AI 与癌症研究 ── 2026-10-15
关于癌症与AI的新论文，来自期刊订阅源、PubMed（跨所有期刊检索）和OpenAlex（用于替代Google Scholar的公开索引），由Jev（一种进行语言判断的AI）判断：是否为原创研究、AI是否为核心、属于13个主题中的哪一个、是否涉及治疗或试验，然后按重要性排序，直至每日上限。期刊不按影响因子筛选；每篇论文都显示其期刊的相当影响因子（OpenAlex两年平均被引度）及该数值的日期。每条记录都显示完整的原文摘要。
按癌症类型阅读： 癌症生物学（1） · 乳腺(2) · 肺（2） · 胰腺（0） · 前列腺（0） · ACC（0） · 脑部(2) · 卵巢（0） · 子宫内膜（0） · 胃部（0） · 肝脏（1） · 肾脏（0） · 膀胱（0）
癌症分子生物学与AI
- 摘要
准确预测术后复发对于上尿路尿路上皮癌（UTUC）患者的个体化管理和随访规划至关重要。然而，由于影像特征和临床信息的异质性，可靠的风险分层仍具挑战性。在本研究中，我们提出了一种多模态临床决策支持框架，将增强计算机断层扫描（CT）图像与常规可获得的临床变量相结合，用于术后复发预测。该框架采用影像-临床一体化学习策略，以增强视觉表征与患者特异性临床背景之间的语义对齐。影像特征由基于临床信息的语义提示引导，同时动态融合机制自适应地平衡不同模态的贡献。这种设计实现了稳健的多模态交互，并改进了个体化风险评估。该框架使用一个回顾性UTUC队列进行评估，该队列包含2016年至2023年间接受治疗的160例患者，其中包括59例复发病例和101例未复发病例。实验结果表明，所提出的方法在受试者工作特征曲线下面积（AUC）上达到0.87，与传统的基于卷积神经网络的模型及具有代表性的多模态基线相比表现更优。定性分析进一步表明，影像模式与临床因素之间的对齐得到改善，并通过基于注意力的可视化提供了可解释的见解。这些发现表明，所提出的多模态框架为UTUC术后复发风险分层提供了一种有潜力的方法，并有望支持临床决策和基于风险的术后管理。
期刊IF当量:3.9(OpenAlex 2年平均被引次数,数值截至2026-10-13,检索于2026-10-15;非 Clarivate 官方IF)参考:Liu D, Zhao T, Zhang S, Fang L. CLIP-CGPNet: 用于术后UTUC复发预测的多模态临床决策支持系统。J Digit Imaging Inform med. 2026 Oct 13 [Epub ahead of print]. doi:10.1007/s10278-026-02358-4.已检查：仅摘要
乳腺癌:治疗、试验与AI
- 摘要
术前乳腺癌分子分型对于治疗方案选择和预后评估至关重要,然而大多数深度学习方法将分型预测视为传统的扁平多分类任务,未能体现临床上循序渐进的决策过程。我们开发了HCF-Net,一种层级级联融合网络,它将分型预测分解为三个与临床对应的二分类决策节点,并整合多期相DCE-MRI与临床影像学信息。该模型基于373名接受术前3.0 T多期相DCE-MRI检查的女性双中心队列进行回顾性开发与验证。在独立测试集(n = 75)上,HCF-Net的宏平均AUC为0.868(95% CI,0.806-0.923),准确率为73.3%,宏平均F1为0.732,Cohen's κ为0.631。融合模型在三个层级决策节点上均取得最高的AUC:管腔型与非管腔型肿瘤为0.890,Luminal A型与Luminal B型肿瘤为0.865,HER2过表达型与三阴性肿瘤为0.974。在采用ConvNeXt-Tiny骨干网络时,同样观察到各分类策略的相同排序。与传统扁平分类策略相比,层级级联分解和决策层融合带来了显著的性能提升。这些发现表明,与临床决策路径相一致的层级融合框架,可能为术前乳腺癌分子分型预测提供一种有效且可解释的方法。
