AUC) 0.78، اور پولڈ PLR اور NLR بالترتیب 2.47 (95% CI: 1.42–4.28) اور 0.54 (95% CI: 0.30–0.95) تھے۔ AI/radiomics ماڈلز (تین مطالعات) نے پولڈ سینسیٹیویٹی 0.93 (95% CI: 0.80–0.98)، اسپیسیفیٹی 0.82 (95% CI: 0.60–0.94) اور AUC 0.94 دکھائی؛ البتہ لیکلی ہوڈ ریٹیو کے CIs وسیع تھے، اور بائی ویریٹ کوویریئنس تخمینہ حد تک پہنچ گیا۔ SWE کے شواہد دو ممکنہ طور پر اوورلیپنگ رپورٹس تک محدود تھے، اور صرف ایک ملٹی موڈل کمبائنڈ ماڈل اسٹڈی کے پاس مکمل ہارمونائزڈ 2×2 ٹیبل تھا۔ 40% پری ٹیسٹ امکان پر، روایتی الٹراساؤنڈ کے منفی نتیجے نے بقایا نوڈل بیماری کا پوسٹ ٹیسٹ امکان تقریباً 26% تک کم کر دیا۔
نتائج: روایتی US اکیلے ہی NAC کے بعد بقایا ایکسیلری نوڈل بیماری کو قابلِ اعتماد طور پر مسترد نہیں کرتا۔ AI/ریڈیومکس طریقے امید افزا تشخیصی کارکردگی ظاہر کرتے ہیں، لیکن اس سے متعلق شواہد معدود، غیر یکساں اور غیر درست ہیں۔ فی الحال دستیاب ڈیٹا کسی ماڈیلیٹی کی حتمی درجہ بندی یا صرف امیجنگ کی بنیاد پر ایکسیلری سرجری کے ترک کی تائید نہیں کرتے، اور مستقبل پر مبنی ملٹی سینٹر بیرونی توثیق درکار ہے۔
جرنل IF مساوی: 1.9 (OpenAlex 2 سالہ اوسط حوالگی، قدر 2026-10-12 کے اعتبار سے، بازیافت 2026-10-13؛ یہ سرکاری Clarivate IF نہیں)حوالہ: لیو ٹی، ہے وائی، یوان ایکس، وانگ جے، لیو وائی، کاؤ سی، وغیرہ۔ چھاتی کے سرطان کے مریضوں میں نیو ایڈجیوینٹ کیموتھراپی کے بعد بغل کے لمف نوڈس کی بقیہ بیماری کا اندازہ لگانے کے لیے الٹراساؤنڈ پر مبنی امیجنگ طریقوں کی تشخیصی درستگی: ایک منظم جائزہ اور میٹا تجزیہ۔ Quant Imaging Med Surg. 2026 Nov;16(11):868-8. doi:10.21037/qims-2026-1427.جانچا گیا: صرف خلاصہ
تمام 4 چھاتی کے مقالات دیکھیں →
پھیپھڑوں کا کینسر: علاج، ٹرائلز اور AI
- خلاصہ
پس منظر: پھیپھڑوں کے نیورواینڈوکرائن کارسنوماز (pNECs) خرابیوں کا ایک نادر اور غیر یکساں گروہ ہیں، جو کم گریڈ کے کارسنائیڈز سے لے کر اعلیٰ گریڈ کے سمال سیل لنگ کارسنوما (SCLC) اور لارج سیل نیورواینڈوکرائن کارسنوما (LCNEC) تک پھیلے ہوئے ہیں۔ ان ٹیومرز کے لیے پروگنوسٹک اوزار بہت کم ہیں اور بیرونی کوہورٹس میں ان کی توثیق شاذ و نادر ہی کی گئی ہے۔
مقاصد: اس مطالعے کا مقصد pNEC کے لیے Transformer پر مبنی prognostic پیش گوئی ماڈل تیار کرنا اور اسے ایک آزاد بیرونی کوہارٹ میں توثیق کرنا تھا، تاکہ بقا کے تخمینے میں بہتری آئے اور انفرادی نوعیت پر مبنی علاج کے فیصلوں میں مدد ملے۔
طریقے: اس ریٹروسپیکٹو دو مراکز والے کوہارٹ مطالعے میں جراحی سے نکالے گئے pNEC کے 823 مریض شامل تھے (2001-2023)۔ ماڈل سینٹر 1 (n=374؛ تربیتی اور اندرونی ٹیسٹ سیٹس میں 8:2 کے تناسب سے بے ترتیب تقسیم) میں تیار کیے گئے اور ایک آزاد سینٹر 2 کوہارٹ (n=449) میں بیرونی طور پر توثیق کیے گئے۔ تین الگورتھمز—لاجسٹک ریگریشن (LR)، ڈیسیژن ٹری (DT)، اور Transformer پر مبنی ٹیبلر فاؤنڈیشن ماڈل TabPFN—کا 1-، 3-، اور 5-سالہ سنگ میلوں پر مجموعی بقا (OS) اور بیماری سے پاک بقا (DFS) کے تخمینے کے لیے موازنہ کیا گیا، جن کی تشخیص receiver operating characteristic، کیلیبریشن، اور decision curve تجزیوں کے ذریعے ہوئی، جبکہ تفسیر پذیری کے لیے SHapley Additive exPlanations (SHAP) تجزیہ کیا گیا۔
