AI与癌症研究 ── 2026-10-22

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（4） · 乳腺（3） · 肺（2） · 胰腺（1） · 前列腺（2） · ACC（0） · 大脑（1） · 卵巢（0） · 子宫内膜（0） · 胃部（2） · 肝脏（1） · 肾脏（0） · 膀胱（1）

癌症分子生物学与AI

• 用于识别无功能肾的平扫CT影像组学：一项多中心开发与外部验证研究。
  国际泌尿学与肾脏学 · 2026-10-20 · 证据： 回顾性观察研究(模型开发与外部验证)
  摘要

  目的：在泌尿外科实践中，对于存在梗阻、肿瘤或萎缩的肾脏，切除还是保留的决策依据分肾功能，而作为参考标准的 SPECT 肾动态显像需要消耗大量资源。我们开发并外部验证了一个非增强 CT 影像组学模型，用于识别无功能肾，并支持该情境下的泌尿外科决策。方法：在这项三中心回顾性研究（TRIPOD+AI）中，成年受试者在 72 小时内接受了非增强 CT 和 SPECT 肾动态显像。使用 PyRadiomics 提取符合 IBSI 标准的影像组学特征，并构建了双肾间不对称特征。经过三阶段筛选（Spearman 相关、递归特征消除和 LASSO），共开发了 12 个机器学习模型，并在 2 个独立队列中进行了外部验证。此外还建立了 Rad 评分和临床列线图。结果：在 1029 例患者中，内部队列纳入 418 例患者。共保留了 23 个特征。随机森林模型的内部测试 AUC 为 0.9426，灵敏度为 85.5%，特异度为 88.3%，阴性预测值为 95.6%。其外部验证 AUC 分别为 0.875 和 0.913。列线图的外部验证 AUC 分别为 0.920 和 0.881。在训练数据中固定的阈值下，随机森林取得的外部灵敏度为 66.0 和 76.4%，阴性预测值为 94.8 和 93.3%；列线图则为 92.5 和 93.7%，阴性预测值为 98.3 和 97.2%。两个影像组学模型均优于基于临床变量以及简单 CT 大小和不对称指标构建的逻辑回归基线，尽管在其中一个外部队列中，相对组合基线的优势无统计学意义。Rad 评分与单肾 GFR 相关（ρ = -0.738, P < 0.001），并有助于风险分层。结论：非增强 CT 影像组学无需对比剂或放射性示踪剂即可识别无功能肾。由于非增强 CT 本已是泌尿外科常规检查的一部分，这一经过外部验证的排除工具或可减少不必要的 SPECT 检查，并支持在肾切除术与保留肾单位的治疗之间做出决策。

  期刊IF等效值:1.9(OpenAlex 2年平均被引次数,数值截至2026-10-21,检索于2026-10-22;并非Clarivate官方影响因子)
  参考:Jiang Y, Zheng Y, Feng Z, Bao L, Wei Q. 平扫CT影像组学用于识别无功能肾：一项多中心开发与外部验证研究. Int Urol Nephrol. 2026年10月20日 [Epub ahead of print]. doi:10.1007/s11255-026-05451-3. PMID: 42902104.
  已检查：仅摘要
• SAFARI：肿瘤学临床实践中影像组学表征学习的自监督不限癌种框架
  ACM Transactions on Computing for Healthcare · 2026-10-19 · 证据:模型开发并在独立数据集上进行外部验证
  摘要

  传统影像组学受限于人工特征工程和跨肿瘤泛化能力差。我们提出SAFARI（Self-supervised Tumor-Agnostic Framework for Radiomics Representation Learning，自监督肿瘤无关影像组学表征学习框架），这是一种新颖的影像组学自监督模型，可学习与疾病无关的肿瘤特征。SAFARI基于Transformer架构构建，采用双目标自监督策略，结合掩码特征重建和跨肿瘤子体积的对比学习，在来自1,086名患有六种主要癌症类型（肺癌、肝癌、结直肠癌、肾癌、胰腺癌以及结直肠癌肝转移）患者的27,144个肿瘤子体积的1,218个影像组学特征上进行了训练。在由762名患者组成的独立数据集上开展的迁移学习实验中，固定的SAFARI嵌入在多个下游任务上均优于我们与之匹配的传统影像组学基线。在预测胆囊癌HER2状态（AUC: 0.758 vs. 0.610）、NSCLC组织病理学（准确率: 71.3% vs. 62.1%）和EGFR突变状态（AUC: 0.805 vs. 0.690）方面，性能提升尤为显著。通过证明单一预训练模型在大多数终点上优于匹配的任务专用基线，SAFARI为肿瘤学中的影像组学分析确立了一种更稳健的新范式。

