AI 與癌症研究 ── 2026-10-15
癌症與 AI 的新論文，蒐集自期刊摘要訂閱源、PubMed（跨所有期刊檢索）與 OpenAlex（取代 Google Scholar 使用的公開索引），由 Jev（進行語言判斷的 AI）判定：是否為原創研究、AI 是否為核心、屬於 13 個主題中的哪一個、是治療還是試驗，再依重要性排序至每日上限。期刊不以影響係數篩選；每篇論文會顯示其期刊的等效 IF（OpenAlex 兩年平均被引次數）及該數值的日期。每筆條目皆顯示完整的原文摘要。
依癌別閱讀： 癌症生物學（1） · 乳房（2） · 肺（2） · 胰臟（0） · 攝護腺（0） · ACC（0） · 腦部（2） · 卵巢（0） · 子宮內膜（0） · 胃部（0） · 肝臟（1） · 腎臟（0） · 膀胱（0）
癌症分子生物學與 AI
- 摘要
上尿路尿路上皮癌（UTUC）患者的術後復發預測，對於個別化治療與追蹤規劃至關重要。然而，由於影像特徵與臨床資訊的異質性，可靠的風險分層仍具挑戰。本研究提出一個多模態臨床決策支援框架，整合增強電腦斷層（CT）影像與常規可取得的臨床變數，以預測術後復發。所提出的框架採用影像—臨床整合學習策略，以強化視覺表徵與患者特定臨床脈絡之間的語義對齊。影像特徵由具臨床依據的語義提示引導，同時動態融合機制會自適應地平衡不同模態的貢獻。此設計可實現穩健的多模態交互作用，並提升個別化風險評估的準確性。本框架使用一個回溯性 UTUC 世代進行評估，納入 2016 年至 2023 年間接受治療的 160 位患者，其中包括 59 例復發病例與 101 例未復發病例。實驗結果顯示，所提出的方法在受試者工作特徵曲線下面積（AUC）達到 0.87，表現優於傳統以卷積神經網路為基礎的模型及具代表性的多模態基線模型。定性分析進一步顯示，影像模式與臨床因子之間的對齊度獲得改善，並透過基於注意力機制的視覺化提供可解釋的洞察。這些研究結果顯示，所提出的多模態框架為 UTUC 術後復發風險分層提供了一種具潛力的方法，並有望支援臨床決策與依風險調整的術後管理。
期刊 IF 等效值：3.9（OpenAlex 兩年平均被引次數，數值截至 2026-10-13，於 2026-10-15 取得；並非 Clarivate 官方 IF）參考: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.已檢查：僅摘要
乳癌：治療、試驗與 AI
- 摘要
術前乳癌分子亞型分型對於治療選擇與預後評估至關重要，然而多數深度學習方法將亞型預測視為傳統的扁平式多類別任務，並未反映臨床上循序漸進的決策過程。我們開發了 HCF-Net，這是一種階層式級聯融合網路，將亞型預測分解為三個符合臨床邏輯的二元決策節點，並整合多期 DCE-MRI 與臨床影像資訊。該模型以回溯性方式，利用雙中心共 373 名接受術前 3.0 T 多期 DCE-MRI 檢查的女性世代進行開發與驗證。在獨立測試集（n = 75）上，HCF-Net 的 Macro-AUC 為 0.868（95% CI，0.806-0.923），準確率為 73.3%，Macro-F1 為 0.732，Cohen's κ 為 0.631。融合模型在三個階層決策節點上均取得最高的 AUC，其中管腔型與非管腔型腫瘤為 0.890，Luminal A 與 Luminal B 腫瘤為 0.865，HER2 過度表現型與三陰性腫瘤為 0.974。使用 ConvNeXt-Tiny 作為骨幹網路時，也觀察到相同的分類策略排序。相較於傳統的扁平式分類策略，階層式級聯分解與決策層級融合帶來了顯著的效能提升。這些研究結果顯示，與臨床決策路徑一致的階層式融合框架，可能為術前乳癌分子亞型預測提供一種有效且具可解釋性的方法。
期刊 IF 等效值：3.9（OpenAlex 兩年平均被引次數，數值截至 2026-10-13，於 2026-10-15 取得；並非 Clarivate 官方 IF）參考:Chen Y, Hu L, Hou J, Xie Y, Nie S, Jiang Y, et al. HCF-Net: a Hierarchical Cascade Fusion Network Aligned with Clinical Treatment Pathways for Preoperative Molecular Subtyping of Breast Cancer on Dynamic Contrast-Enhanced MRI. J Digit Imaging Inform med. 2026 Oct 13 [Epub ahead of print]. doi:10.1007/s10278-026-02331-1.已檢查：僅摘要 - 摘要