期刊IF当量:3.9(OpenAlex 2年平均被引次数,数值截至2026-10-13,检索于2026-10-15;非 Clarivate 官方IF)参考:Chen Y, Hu L, Hou J, Xie Y, Nie S, Jiang Y, et al. HCF-Net：一种与临床治疗路径相对齐的分层级联融合网络，用于基于动态对比增强MRI的乳腺癌术前分子分型。J Digit Imaging Inform med. 2026 Oct 13 [Epub ahead of print]. doi:10.1007/s10278-026-02331-1.已检查：仅摘要 - 摘要
栖息地影像组学可以刻画肿瘤亚区内部的纹理，却忽略了亚区之间的空间关系。我们开发了一个受景观生态学启发的框架，在DCE-MRI上量化栖息地间的空间结构，评估其与栖息地内影像组学的互补价值，并比较早期融合与晚期融合，以腋窝淋巴结转移（ALNM）预测作为评估任务。在这项多中心回顾性研究中，来自一个中心的284例患者被随机分为训练队列（n = 198）和验证队列（n = 86），另有来自一家独立机构的120例患者作为外部测试集。通过对19个体素级纹理描述符进行k均值聚类，将肿瘤划分为六个栖息地，聚类中心仅来源于训练队列。我们构建了三个特征域：8个临床参数、642个栖息地内影像组学特征，以及94个栖息地间空间结构特征，涵盖碎片化（n = 30）、形态（n = 24）、栖息地间接触（n = 15）、栖息地间距离（n = 15）、面积比（n = 6）和多样性（n = 4）。在外部测试集中，逐步融合使AUC逐级提升：仅临床为0.754，加入栖息地内影像组学后为0.843，再加入栖息地间空间结构后为0.863（95% CI 0.792-0.934）。完整的早期融合模型的AUC高于仅临床模型（DeLong P = 0.011）和仅空间结构模型（P = 0.044）；早期融合的AUC在数值上高于晚期融合，但未达到显著性（0.863 vs 0.851，P = 0.636）。两个单域影像模型在统计学上无法区分（0.817 vs 0.784，P = 0.512）。栖息地间空间结构捕捉到了传统栖息地影像组学所忽略的肿瘤组织特征，为术前ALNM预测提供了互补信息。
期刊IF当量:3.9(OpenAlex 2年平均被引次数,数值截至2026-10-13,检索于2026-10-15;非 Clarivate 官方IF)参考:Liu P, Wang P, Zou X, Zhang Q, Wang W. 从生境内到生境间分析：用于乳腺DCE-MRI腋窝淋巴结转移预测的空间结构特征。J Digit Imaging Inform med. 2026 Oct 13 [Epub ahead of print]. doi:10.1007/s10278-026-02384-2.已检查：仅摘要
肺癌：治疗、试验与AI
- 摘要
背景：肺黏液腺癌（PMA）是一种罕见的肺腺癌亚型，缺乏全面的病理分类和预后因素。在本研究中，我们提出了一种整合多种数据模态的多模态机器学习（ML）框架，以增强PMA亚型分类和预后预测。方法：这项回顾性研究纳入了175例原发性PMA病例，包含人口统计学、组织病理学、计算机断层扫描（CT）影像以及表皮生长因子受体（EGFR）突变数据。采用最小绝对收缩和选择算子（LASSO）正则化逻辑回归模型进行组织学分类，并采用Cox比例风险模型进行生存预测，同时进行内部验证。结果：纯黏液腺癌表现为：放射学或病理学肿瘤体积较小、下叶定位、淋巴结转移率和气腔播散（STAS）发生率较低、病理分期较早、癌胚抗原（CEA）≤5 ng/mL、边缘毛刺征、Ki-67低表达，以及EGFR 19号外显子缺失频率较低（P=0.002, 0.003, EGFR 19号外显子缺失为PMA的独立预后因素（P=0.04, 0.049）。此外，Kaplan-Meier曲线显示，按列线图评分分层的低风险组与高风险组之间的结局存在显著差异（P<0.001）。结论：与混合黏液型和分泌黏液型相比，肺纯黏液腺癌的恶性程度较低。本研究建立并验证的列线图模型在术前预测PMA患者的组织学亚型和生存方面显示出良好的效能，可为临床医生的诊断和预后预测提供指导。