نتائج: TabPFN نے دونوں ٹیسٹ سیٹس میں زیادہ تر کاموں میں منحنیٰ کے تحت رقبہ (AUC) کی سب سے بلند قدر حاصل کی، البتہ کام کے لحاظ سے کچھ مستثنیات تھیں: اندرونی ٹیسٹ سیٹ میں 1-year OS کے لیے logistic regression سب سے بہتر رہا (AUC 0.885)، جبکہ باقی کاموں میں TabPFN بہترین رہا، جن میں 3-year OS (0.880)، مجموعی DFS (0.810) اور 1-year DFS (0.892) شامل ہیں؛ بیرونی ٹیسٹ سیٹ میں 1- اور 3-year OS کے علاوہ مجموعی، 1- اور 3-year DFS (0.747-0.802) کے لیے TabPFN بہترین رہتا رہا، جبکہ 5-year OS اور DFS کے لیے logistic regression سب سے بہتر رہا۔ بیرونی کیلیبریشن کم تسلی بخش رہی۔ بیماری کا مرحلہ، پیتھولوجیکل ذیلی قسم اور عمر اہم پیشن گوئی کرنے والے عوامل تھے، اور TabPFN کم گریڈ ذیلی اقسام میں زیادہ درست تھا۔ SHAP تجزیے نے ہر خصوصیت کے کردار کی مقدار متعین کی اور ماڈل کو قابلِ فہم بنا دیا۔
نتائج: ٹرانسفارمر پر مبنی ماڈل pNEC میں بقا کے تخمینے کو بہتر بناتا ہے، روایتی طریقوں کے مقابلے میں کام کے لحاظ سے برتری رکھتا ہے اور کسی آزاد ادارہ جاتی کوہورٹ پر اس کی منتقلی کی تصدیق ہو چکی ہے۔ مزید وسیع طبی استعمال سے پہلے پروسپیکٹو ملٹی سینٹر توثیق اور کیلیبریشن کی بہتری ضروری ہے۔
جرنل IF مساوی: 2.7 (OpenAlex 2 سالہ اوسط حوالگی، قدر 2026-10-02 کے اعتبار سے، بازیافت 2026-10-03؛ یہ سرکاری Clarivate IF نہیں)حوالہ: Liu L, Liang L, Wang D, Zhang J, Zhao K, Guo C, et al. ٹرانسفارمر پر مبنی مصنوعی ذہانت کے ماڈل کے ذریعے پھیپھڑوں کے نیورواینڈوکرائن کارسنوما کی پیش آگہی کی تشخیص: دو مراکز والا ریٹروسپیکٹیو کوہورٹ اسٹڈی۔ Front Oncol. 2026 Oct 23;16:1948262. doi:10.3389/fonc.2026.1948262.جانچا گیا: صرف خلاصہ - خلاصہ
پس منظر: ہڈیوں میں سرطان کی منتقلی (bone metastasis) نان سمال سیل پھیپھڑوں کے سرطان (NSCLC) کی ایک عام اور طبی لحاظ سے اہم پیچیدگی ہے اور یہ ناقص بقا سے وابستہ ہے۔ اگرچہ پازیٹرن ایمیشن ٹوموگرافی-کمپیوٹیڈ ٹوموگرافی (PET-CT) ہڈیوں کے نظام کا جامع جائزہ فراہم کرتی ہے، تاہم اس کی لاگت اور تابکاری کی نمائش اس کے معمول کے استعمال کو محدود کر سکتی ہے۔ لہٰذا روٹین طور پر دستیاب کلینیکل اور چیسٹ CT سے متعلق معلومات پر مبنی ایک آسان طریقہ زیادہ خطرے والے ان مریضوں کی نشاندہی میں مدد دے سکتا ہے جنہیں مزید ہڈیوں کی امیجنگ سے فائدہ پہنچ سکتا ہے۔ اس مطالعے کا مقصد NSCLC کے مریضوں میں ہڈیوں کے میٹاسٹیسیس کے لیے ایک مؤثر پیشن گوئی کرنے والا ماڈل تیار کرنا تھا۔