  期刊IF等效值:3.2(OpenAlex 2年平均被引次数,数值截至2026-10-20,检索于2026-10-21;并非Clarivate官方影响因子)
  参考:Gupta P, Bose K, Dutta N, Mudgil P, Arora C. SAFARI:一种用于肿瘤学实践中影像组学表征学习的自监督肿瘤类型不可知框架. ACM Trans Comput Healthcare. 2026 Oct 19 [网络首发]. doi:10.1145/3859479.
  已检查：仅摘要

查看全部4篇癌症生物学论文 →

乳腺癌:治疗、试验与AI

• 使用基于DCE-MRI的集成模型术前预测保乳手术阳性切缘：一项多中心回顾性与前瞻性研究。
  Breast cancer research : BCR · 2026-07-25 · 证据：含外部验证的回顾性观察研究和前瞻性观察检验（预测模型的开发与验证）
  摘要

  背景：保乳手术（BCS）是早期乳腺癌的标准治疗方式。然而，手术切缘阳性会导致高复发率并需要再次手术，这仍是临床上的一项挑战。本研究旨在开发一种集成模型，利用动态对比增强磁共振成像（DCE-MRI）在术前预测切缘阳性。方法：共纳入来自三家中国医疗中心的887例患者。来自云南（581例）和福建（51例）两省的患者用于模型开发，并对来自广东的188例患者进行外部测试，对来自云南的67例患者进行前瞻性测试。研究开发了三个基础模型：基于32个特征的临床模型、采用ResNet-34的深度学习（DL）模型，以及利用影像组学特征的影像组学模型。集成模型通过加权投票融合这三个基础模型的预测结果。计算性能指标（准确率、AUC、敏感度、特异度），并利用公共数据集开展预后分析。结果：集成模型的性能优于三个基础模型，在验证集中AUC为0.931，准确率为0.872，敏感度为0.871，特异度为0.880。其稳健性在独立测试队列中得到进一步验证，AUC分别为0.762和0.861。此外，被模型判定为高风险的患者表现出较差的无复发生存期（RFS，HR = 8.117, p < 0.0001）和总生存期（OS，HR = 5.748, p < 0.0001），凸显了其预后价值。结论：基于DCE-MRI的集成模型能够有效预测BCS患者的切缘阳性情况及预后，有助于手术的临床决策。试验注册 本研究已获云南省肿瘤医院伦理委员会（KYLX2023-134）、厦门大学翔安医院（XDYX202305K26）和汕头大学医学院附属肿瘤医院（2024059）批准。本研究还已在中国临床试验注册中心注册（ChiCTR2400083298，注册日期2024年4月19日，https://www.chictr.org.cn/showproj.html?%20proj=207948 ）。

  期刊IF等效值:5.8(OpenAlex 2年平均被引次数,数值截至2026-10-21,检索于2026-10-22;并非Clarivate官方影响因子)
  参考:Zhao X, Bai JW, Dong LA, Li ZH, He JZ, Chen YX, et al. 利用基于DCE-MRI的集成模型术前预测保乳手术阳性切缘：一项多中心回顾性与前瞻性研究. Breast Cancer Res. 2026 Jul 25;28(1):181. doi:10.1186/s13058-026-02354-0. PMID: 42902311.
  已检查：仅摘要
• 用于乳腺癌脑转移的可解释机器学习模型：一项大规模、多中心研究。
  Journal of translational medicine · 2026-07-24 · 证据:回顾性观察性队列研究(大规模、多中心;模型开发与内部验证)
  摘要