期刊IF当量:1.4(OpenAlex 2年平均被引次数,数值截至2026-10-13,检索于2026-10-15;非 Clarivate 官方IF)参考:Yang W, Chen C, Li L, Chen Z, Chen Z, Le H, et al. 整合多模态数据对肺黏液腺癌患者进行精准亚型分型和预后评估. Transl Cancer Res. 2026 Sep;15(9):708-8. doi:10.21037/tcr-2026-1241.已检查：仅摘要 - 摘要
背景：即使在接受预防性颅脑照射（PCI）之后，脑转移仍然是小细胞肺癌（SCLC）患者重要的临床问题。准确识别PCI后脑转移高风险患者，有助于实施个体化的监测与管理。本研究基于二点五维（2.5D）多通道深度学习特征、临床特征和影像组学特征，构建了一个融合模型，用于预测SCLC患者在PCI后是否会发生脑转移。方法：这项回顾性研究纳入了185例接受PCI的SCLC患者，并将其随机分为训练集（N=148）和测试集（N=37）。基于CT图像的多平面感兴趣区域（ROI）构建了2.5D多通道卷积神经网络（CNN）模型，以提取2.5D深度学习特征。基于肿瘤ROI的最大横截面和三维（3D）体积，分别提取二维（2D）和3D深度学习特征。随后，将不同维度的特征与临床特征和传统影像组学特征融合，分别构建了2D_clinic_Rad、2.5D_clinic_Rad和3D_clinic_Rad模型。然后比较了3D模型与临床模型及传统影像组学模型之间的性能差异。结果：2.5D_clinic_Rad融合模型在预测脑转移方面表现最佳，在测试集上的曲线下面积（AUC）为0.841，优于临床模型、传统影像组学模型以及2D和3D深度学习融合模型。决策曲线和校准曲线分析表明，与其他模型相比，2.5D_clinic_Rad模型具有最高的临床净获益和最佳的校准一致性。结论：基于2.5D_clinic_Rad的融合模型可以有效预测SCLC患者在全脑预防性照射后发生脑转移的风险。
期刊IF当量:2.5(OpenAlex 2年平均被引次数,数值截至2026-10-13,检索于2026-10-15;非 Clarivate 官方IF)参考:Zhang X, Zhao L, Wang J, Zhang X, Liang X, Cao W, et al. 用于预测小细胞肺癌预防性脑照射后脑转移发生的可解释深度学习与影像组学. Transl Lung Cancer Res. 2026 Sep;15(9):281-1. doi:10.21037/tlcr-2026-0708.已检查：仅摘要
胰腺癌：治疗、试验与 AI
本期暂无符合条件的新论文。
前列腺癌：治疗、试验与 AI
本期暂无符合条件的新论文。
腺样囊性癌：治疗、试验与AI
本期暂无符合条件的新论文。
脑肿瘤:治疗、试验与AI
- 摘要
胶质母细胞瘤（GBM）的治疗反应具有高度异质性。基于治疗前MRI预测预后是一项关键的未满足需求，然而，“黑箱”深度学习（DL）模型因缺乏透明度而难以在临床中被采用。要获得临床信任，仍需建立稳健、全面的验证框架。本研究采用多层次可解释人工智能（XAI）流程，对一个先前开发的、用于预测GBM总生存期的深度学习模型进行剖析。首先，对模型的视觉关注区域进行定性和定量分析。其次，通过输入消融研究量化模型的特征依赖性。第三，通过对内部表征进行线性探测，追踪类别信息在哪一层深度变得可解码。最后，在一项多读者、多病例研究（37名患者、4名读者、3个阶段、444次观察）中，使用广义估计方程（GEE）和聚类自助法评估AI及其解释的临床影响。