طریقے: اس مطالعے میں Surveillance, Epidemiology, and End Results (SEER) ڈیٹا بیس (2000–2021) کے 17,646 ایشیائی NSCLC مریضوں کے ڈیٹا کا ریٹروسپیکٹو تجزیہ بطور ٹریننگ سیٹ کیا گیا اور توثیق کے لیے شنگھائی چیسٹ ہسپتال (2022–2023) کے 308 NSCLC مریضوں کے ایک آزاد بیرونی کوہورٹ کو استعمال کیا گیا۔ متغیرات کے انتخاب کے لیے یونی ویریٹ اور ملٹی ویریٹ لاجسٹک ریگریشن (LR) تجزیے اور کولینیئریٹی تجزیہ کیا گیا۔ ایک نئے DualDrop-Gated Transformer (DGT) ماڈل کو تیار کیا گیا اور اس کا موازنہ LR، extreme gradient boosting (XGBoost)، LightGBM، TabTransformer، اور FTTransformer سے کیا گیا۔ کارکردگی کا جائزہ receiver operating characteristic (ROC)، کیلیبریشن، اور ڈیسیژن کرووں کے ذریعے لیا گیا۔
نتائج: عمر، جنس، T اسٹیج، N اسٹیج، ہسٹولوجیکل سب ٹائپ اور پھیپھڑوں کے میٹاسٹیسیس کی حالت کو اہم پیشن گوئی کرنے والے متغیرات کے طور پر شناخت کیا گیا۔ DGT ماڈل نے ٹریننگ سیٹ میں 0.947، اندرونی ٹیسٹ سیٹ میں 0.936 اور بیرونی توثیقی کوہارٹ میں 0.879 کا کرو کے تحت رقبہ (AUC) حاصل کیا، جس کے ساتھ متوازن سینسیٹیویٹی (0.856) اور اسپیسیفسٹی (0.934) تھی، اور اس نے دیگر ماڈلز سے نمایاں طور پر بہتر کارکردگی دکھائی (P<0.01)۔ ایبلیشن تجربات نے گیٹنگ میکانزم اور ڈراپ آؤٹ کا ماڈل کی کارکردگی میں نمایاں حصہ ظاہر کیا۔ DGT ماڈل پر مبنی ایک ناموگرام بنایا گیا جس کی کیلیبریشن معقول تھی، اور ڈیسیژن کرو اینالیسس (DCA) نے اچھی طبی سود مندی ظاہر کی۔
نتائج: NSCLC کے مریضوں میں ہڈی کے میٹاسٹیسیس کے لیے ایک انتہائی جنرلائزیبل اور انٹرپریٹ ایبل ڈیپ لرننگ فریم ورک پر مبنی ایک نیا DGT پریڈکشن ماڈل 6 پریڈکٹرز کے استعمال سے تیار اور توثیق شدہ کیا گیا، جس کے پھیپھڑوں کے کینسر کے مریضوں کے لیے ابتدائی اسکریننگ، فیصلہ سازی اور انفرادی نوعیت کے مطابق انتظام میں ممکنہ اطلاقی قدر ہو سکتی ہے۔
جرنل IF مساوی: 1.9 (OpenAlex 2 سالہ اوسط حوالگی، قدر 2026-10-12 کے اعتبار سے، بازیافت 2026-10-13؛ یہ سرکاری Clarivate IF نہیں)حوالہ: Wang X, Yu H, Shen Y, Qian Q, Gao X, Xie Z, و دیگر۔ غیر چھوٹے خلیوں والے پھیپھڑوں کے سرطان (non-small cell lung cancer) کے ایشیائی مریضوں میں ہڈی کے میٹاسٹیسیس کی پیش گوئی کے لیے DualDrop-Gated Transformer ماڈل: بیرونی توثیق کے ساتھ ایک حقیقی دنیا کا مطالعہ۔ Quant Imaging Med Surg. 2026 Nov;16(11):863-3. doi:10.21037/qims-2026-0574.جانچا گیا: صرف خلاصہ
تمام 4 پھیپھڑوں کے 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
ایم آر آئی (MRI) تصاویر سے دماغی ٹیومر کی درست سیگمنٹیشن تشخیص، علاج کی منصوبہ بندی اور پروگنوسس کے لیے انتہائی اہم ہے۔ اس مطالعے میں، ہم ٹیومر سیگمنٹیشن کے دو بنیادی طور پر مختلف طریقوں کا موازنہ کرتے ہیں: ایک سوپروائزڈ ڈیپ لرننگ ماڈل (2D U-Net) اور ایک اَن سوپروائزڈ کلسٹرنگ الگورتھم (K-means)۔ ہم مختلف (Magnetic Resonance Imaging) MRI سیکوینسز (FLAIR اور T1-Gd) پر تربیت یافتہ 2D U-Net کی متعدد اقسام کا جائزہ لیتے ہیں، نیز ایک fine-tuned ماڈل بھی جو مختلف موڈالیٹیز کے مطابق ڈھالا گیا ہے، اور ان کا موازنہ دونوں موڈالیٹیز پر الگ الگ لاگو کی گئی K-means کلسٹرنگ سے کرتے ہیں۔