  背景：脑转移瘤（BM）是乳腺癌（BC）的一种破坏性并发症，预后较差。早期识别高危患者至关重要，但目前缺乏准确的预测工具。本研究旨在开发一个稳定的机器学习模型，用于在大型、多样化的患者人群中预测 BM。方法：我们对来自 SEER 项目、美国国家癌症数据库以及一个多中心中国队列的 186,351 例原发性 BC 患者开展了回顾性队列研究。患者被划分为训练集和验证集。候选预测因素包括人口统计学、临床病理学、生物标志物及治疗相关变量，包括手术、化疗、内分泌治疗、新辅助治疗和放疗。采用 LASSO 回归进行特征选择。共开发了九种机器学习模型，并使用曲线下面积（AUC）和决策曲线分析进行比较。最优模型被部署为在线工具。结果：在 186,351 例患者中，2,982 例（1.6%）发生了 BM。在基线比较中，发生 BM 的患者更常表现出晚期疾病特征和不同的治疗模式，这可能反映出疾病表现更具侵袭性。最终简约模型中保留的关键预测因素包括 AJCC N/M/T 分期、年龄和手术状态。经 LASSO 正则化的逻辑回归模型在验证集中表现出更优的判别能力，AUC 为 0.907（95% CI: 0.857-0.958）。该模型表现出良好的校准度、临床净获益和可解释性，SHAP 分析证实了每个保留的预测因素对个体风险估计的贡献。生存分析证实了与 BM 相关的不良预后（p < 0.001）。还开发了一个用于实时风险估计的交互式在线工具。结论：我们利用来自北美和亚洲队列的超过 186,000 例患者，开发并完成了内部验证，构建了一个准确、可临床转化的 BC 患者 BM 预测模型。这一基于网络的工具可帮助临床医生识别高危个体，实现个体化管理，并有可能改善患者预后。

  期刊IF等效值:8.3(OpenAlex 2年平均被引次数,数值截至2026-10-02,检索于2026-10-03;并非Clarivate官方影响因子)
  参考:Yuan Q, Sha Y, Yu R, Yu H, Ye R, Du Y, et al. 乳腺癌脑转移的可解释机器学习模型：一项大规模、多中心研究. J Transl Med. 2026 Jul 24;24(1):1326. doi:10.1186/s12967-026-08675-0. PMID: 42902382.
  已检查：仅摘要

查看全部3篇乳腺论文 →

肺癌：治疗、试验与AI

• 肺腺癌中STAT1–GOLM1轴的转录组整合与机器学习分析及小分子抑制剂发现
  npj Precision Oncology · 2026-10-20 · 证据：临床前(生物信息学分析与体外实验)
  摘要

  肿瘤侵袭与远处转移仍是肺腺癌（LUAD）治疗失败的主要原因，因此阐明其分子机制对于LUAD的精准治疗至关重要。利用bulk RNA-Seq和单细胞转录组数据，结合多种机器学习方法，我们确定GOLM1是与LUAD不良预后相关的核心基因；该基因在恶性上皮细胞中高表达，这些细胞的特征包括细胞外基质（ECM）-整合素信号增强、糖基化重塑以及与侵袭相关的转录程序。在机制层面，我们验证了STAT1是GOLM1的上游转录激活因子，两者形成触发LUAD侵袭的STAT1-GOLM1轴。候选化合物通过与STAT1进行计算分子对接加以优先排序，随后在A549细胞中进行评估。实验验证显示，化合物1通过调控PI3K/AKT信号通路、细胞周期和细胞凋亡，对LUAD细胞表现出最强的抑制作用。综上，我们的结果阐明了STAT1-GOLM1轴在LUAD中的重要作用，并为LUAD提供了一种有前景的AI导向抑制剂。

  期刊IF等效值:8.9(OpenAlex 2年平均被引次数,数值截至2026-10-04,检索于2026-10-05;并非Clarivate官方影响因子)
  参考:Yang Q, Zeng Y, Ba L, Zhu Z, Bie Y, Zhao N, 等. 肺腺癌中 STAT1–GOLM1 轴的整合转录组学与机器学习分析及小分子抑制剂发现. npj Precis Onc. 2026 Oct 20 [电子版先行出版]. doi:10.1038/s41698-026-01735-0.
  已检查：仅摘要
• MO27-6 预测非小细胞肺癌的 EGFR 突变：一种病理组学随机森林方法
  Annals of Oncology · · 证据：预测模型开发研究（会议摘要）
  摘要