分析揭示了一种高强度启发式规则：颅骨周边的高信号像素锚定了“长期”预测，而在缺少这类像素时，模型则基于肿瘤强化默认预测为“短期”。消融研究证实了这种依赖性，线性探测也指向同一方向。在临床研究中，AI辅助显著提高了专家的准确率（OR 1.598，p < 0.01），且并未人为提升信心（p = 0.561）。重要的是，加入XAI热图与专家使用AI评分方式的改变相关（交互作用 p < 0.01），也与被错误判定为长期生存者的患者减少相关。较高的预测准确率可能掩盖对低层次强度启发式规则的依赖。尽管对显著性图进行浅层解读存在风险，但多层次审查能够揭示这些捷径。在临床上，空间热图与专家诊断准确率的提高以及决策策略的转变相关。
期刊IF当量:3.9(OpenAlex 2年平均被引次数,数值截至2026-10-13,检索于2026-10-15;非 Clarivate 官方IF)参考:Andres R, Moreau NN, Dessoude L, Le Henaff L, Missohou F, Stefan D, et al. Explainability and Clinical Trust of Deep Learning in Glioblastoma Treatment Efficacy Prediction: A Comprehensive Framework. J Digit Imaging Inform med. 2026 Oct 13 [Epub ahead of print]. doi:10.1007/s10278-026-02381-5.已检查：仅摘要 - 摘要
背景：CD9高表达与成人型弥漫性胶质瘤（ADGs）患者较短的总生存期（OS）显著相关。同时，药物筛选分析已确定依米丁（emetine）是针对CD9高表达胶质瘤的潜在靶向治疗药物，提示CD9可能成为一种新型生物标志物，有望改变胶质瘤的诊断和治疗。本研究旨在基于术前磁共振成像（MRI）图像建立人工智能预测模型，以促进ADGs患者CD9高表达的早期识别。方法：我们回顾性收集了癌症基因组图谱（TCGA）和中国胶质瘤基因组图谱（CGGA）队列中262例ADGs患者的CD9表达数据。利用术前MRI序列［对比增强T1加权成像（CET1）和T2加权成像（T2WI）］，采用K-means聚类算法提取栖息地（Habitat）特征，并同时提取影像组学特征。此外，基于ResNet101、DenseNet121和SimpleViT等神经网络架构构建多通道2.5维深度学习（2.5D_DL）数据，并提取DL特征。使用七种分类器分别构建单独的影像组学（Radiomics）、Habitat和2.5D_DL预测模型。随后，通过集成融合策略建立Stacking模型以预测CD9高表达。采用受试者工作特征（ROC）曲线评估模型性能，并通过决策曲线分析（DCA）评估临床效能。进行了Shapley加性解释（SHAP）分析以探究模型的可解释性，提高机器学习预测的透明度。此外，根据Stacking模型评分将患者分为高风险组和低风险组，并采用Kaplan-Meier分析和log-rank检验比较生存差异。结果：Habitat模型的ROC曲线［ROC曲线下面积（AUC）］值优于Radiomics模型。在多通道2.5D_DL模型中，SimpleViT模型的性能略优于基于卷积神经网络（CNN）的模型（ResnNet101和DenseNet121）。整合了Habitat、Radiomics和2.5D_DL模型输出的最终Stacking模型表现出更优的AUC值。其在训练集、验证集和测试集中的AUC分别达到0.999、0.822和0.728。DeLong检验证实各模型在训练集中的AUC值存在统计学显著差异，但在其他数据集中未观察到统计学显著差异。此外，DCA验证了该集成模型在更广泛的风险阈值范围内具有更高的净临床获益。Stacking模型的预后分层显示，高风险组与低风险组之间的生存结局存在显著差异。结论：基于术前MRI的Stacking模型能够有效识别ADGs中CD9高表达的患者并对患者风险进行分层，为临床治疗决策和个体化预后评估提供支持。仍需前瞻性多中心数据来验证该模型的预后性能和泛化能力。