جرنل IF مساوی: 2.4 (OpenAlex 2 سالہ اوسط حوالگی، قدر 2026-10-23 کے اعتبار سے، بازیافت 2026-10-24؛ یہ سرکاری Clarivate IF نہیں)حوالہ: 1. Horia Hulubei National Institute for R&D in Physics and Nuclear Engineering, RO-077125، مگوریلے-بخارسٹ، رومانیا 2. University of Bucharest, Faculty of Physics, RO-077125 مگوریلے-بخارسٹ، رومانیا، باڈیا آر اے، اوریان آش، 1. Horia Hulubei National Institute for R&D in Physics and Nuclear Engineering, RO-077125، مگوریلے-بخارسٹ، رومانیا 2. University of Bucharest, Faculty of Physics, RO-077125 مگوریلے-بخارسٹ، رومانیا، واسیلیو اے اے، University of Bucharest, Faculty of Physics, RO-077125 مگوریلے-بخارسٹ، رومانیا، وغیرہ۔ ایم آر آئی تصاویر میں دماغی ٹیومر کی سیگمنٹیشن کے لیے سپروائزڈ اور ان سپروائزڈ طریقوں کا جائزہ۔ Rom Rep Phys. 2026 Dec 15;78(4):606-6. doi:10.59277/romrepphys.2026.78.606.جانچا گیا: صرف خلاصہ
تمام 1 دماغ کے 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
- خلاصہ
مقصد: اینڈومیٹریل کارسنوما (EC) کی پری آپریٹو رسک اسٹریٹیفکیشن کے لیے ملٹی پیرامیٹرک MRI ریڈیومکس اور 2.5D ڈیپ لرننگ فیچرز پر مبنی ریڈیومکس، ڈیپ لرننگ، کلینیکل اور مشترکہ ماڈلز تیار کرنا اور ان کا موازنہ کرنا۔
طریقے: اس ریٹروسپیکٹو مطالعے میں 246 ایسے مریض شامل کیے گئے جن میں pathology کے ذریعے تصدیق شدہ EC تھا، اور آپریشن سے پہلے کے کلینیکل اور امیجنگ ڈیٹا جمع کیے گئے۔ کلینیکل ڈیٹا، T2-weighted imaging (T2WI)، اور contrast-enhanced T1-weighted imaging (CE-T1WI) جمع کیا گیا۔ T2WI، CE-T1WI، اور ان کے امتزاج کی بنیاد پر ریڈیومکس اور ڈیپ لرننگ ماڈلز تیار کیے گئے۔ اس کے بعد ایک مشترکہ ماڈل تیار کیا گیا جس میں multiparametric ریڈیومکس فیچرز، ڈیپ لرننگ فیچرز، اور کلینیکل پیرامیٹرز کو یکجا کیا گیا۔ ماڈل کی کارکردگی اور کلینیکل افادیت کا جائزہ receiver operating characteristic وکر کے نیچے رقبے (AUC)، کیلیبریشن وکر، decision curve analysis (DCA)، اور جوڑی دار ماڈل موازنوں کے لیے DeLong ٹیسٹ کے ذریعے لیا گیا۔ ماڈل کی تفسیر پذیری بڑھانے کے لیے Gradient-weighted Class Activation Mapping (Grad-CAM) کا استعمال کیا گیا۔
نتائج: یونی ویریٹ اور ملٹی ویریٹ لاجسٹک ریگریشن تجزیے نے ٹیومر کا زیادہ سے زیادہ قطر، MR-DMI، BMI اور ER اسٹیٹس کو آزاد پیش گو عوامل کے طور پر شناخت کیا۔ ریڈیومکس، ڈیپ لرننگ، کلینیکل اور مشترکہ ماڈلز کے موازنے نے ثابت کیا کہ ملٹی پیرامیٹرک MRI ماڈل نے ریڈیومکس یا ڈیپ لرننگ پر مبنی سنگل سیکوینس ماڈلز سے بہتر کارکردگی دکھائی، جبکہ مشترکہ ماڈل نے ویلیڈیشن سیٹ میں بہترین پیش گو کارکردگی ظاہر کی، جس میں AUC 0.891، درستگی 0.86، حساسیت 0.909، خصوصیت 0.765 اور F1-score 0.896 حاصل ہوئی۔ DeLong ٹیسٹ کے نتائج نے دکھایا کہ ٹریننگ سیٹ میں مشترکہ ماڈل کی پیش گو کارکردگی تمام دوسرے ماڈلز سے زیادہ تھی اور یہ فرق شماریاتی طور پر نمایاں تھا (P < 0.05)۔ ویلیڈیشن سیٹ میں مشترکہ ماڈل نے کلینیکل ماڈل اور T2+CET1-Rad ماڈل کے مقابلے میں شماریاتی طور پر نمایاں بہتری دکھائی (P<0.05)۔ ڈیسیژن کرو تجزیے نے ظاہر کیا کہ مشترکہ ماڈل نے سب سے زیادہ کلینیکل خالص فائدہ فراہم کیا۔