  表皮生长因子受体（EGFR）突变在指导非小细胞肺癌（NSCLC）靶向治疗方面发挥着关键作用，但目前的诊断方法严重依赖分子检测。本研究提出一种基于病理组学的新方法，利用组织病理学（H&E）图像特征和机器学习来预测EGFR突变状态。

  期刊IF等效值:1.7(OpenAlex 2年平均被引次数,数值截至2026-10-20,检索于2026-10-21;并非Clarivate官方影响因子)
  参考:Cheung E、Li A、Mok F、Kwong V、Cheung A、Tsang E 等。MO27-6 预测非小细胞肺癌的 EGFR 突变：一种病理组学随机森林方法。Annals of Oncology。2026年11月；37:S299。doi:10.1016/j.annonc.2026.07.158。
  已检查：仅摘要

查看全部 2 篇肺部论文 →

胰腺癌：治疗、试验与 AI

• 整合多序列 MRI 的 2D 和 3D 肿瘤内异质性特征的机器学习模型：准确预测胰腺导管腺癌的神经周围浸润
  Frontiers in Artificial Intelligence · 2026-10-20 · 证据：多中心预测模型开发与外部验证研究
  摘要

  引言： 神经周围浸润（PNI）发生于大多数胰腺导管腺癌（PDAC）病例，并与局部复发、神经性疼痛和不良生存密切相关，但目前尚无可靠的术前识别方法。在此，我们开发并经外部验证了一种结合机器学习的基于多序列MRI的肿瘤内异质性（ITH）评分框架，用于无创预测PDAC的PNI。

  方法：我们利用来自四家医疗中心 205 例手术切除患者的术前 T2 加权、弥散加权及对比增强 T1 加权 MRI(100 例训练、43 例内部测试、28 例和 34 例外部验证)，通过基于 K 均值聚类的子区域划分提取二维和三维 ITH 特征，并纳入独立临床预测因子肿瘤位置和临床 T 分期，构建联合预测模型。研究对 11 种机器学习算法进行了系统评估。

  结果：临床-ITH联合模型在内部测试集中取得了0.907的曲线下面积（AUC），在两个外部验证队列中的AUC分别为0.860和0.869。ITH模型对应的AUC分别为0.881、0.860和0.850，临床logistic回归模型对应的AUC分别为0.758、0.342和0.700。讨论：SHAP分析将三个T2WI衍生特征列为对联合模型输出贡献最大的特征，特征效应的方向各不相同，且并非一致的单调关系。这些发现表明，基于多序列MRI的ITH量化为术前PNI评估提供了一种可解释的方法，并在两个外部手术队列中表现出一致的判别能力，为胰腺癌的手术规划和辅助治疗选择提供了潜在工具。

  期刊IF等效值:6.1(OpenAlex 2年平均被引次数,数值截至2026-10-21,检索于2026-10-22;并非Clarivate官方影响因子)
  参考:Ouyang Z, Song Z, Li Z, Cui S, Liu X, Shen W, et al. 融合多序列MRI中2D与3D肿瘤内异质性特征的机器学习模型：精准预测胰腺导管腺癌的神经周围浸润。Front Artif Intell. 2026 Oct 20;9:1975752. doi:10.3389/frai.2026.1975752.
  已检查：仅摘要

查看全部1篇胰腺论文 →

前列腺癌：治疗、试验与 AI

• 利用T2加权MRI影像组学对MRI可见尖部肿瘤的前列腺癌进行术前尖部切缘风险估计：迈向多学科决策支持。
  亚洲男科学杂志 · 2026-10-20 · 证据：一项预测模型的回顾性开发与验证研究
  摘要