期刊IF当量:1.4(OpenAlex 2年平均被引次数,数值截至2026-10-13,检索于2026-10-15;非 Clarivate 官方IF)参考:Pang B, Yuan M, Yan Y, Li J, Xue J, Jing L, et al. 基于MRI的栖息地影像组学联合Transformer深度学习用于术前预测高CD9表达:成人型弥漫性胶质瘤中一种新型预后标志物. Transl Cancer Res. 2026 Sep;15(9):703-3. doi:10.21037/tcr-2026-1847.已检查：仅摘要
卵巢癌：治疗、试验与AI
本期暂无符合条件的新论文。
子宫内膜癌：治疗、试验与AI
本期暂无符合条件的新论文。
胃癌:治疗、试验与 AI
本期暂无符合条件的新论文。
肝癌：治疗、试验与AI
- 摘要
背景：肝细胞癌（HCC）是全球癌症相关死亡的主要原因之一，TP53突变作为驱动肿瘤进展的主干突变。然而，目前TP53突变状态只能通过有创的肝活检来确定。本研究应用磁共振成像（MRI）的多区域影像组学特征来预测P53突变型HCC，并为识别这一侵袭性亚型提供一种无创工具。方法：在这项回顾性研究中，分析了320例接受术前MRI检查患者的数据，并将其分为训练队列（TC；n=224）和验证队列（VC；n=96）。采用逐步回归识别临床危险因素以构建预测模型。我们在六个MRI序列上评估了三种机器学习分类器，并应用最小绝对收缩和选择算子方法，从四个区域（整个肿瘤、IntraPeri_9mm、IntraPeri_11mm和IntraPeri_13mm）中选择最佳IntraPeri融合模型，以建立影像组学模型。P53突变型HCC的预测列线图整合了这些临床预测因子与具有判别力的影像组学特征，并使用受试者工作特征分析、校准曲线和决策曲线评估其性能。结果：在320例患者中（男性259例，女性61例；平均年龄58.25±11.51岁），183例为P53突变型HCC，137例为非P53突变型HCC。最大肿瘤直径（LTD）、Edmondson-Steiner分级和环形动脉期高强化被确定为P53突变型HCC的独立预测因子。基于IntraPeri_11mm区域内最佳MRI序列[T1加权成像-动脉期（T1WI-AP）]影像组学特征的ExtraTrees分类器取得了较强的预测准确性[曲线下面积（AUC）TC =0.805；AUC VC =0.660]。整合临床和影像组学特征的预测列线图在TC[AUC =0.815；95%置信区间（CI）：0.758-0.872]和VC（AUC =0.802；95% CI：0.713-0.890）中均表现出优异的性能。决策曲线分析进一步证实了其临床实用性。结论：将临床模型与IntraPeri_11mm影像组学相结合的列线图可作为HCC术前P53突变状态的有效预测工具。
期刊IF当量:1.4(OpenAlex 2年平均被引次数,数值截至2026-10-13,检索于2026-10-15;非 Clarivate 官方IF)参考:Weng J, Yao D, Zeng Q, He Y, Yang C, Yang B. 基于磁共振成像的影像组学预测P53突变型肝细胞癌:瘤内与瘤周分析. Transl Cancer Res. 2026 Sep;15(9):709-9. doi:10.21037/tcr-2026-1579.已检查：仅摘要
肾癌：治疗、试验与AI
本期暂无符合条件的新论文。
膀胱癌：治疗、试验与 AI
本期暂无符合条件的新论文。