نتیجہ: ملٹی پیرامیٹرک MRI پر مبنی ریڈیومکس اور 2.5D ڈیپ لرننگ کے امتزاج نے EC کے خطرے کی درجہ بندی میں اچھی پیش گوئی کی کارکردگی کا مظاہرہ کیا، جو ایک non-invasive ٹول کے طور پر اس کی ممکنہ افادیت کی نشاندہی کرتا ہے اور کلینیکل پریکٹس میں EC کے مریضوں کے لیے ذاتی نوعیت کی علاج کی منصوبہ بندی اور prognostic جائزے کی معاونت کے لیے ایک امید افزا معاون طریقہ پیش کرتا ہے۔
جرنل IF مساوی: 2.7 (OpenAlex 2 سالہ اوسط حوالگی، قدر 2026-10-02 کے اعتبار سے، بازیافت 2026-10-03؛ یہ سرکاری Clarivate IF نہیں)حوالہ: Ouyang Y, Lin M, Cao Y, He N, Zhong X, Wu Y. اینڈومیٹریل کارسینوما کی آپریشن سے پہلے خطرے کی درجہ بندی کے لیے ڈیپ لرننگ کے ساتھ ملٹی پیرامیٹرک MRI پر مبنی ریڈیومکس۔ Front Oncol. 2026 Oct 22;16:1942153. doi:10.3389/fonc.2026.1942153.جانچا گیا: صرف خلاصہ
تمام 1 اینڈومیٹرینل کے مقالات دیکھیں →
معدے کا کینسر: علاج، ٹرائلز اور AI
- خلاصہ
ابتدائی معدے کے سرطان (EGC) میں لمف نوڈ میٹاسٹیسیس (LNM) کا آپریشن سے پہلے درست اندازہ اینڈوسکوپک یا جراحی علاج کے انتخاب کے لیے انتہائی اہم ہے۔ زیادہ تر کمپیوٹیشنل پیتھالوجی مطالعات شفا بخش گیسٹریکٹومی کے بعد حاصل کیے گئے ریسیکشن اسپیسمنز پر انحصار کرتے ہیں، جو اپنی نوعیت سے ان کی آپریشن سے پہلے کی افادیت کو محدود کرتا ہے۔ ہماری تحقیق نے اینڈوسکوپک بائیوپسی کی آپریشن سے پہلے کی وہول سلائیڈ امیجز (WSIs) کے ذریعے LNM خطرے کا اندازہ لگانے کے لیے ایک ملٹی موڈل مصنوعی ذہانت (AI) فریم ورک تیار کیا، جس کا مقصد کلینیشنز کو سرجری سے پہلے علاج کی حکمت عملیوں کو بہتر بنانے اور مریضوں کے لیے غیر ضروری جراحی خطرات کم کرنے میں مدد دینا ہے۔ ہم نے پیتھالوجیکل خصوصیات اور کلینیکل متغیرات کو ضم کرنے کے لیے کلینیکل رہنمائی والے co-attention میکانزم کے ساتھ ایک ملٹی موڈل transformer پر مبنی ماڈل تیار کیا۔ ٹکڑے ٹکڑے بائیوپسی اسپیسمنز میں پائی جانے والی معلوماتی کمی پر قابو پانے کے لیے، ہم نے سرجیکل ٹشوز کی WSIs سے mucosa اور submucosa کے علاقے نکالے تاکہ وہ pseudo-biopsies کے طور پر کام کریں۔ مزید برآں، ایک کرکولم لرننگ (CL) پیراڈائم استعمال کیا گیا تاکہ ماڈل کو مثالی pseudo-biopsies سے حقیقی دنیا کے بائیوپسی نمونوں کی طرف منتقل کیا جا سکے۔ 1,099 سرجیکل ٹشو WSIs اور 189 اینڈوسکوپک بائیوپسی WSIs پر مشتمل ڈیٹا سیٹ کے تجزیے کے ذریعے، ہمارے فریم ورک نے سرجیکل ٹشو WSIs پر 0.759 کا area under the curve (AUC) اور اینڈوسکوپک بائیوپسی کی آپریشن سے پہلے کی WSIs پر 0.727 کا AUC حاصل کیا۔ ہمارے نتائج ثابت کرتے ہیں کہ T1 EGC میں LNM خطرے کا آپریشن سے پہلے اندازہ لگانے کے لیے اینڈوسکوپک بائیوپسی WSIs کے لیے موزوں ملٹی موڈل AI فریم ورک قابلِ عمل ہے۔ ایک تحقیقی کلینیکل فیصلہ سازی میں معاون آلے کے طور پر، اس فریم ورک میں کلینیشنز کو آپریشن سے پہلے خطرے کی درجہ بندی میں مدد دینے کی امید افزا صلاحیت موجود ہے، جو مستقبل کے جراحی انتظام کو بہتر بنانے کی جانب ایک ابتدائی قدم ہے۔
جرنل IF مساوی: 2.8 (OpenAlex 2 سالہ اوسط حوالگی، قدر 2026-10-24 کے اعتبار سے، بازیافت 2026-10-25؛ یہ سرکاری Clarivate IF نہیں)حوالہ: نیو ایکس، وانگ ایس، یو جے، تیان ایم، ٹانگ زیڈ۔ اینڈوسکوپک بایوپسیوں کی مکمل سلائیڈ امیجز کے ذریعے معدے کے ابتدائی سرطان میں لمف نوڈ میٹاسٹیسیس کا ملٹی موڈل ٹرانسفارمر پر مبنی آپریشن سے پہلے خطرے کا جائزہ۔ Ann Biomed Eng. 2026 Oct 22 [الیکٹرانک اشاعت، طبع سے قبل]۔ doi:10.1007/s10439-026-04380-7.جانچا گیا: صرف خلاصہ
تمام 1 گیسٹرک کے مقالات دیکھیں →
جگر کا کینسر: علاج، ٹرائلز اور AI
- خلاصہ
منطقی بنیاد اور مقاصد اس مطالعے کا مقصد ایک ایسا فریم ورک تیار کرنا ہے جو ڈائنامک کنٹراسٹ ایہانسڈ مقناطیسی ریزوننس امیجنگ (DCE-MRI) پر مبنی ملٹی چینل ڈیپ لرننگ کو کلینیکل ماڈلنگ کے ساتھ یکجا کرے، تاکہ ہیپاٹوسیلولر کارسنوما (HCC) اور ماس فارمنگ انٹراہیپاٹک کولینجیوکارسنوما (MF-ICC) کے درمیان آپریشن سے پہلے غیر مداخلاتی تفریق کی جا سکے۔
طریقے: اندرونی ڈیولپمنٹ کوهورت میں 334 جراحی طور پر تصدیق شدہ مریض شامل تھے، جن میں 231 HCC کے مریض اور 103 MF-ICC کے مریض تھے، اور اسے مریض کی سطح پر تربیتی کوهورت ( n = 233) اور اندرونی توثیقی کوهورت ( n = 101) میں تقسیم کیا گیا۔ آزاد بیرونی توثیقی کوهورت میں 50 مریض شامل تھے، جن میں 40 HCC کے اور 10 MF-ICC کے تھے۔ ہم نے آرٹیریل فیز، پورٹل وینس فیز اور ڈیلیڈ فیز کی تصویروں کی بنیاد پر الگ الگ دو جہتی ڈیپ لرننگ ماڈلز بنائے اور پھر فیوژن ماڈلز (2D model) تیار کیے۔ چینل کی لمبائی کے ساتھ سٹیک کی گئی تین فیز تصاویر براہِ راست ان پٹ دے کر ایک ملٹی چینل ڈیپ لرننگ ماڈل مزید تیار کیا گیا۔ مزید برآں، ملٹی ویریٹ تجزیے کے ذریعے شناخت کیے گئے آزاد پیشن گوئی کرنے والے عوامل کی بنیاد پر ایک کلینیکل ماڈل بنایا گیا، جسے بالآخر بہترین کارکردگی والے ڈیپ لرننگ ماڈل کے ساتھ ضم کر دیا گیا۔ ماڈل کی کارکردگی کا جائزہ لیا گیا اور موازنہ کیا گیا۔
نتائج: ڈیپ لرننگ ماڈل جس نے تین فیز تصاویر براہِ راست ملٹی چینل ان پٹ کے طور پر دیں، نے تمام واحد فیز اور متعلقہ فیوژن ماڈلز کے مقابلے میں بہتر امتیازی صلاحیت حاصل کی (اندرونی توثیقی گروپ میں area under the curve [AUC] = 0.814)۔ جامع 2D + ملٹی چینل + کلینیکل ماڈل نے HCC کو MF-ICC سے ممیز کرنے میں بہترین کارکردگی دکھائی، اندرونی توثیقی گروپ میں 0.887 (95% CI, 0.819–0.954) کا AUC حاصل کیا، اور بیرونی توثیقی گروپ میں اچھی طرح عام ہوا (AUC = 0.908; 95% CI, 0.811–1.000)۔ تاہم، متعدد موازنوں کی تصحیح کے بعد ماڈلز کے درمیان AUCs میں کوئی نمایاں فرق نہیں پایا گیا۔