  这项回顾性研究开发并验证了一种基于T2加权成像（T2WI）的影像组学模型，用于术前预测因前列腺癌接受根治性前列腺切除术患者的尖部手术切缘阳性（PSMs）。总体而言，235例患者（74例有尖部PSMs，161例无尖部PSMs）被随机分为训练集（n = 164; 69.8%）和独立测试集（n = 71; 30.2%）。符合条件的患者在术前6周内接受过多参数磁共振成像检查，其指数病灶累及或紧贴前列腺尖部，尖部切缘状态明确，并接受了不保留神经的标准根治性前列腺切除术。影像不足以进行尖部评估或感兴趣区勾画、既往接受过经尿道前列腺切除术，或接受过新辅助雄激素剥夺治疗的患者均被排除。从T2WI中共提取了1409个影像组学特征。经归一化并剔除高度相关的特征（|r| > 0.99）后，通过递归特征消除法筛选出6个最优特征。研究构建了梯度提升机模型，并采用受试者工作特征曲线下面积（AUC）、Brier评分和决策曲线分析评估模型性能。尖部PSM发生率为31.5%。在测试集中，该模型的AUC为0.874，Brier评分为0.120，准确率为87.3%，敏感性为81.8%，特异性为89.8%。偏度是最重要的特征，对模型的贡献占34.8%。尖部PSMs与前列腺外侵犯显著相关（P = 0.001），且肿瘤-切缘模型带来了最大的净临床获益。基于T2WI的影像组学或可支持前列腺癌的个体化术前风险评估与手术规划。

  期刊IF等效值:2.8(OpenAlex 2年平均被引次数,数值截至2026-10-21,检索于2026-10-22;并非Clarivate官方影响因子)
  参考:Liu Y, Zhao YZ, Liu S, Gao XS, Ma MW. 利用T2加权MRI影像组学对MRI可见尖部肿瘤的前列腺癌进行术前尖部切缘风险评估：迈向多学科决策支持。Asian J Androl. 2026 Oct 20 [Epub ahead of print]. doi:10.4103/aja202625. PMID: 42902531.
  已检查：仅摘要
• TexTNet：一种用于全切片图像中前列腺癌Gleason分割的纹理引导分层架构
  Frontiers in Medicine · 2026-10-19 · 证据：在公开数据集上评估的AI方法开发研究
  摘要

  前列腺癌是男性最常见的恶性肿瘤之一，对 Gleason 分级进行准确分割对于有效诊断和治疗规划至关重要。当前的深度学习方法往往难以融合来自 CNN 和 Transformer 的互补特征，主要依赖拼接或相加等简单的特征融合技术。这些方法未能利用纹理与全局上下文的互补优势，限制了分割性能。为应对这一挑战，我们提出了 TexTNet，一种新颖的纹理引导分层架构，它将局部二值模式 (Local Binary Pattern, LBP) 特征融入 Swin Transformer 的查询投影，构建了纹理引导注意力 (Texture-Guided Attention) 机制。该方法将 Transformer 的注意力引向腺体边界和细胞核簇等纹理丰富的区域，从而提高分割精度。我们进一步通过双路径压缩-融合-激励 (Dual Path Squeeze-Fusion-Excitation, DP-SFE) 模块增强特征融合以缓解边界模糊，并引入非对称卷积块 (Asymmetric Convolution Blocks, ACB) 以实现高效特征提取。此外，跨方向特征聚合器 (Cross-Directional Feature Aggregator, CDFA) 确保了解码器融合过程中的精确位置重建和噪声抑制。我们在 SICAPv2、PANDA、ProstateX 和 HuBMAP 数据集上评估了 TexTNet，展现出优于最先进方法的前列腺癌分割性能。TexTNet 有望成为临床决策支持工具，在复杂的真实世界组织病理学图像上表现出稳健的性能，并有潜力提高前列腺癌分级诊断的可靠性。

  期刊IF等效值:2.6(OpenAlex 2年平均被引次数,数值截至2026-10-08,检索于2026-10-09;并非Clarivate官方影响因子)
  参考:Arshad M, Chengliang W, Wajeeh Us Sima M, Shaikh JA, Alkhalaf S, Alturise F. TexTNet:一种用于全切片图像中前列腺癌 Gleason 分割的纹理引导分层架构. Front Med. 2026 Oct 19;13:1815031. doi:10.3389/fmed.2026.1815031.
  已检查：仅摘要

查看全部2篇前列腺论文 →

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

• 基于 MRI 的机器学习区分胶质母细胞瘤的真性进展与假性进展：一项更新的系统综述与荟萃分析。
  神经肿瘤学 · 2026-10-19 · 证据：荟萃分析（更新版系统综述）
  摘要

  背景：胶质母细胞瘤放化疗后，鉴别真性进展（TP）与假性进展（PsP）在临床上仍然困难。我们评估了基于磁共振成像（MRI）的机器学习模型经外部验证的诊断性能，并评价了研究质量与透明度。方法：检索PubMed、Embase、MEDLINE和Cochrane Library，检索时限截至2025年10月1日（PROSPERO注册号CRD420251144894）。符合条件的成人胶质母细胞瘤研究采用基于MRI的机器学习，以组织病理学和/或临床放射学随访为参照区分TP与PsP。主要meta分析纳入可提取2 × 2数据的外部测试队列；内部测试以及内外部测试合并分析为次要分析。诊断准确性采用双变量随机效应模型进行合并。结果：共纳入31项研究，涵盖2,344名接受影像学评估的患者。7个外部测试队列（含219例患者观察）进入主要meta分析。合并敏感度为0.78（95%置信区间[CI]，0.63-0.88），特异度为0.75（95% CI，0.63-0.84），受试者工作特征曲线下面积（AUC）汇总值为0.81（bootstrap 95% CI，0.69-0.91）。内部测试队列的表观性能高于外部队列（AUC，0.91 vs 0.81），但差异无统计学意义（差异，-0.09；95% CI，-0.22至0.02；P = 0.12）。偏倚风险常为高或不明确，报告透明度参差不齐。结论：基于MRI的机器学习在区分TP与PsP方面显示出中等到良好的外部验证性能，但证据仍受限于外部测试队列规模小、偏倚和报告不完整。在常规临床实施之前，需要开展更大规模、透明的多中心验证。胶质母细胞瘤放化疗后出现的新发或加重的MRI异常，既可能是肿瘤真性进展，也可能是假性进展。本综述评估了用于区分真性进展与假性进展的机器学习研究，重点关注在外部中心接受检验的模型。外部验证显示出中等到良好的诊断性能，但证据受限于测试队列规模小、参照标准不一致和报告不完整。在这些模型能够常规用于临床实践之前，需要采用现行WHO 2021分子定义、标准化诊断标准和完整报告的更大规模多中心研究。

  期刊IF等效值:1.2(OpenAlex 2年平均被引次数,数值截至2026-10-20,检索于2026-10-21;并非Clarivate官方影响因子)
  参考:Zhang X, Guo X, Wang Y, Wagstyl K, Booth TC. 基于MRI的机器学习鉴别胶质母细胞瘤真性进展与假性进展：一项更新的系统综述与荟萃分析. Neuro-Oncology. 2026 Oct 19 [Epub ahead of print]. doi:10.1093/neuonc/noag259.
  已检查：仅摘要

查看全部1篇脑部论文 →

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

• “多队列机器学习与实验验证鉴定THY1为胃癌中细胞外基质重塑相关生物标志物”的支持数据
  Figshare · 2026-10-20 · 证据：临床前（对公开数据集的分析并经实验验证；已存档的数据记录）
  摘要

  本数据集包含题为“多队列机器学习与实验验证鉴定 THY1 为胃癌中细胞外基质重塑相关生物标志物”研究的支持数据与分析材料。存入的材料包括：（1）图 7 和图 8 所示实验分析背后的源数值数据；（2）补充表 S1-S7；（3）未裁剪的蛋白质印迹（western blot）图像；以及（4）用于公共数据集预处理、机器学习分析、统计分析和可视化的分析代码。研究中所分析的公共转录组数据集来自 GEO、TCGA-STAD 和 TISCH2。GEO 数据集 GSE118916、GSE54129、GSE63089 和 GSE65801 用作训练/发现队列；GSE146996、GSE51575 和 GSE66229 用于外部验证；TCGA-STAD 用于生存和临床病理学分析；GSE134520 和 GSE167297 用于单细胞转录组情境化分析。

  期刊IF:未知(无法匹配)
  参考:[未列出作者]。“多队列机器学习与实验验证确定THY1为胃癌中细胞外基质重塑相关生物标志物”的支持数据。Figshare。 [网络预出版]。doi:10.6084/m9.figshare.34715742.
  已检查：仅摘要
• MO40-5 PREDICT-GC/ShortOS：预测晚期胃癌极短生存期的机器学习和回归模型
  Annals of Oncology · · 证据：回顾性观察研究（预测模型开发）
  摘要