نتیجہ: کلیینیکل پریڈکٹرز کو DCE-MRI ملٹی فیز ڈیپ لرننگ فیچر کے ساتھ مربوط کرنے والا فیوژن ماڈل پری آپریٹو طور پر HCC کو MF-ICC سے ممتاز کرنے کے لیے ایک قیمتی آلہ فراہم کر سکتا ہے۔
جرنل IF مساوی: 2.7 (OpenAlex 2 سالہ اوسط حوالگی، قدر 2026-10-02 کے اعتبار سے، بازیافت 2026-10-03؛ یہ سرکاری Clarivate IF نہیں)حوالہ: Zhang H, Guo L, Jia F, Liu W, Zhang M, Li F, et al. ہیپاٹو سیلولر کارسنوما کو میس فارمنگ انٹراہیپاٹک کولانجیو کارسنوما سے غیر حملاتی تفریق کے لیے کلینیکل ماڈل کے ساتھ مربوط ڈائنامک کنٹراسٹ اینہانسڈ MRI ڈیپ لرننگ ماڈل۔ Front Oncol. 2026 Oct 23;16:1936989. doi:10.3389/fonc.2026.1936989.جانچا گیا: صرف خلاصہ - خلاصہ
تعارف: ایٹیزولیزوماب پلس بیواسیزوماب (AB) تھراپی کے طبی ردعمل انفرادی مریضوں میں ہیپاٹو سیلولر کارسنوما (HCC) کے مختلف نوڈولز کے درمیان مختلف ہو سکتے ہیں۔ اس مطالعے کا مقصد ٹرانسکرپٹوم سگنیچر سے ترجمہ کیا گیا ایک نان انویسیو ریڈیومکس سگنیچر (ABRad) اخذ کرنا اور اس کی بیرونی توثیق کرنا تھا، تاکہ AB ردعمل (ABS) کی نوڈول کی سطح پر پیشن گوئی کی جا سکے۔
طریقے: ہم نے ABS کی ابتدائی اخذ اور توثیق بالترتیب IMbrave150 اور GO30140 ٹرائلز کے 209 اور 44 علاج سے پہلے کے HCC نمونوں کے ذریعے کی تھی۔ پھر ABS کو machine-learning کے طریقے سے ABRad میں تبدیل کیا گیا، جس کے لیے جراحی سے نکالے گئے HCC کے 59 ایسے مریضوں کو استعمال کیا گیا جن کے پاس paired genome-wide transcriptome اور ریسیکشن سے پہلے کی computed tomography امیجنگ موجود تھی۔ بعد ازاں ABRad کی بیرونی توثیق AB تھراپی سے علاج شدہ 55 مریضوں کے 178 HCC نوڈیولز کے ذریعے کی گئی۔
نتائج: 148 جینز پر مشتمل ABS نے کلینیکی ٹرائل کوہارٹس میں علاجی ردعمل اور بغیر بڑھاؤ کے بقا (PFS) کی پیش گوئی کی۔ حتمی ABRad ماڈل، جو رینڈم فارسٹ الگورتھم استعمال کر کے تیار کیا گیا، بڑی حد تک کانسٹراسٹ سے تقویت یافتہ خصوصیات کی طرف وزنی تھا۔ بیرونی توثیق کوہارٹ میں ABRad نے علاجی ردعمل کی شدت سے معنی خیز مثبت وابستگی ظاہر کی (p <0.001)۔ مکمل ردعمل (CR)، مقصدی ردعمل (OR) اور بیماری پر قابو (DC) کی پیش گوئی کے لیے ریسور آپریٹنگ کریکٹرسٹکس منحنی کے تحت رقبے بالترتیب 0.71 (95% اطمینانی وقفہ [CI]، 0.61-0.80)، 0.65 (95% CI، 0.56-0.73) اور 0.69 (95% CI، 0.59-0.78) تھے۔ نوڈول سطح کے ABRad کا علاجی ردعمل سے آزادانہ تعلق تھا، جس کے ایڈجسٹڈ آڈز ریٹیو CR کے لیے 3.05 (95% CI، 1.23-7.57)، OR کے لیے 2.24 (95% CI، 1.06-4.77) اور DC کے لیے 2.79 (95% CI، 1.07-7.29) تھے۔ مریض سطح کے ABRad کا طویل شدہ PFS کے ساتھ نمایاں تعلق تھا (p = 0.005)۔
نتائج: ABRad نے HCC میں AB تھراپی کے لیے نوڈول-لیول ردعمل کی کامیابی سے پیش گوئی کی۔