  在 Maharat Nakhon Ratchasima 医院，晚期胃癌（AGC）患者的总生存期（OS）往往非常短，通常仅有 2-3 个月。许多患者因身体状况迅速恶化而中断治疗。尽早识别面临 OS < 90 天风险的患者，有助于及时干预并制定个体化治疗策略。

  期刊IF等效值:1.7(OpenAlex 2年平均被引次数,数值截至2026-10-20,检索于2026-10-21;并非Clarivate官方影响因子)
  参考:Thanestada J, Sihaban K. MO40-5 PREDICT-GC/ShortOS：用于预测晚期胃癌极短生存期的机器学习与回归模型。Annals of Oncology. 2026 Nov;37:S307. doi:10.1016/j.annonc.2026.07.186.
  已检查：仅摘要

查看全部2篇胃部论文 →

肝癌：治疗、试验与AI

• 基于机器学习的 CT 影像组学用于识别肝细胞癌中出血高风险食管静脉曲张
  《腹部放射学》(Abdominal Radiology) · 2026-10-20 · 证据: 回顾性观察研究 (单中心， 含时间验证队列)
  摘要

  食管静脉曲张（EV）出血是肝细胞癌（HCC）患者的致命并发症。目前的风险分层依赖于有创内镜检查或肝硬化的系统性替代指标。本研究旨在开发一种利用EV特异性CT影像组学的机器学习模型，以识别HCC患者中按内镜标准定义的高风险食管静脉曲张。研究共纳入151例HCC患者，分为训练队列（n = 101；75例高风险；2017年1月 - 2022年12月）和独立的时段验证队列（n = 50；29例高风险；2023年1月 - 2024年12月）。以内镜征象作为终点，包括活动性出血或具有高风险特征的静脉曲张。影像组学特征提取自内镜检查前六个月内获取的增强CT图像。模型性能采用受试者工作特征曲线下面积（AUC）、Brier评分、校准曲线和决策曲线分析（DCA）进行评估。在训练队列中，通过最小绝对收缩与选择算子（LASSO）构建的静脉曲张特异性影像组学特征展现出优异的判别能力（交叉验证AUC：0.956；95% CI 0.872-1.000）。在时段验证队列中，该模型保持了较高的泛化性，AUC达0.926（95% CI 0.846-0.984，敏感性：93.1%，特异性：71.4%），Brier评分为0.1186，校准良好（截距 = -0.157，斜率 = 1.354）。表面积与体积比（SVR）和NGTDM粗糙度是可行的影像组学特征。该静脉曲张特异性影像组学模型为HCC患者的EV出血提供了高敏感性且数学上稳定的无创风险分层。

  期刊IF等效值:2.6(OpenAlex 2年平均被引次数,数值截至2026-10-21,检索于2026-10-22;并非Clarivate官方影响因子)
  参考:Li PC, Ma CY, Chang SA, Chen CC. 基于机器学习的CT影像组学用于识别肝细胞癌中出血高危的食管静脉曲张。Abdom Radiol (NY). 2026 Oct 20 [Epub ahead of print]. doi:10.1007/s00261-026-05808-3. PMID: 42900382.
  已检查：仅摘要

查看全部 1 篇肝脏论文 →

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

• 在 ANZUP 1301 随机 3 期试验中验证基于计算组织学人工智能的生物标志物用于非肌层浸润性膀胱癌 BCG 治疗
  European Urology · 2026-10-21 · 证据：随机3期试验（生物标志物验证）
  摘要

  膀胱内灌注卡介苗(BCG)是高危非肌层浸润性膀胱癌(NMIBC)的标准辅助疗法，但疗效不一，高达40%的患者在5年内出现高级别复发(HGR)。全球BCG持续短缺、治疗不耐受以及替代疗法的出现，加剧了对新型生物标志物以指导治疗管理的需求 [1]。

  期刊IF等效值:1.5(OpenAlex 2年平均被引次数,数值截至2026-10-02,检索于2026-10-03;并非Clarivate官方影响因子)
  参考:[未列出作者]。在ANZUP 1301随机3期试验中对用于非肌层浸润性膀胱癌BCG治疗的基于计算组织学人工智能的生物标志物进行验证。European Urology。 [网络预出版]。doi:10.1016/j.eururo.2026.10.004.
  已检查：仅摘要

查看全部1篇膀胱论文 →