جریدے کا IF: نامعلوم (مطابقت نہیں مل سکی)حوالہ: [مصنفین کے نام درج نہیں]۔ اضافی مواد برائے: ہیپاٹو سیلولر کارسنوما میں اٹیزولیزوماب پلس بیواسیزوماب کے ردِ عمل کی نوڈول سطح پر پیش گوئی کے لیے ریڈیو-ٹرانسکرپٹوم سگنیچر۔ Figshare. [Epub ahead of print]. doi:10.6084/m9.figshare.34754340.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
- خلاصہ
پٹھوں میں داخل ہونے والے مثانے کے سرطان (MIBC) میں مبتلا مریضوں کی طبی پیش آگہی عام طور پر نہایت مایوس کن ہوتی ہے، یہاں تک کہ ریڈیکل سسٹیکٹومی (RC) کروانے کے بعد بھی۔ اس خامی سے نمٹنے کے لیے، ہم نے ایک آپریشن سے پہلے کا ڈیپ لرننگ (DL) ماڈل تیار اور جانچا، جو کمپیوٹیڈ ٹوموگرافی (CT) امیجنگ سے استفادہ کرتے ہوئے آپریشن کے بعد بیماری کی پیش رفت کے خطرے کے مطابق MIBC کے مریضوں کی درجہ بندی کرتا ہے۔ چار اداروں میں سے کسی ایک میں RC کروانے والے MIBC مریضوں کے ڈیٹا کا ریٹروسپیکٹو تجزیہ کیا گیا اور انہیں تربیت اور توثیق کے کوہارٹس میں تقسیم کیا گیا۔ آپریشن سے پہلے کی CT تصاویر کی بنیاد پر آپریشن کے بعد پیش رفت کے خطرے کی پیش گوئی کے لیے ایک دو چینلی معلوماتی فیوژن DL ماڈل تیار کیا گیا۔ بعد ازاں، طبی خصوصیات کو DL سے حاصل کردہ اسکور کے ساتھ ملانے سے ایک DL پر مبنی کلینیکل سگنیچر تشکیل دیا گیا۔ DL ماڈل کی پیش گوئی کی صلاحیت کا جائزہ لینے کے لیے کونکورڈنس انڈیکس (C-index) اور خم کے نیچے رقبہ (AUC) استعمال کیے گئے، اور اس کا موازنہ DL پر مبنی کلینیکل سگنیچر، ایک کلینیکل ماڈل اور ایک Ki67 ماڈل سے کیا گیا۔ MIBC کے 427 مریضوں کے ریٹروسپیکٹو کوہارٹ میں، DL اسکور نے توثیقی کوہارٹ میں بیماری کی پیش رفت کے لیے اچھی پیش گوئی کی کارکردگی کا مظاہرہ کیا (C-index: 0.774; AUC: 0.785)، اور عمومی طور پر توثیقی کوہارٹ میں موازنہ ماڈلز کی نسبت زیادہ بہتر پیش گوئی کی کارکردگی دکھائی۔ ایک بہترین تھریش ہولڈ استعمال کرتے ہوئے، مریضوں کے کوہارٹ کو دو الگ ذیلی گروپوں میں تقسیم کیا گیا، یعنی زیادہ خطرہ اور کم خطرہ والے گروپ، اور دونوں گروپوں کے درمیان پیش رفت کے مجموعی واقعات میں فرق پایا گیا، جو پیش رفت کے خطرے کے مطابق مریضوں کی درجہ بندی کی ماڈل کی صلاحیت کی تائید کرتا ہے۔ DL فریم ورک میں آپریشن سے پہلے کی CT امیجنگ کے استعمال نے MIBC کے مریضوں میں PFS کی پیش گوئی اور خطرے کی درجہ بندی ممکن بنائی، جس کی آپریشن کے بعد انفرادی نگرانی کے لیے ممکنہ اہمیت ہے۔
جرنل IF مساوی: 2.6 (OpenAlex 2 سالہ اوسط حوالگی، قدر 2026-10-21 کے اعتبار سے، بازیافت 2026-10-22؛ یہ سرکاری Clarivate IF نہیں)حوالہ: لیو وائی، شو زی، شیا جے، گو ایل، ہاؤ ڈبلیو، چو بی، وغیرہ۔ پٹھوں میں داخل ہونے والے مثانے کے سرطان میں بیماری کی بڑھوتری سے پاک بقا کی پیش گوئی کے لیے ایک قابلِ تفسیر، کنٹراسٹ-انہینسڈ سی ٹی پر مبنی کراس-اٹینشن ٹرانسفارمر ماڈل: ایک کثیر المرکز مطالعہ۔ Abdom Radiol. 2026 Oct 22 [Epub ahead of print]. doi:10.1007/s00261-026-05837-y.جانچا گیا: صرف خلاصہ
تمام 1 مثانہ کے مقالات دیکھیں →