影像組學的棲地分析（habitat radiomics）可描述腫瘤子區域內的紋理，卻捨棄了各子區域之間的空間關係。我們開發了一套受景觀生態學啟發的框架，用以量化 DCE-MRI 上棲地間的空間結構，評估其與棲地內影像組學並用時的互補價值，並比較早期融合與晚期融合，以腋下淋巴結轉移（ALNM）預測作為評估任務。在這項多中心回溯性研究中，來自單一中心的 284 名患者被隨機分為訓練組（n = 198）與驗證組（n = 86），另有 120 名來自獨立機構的患者作為外部測試集。腫瘤經由 19 個體素層級紋理描述子的 k-means 分群劃分為六個棲地，其質心僅由訓練組導出。我們建構了三個特徵領域：8 項臨床參數、642 項棲地內影像組學特徵，以及 94 項棲地間空間結構特徵，涵蓋破碎度（n = 30）、形態（n = 24）、棲地間接觸（n = 15）、棲地間距離（n = 15）、面積比（n = 6）與多樣性（n = 4）。在外部測試集中，逐步融合使 AUC 逐步提升：僅臨床為 0.754，加入棲地內影像組學為 0.843，再加入棲地間空間結構為 0.863（95% CI 0.792-0.934）。完整的早期融合模型之 AUC 高於僅臨床模型（DeLong P = 0.011）與僅空間結構模型（P = 0.044）；早期融合的 AUC 在數值上高於晚期融合，但未達顯著差異（0.863 vs 0.851，P = 0.636）。兩個單一領域的影像模型在統計上無法區分（0.817 vs 0.784，P = 0.512）。棲地間空間結構捕捉到傳統棲地影像組學所忽略的腫瘤組織特性，並為術前 ALNM 預測提供互補資訊。
期刊 IF 等效值：3.9（OpenAlex 兩年平均被引次數，數值截至 2026-10-13，於 2026-10-15 取得；並非 Clarivate 官方 IF）參考: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.已檢查：僅摘要
肺癌：治療、試驗與 AI
- 摘要
背景：肺黏液性腺癌（PMA）是一種罕見的肺腺癌亞型，其特點是缺乏完整的病理分類與預後因子。在本研究中，我們提出一個多模態機器學習（ML）框架，整合多種資料模態，以提升 PMA 亞型分類與預後預測的表現。方法：這項回溯性研究納入 175 例原發性 PMA 病例，資料包括人口學、組織病理學、電腦斷層掃描（CT）影像，以及表皮生長因子受體（EGFR）突變資料。組織學分類採用最小絕對值收縮與選擇算子（LASSO）正則化邏輯迴歸模型，存活預測則採用 Cox 比例風險模型並進行內部驗證。結果：純黏液性腺癌的影像或病理腫瘤尺寸較小、位於下葉、淋巴結轉移及經氣腔播散（STAS）比率較低、病理分期較早、癌胚抗原（CEA）≤5 ng/mL、毛刺狀邊緣、Ki-67 低表現，且 EGFR 第 19 外顯子缺失頻率較低（P=0.002、0.003、EGFR exon 19 deletion 為 PMA 的獨立預後因子（分別為 P=0.04、0.049）。此外，Kaplan-Meier 曲線顯示，依列線圖評分分層的低風險組與高風險組之間，預後結果有顯著差異（P<0.001）。結論：肺純黏液性腺癌的惡性程度低於混合型黏液性與分泌黏液型腺癌。本研究建立並驗證的列線圖模型，在術前預測組織學亞型及 PMA 患者存活方面展現出良好成效，可為臨床醫師的診斷與預後預測提供參考。
期刊 IF 等效值：1.4（OpenAlex 兩年平均被引次數，數值截至 2026-10-13，於 2026-10-15 取得；並非 Clarivate 官方 IF）參考: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.已檢查：僅摘要 - 摘要
背景：即使在接受預防性顱腦放射治療（PCI）之後，腦轉移仍是小細胞肺癌（SCLC）患者的重要臨床問題。準確辨識 PCI 後腦轉移高風險患者，有助於進行個別化的監測與處置。本研究建立了一個融合模型，結合二點五維（2.5D）多通道深度學習特徵、臨床特徵與放射組學特徵，用以預測 SCLC 患者在 PCI 後是否會發生腦轉移。方法：這項回溯性研究納入 185 位接受 PCI 的 SCLC 患者，並將其隨機分為訓練集（N=148）與測試集（N=37）。研究依據來自 CT 影像的多平面感興趣區域（ROI）建構 2.5D 多通道卷積神經網路（CNN）模型，以擷取 2.5D 深度學習特徵。並分別根據腫瘤 ROI 的最大橫斷面與三維（3D）體積，擷取二維（2D）與 3D 深度學習特徵。隨後，將不同維度的特徵與臨床特徵及傳統組學特徵融合，分別建構 2D_clinic_Rad、2.5D_clinic_Rad 與 3D_clinic_Rad 模型。接著比較 3D 模型與臨床模型及傳統放射組學模型之間的效能差異。結果：2.5D_clinic_Rad 融合模型在預測腦轉移方面表現最佳，於測試集上達到曲線下面積（AUC）0.841，優於臨床模型、傳統放射組學模型，以及 2D 與 3D 深度學習融合模型。決策曲線與校準曲線分析顯示，相較於其他模型，2.5D_clinic_Rad 模型具有最高的臨床淨效益與最佳的校準一致性。結論：基於 2.5D_clinic_Rad 的融合模型能有效預測 SCLC 患者在全腦預防性放射治療後發生腦轉移的風險。
期刊 IF 等效值：2.5（OpenAlex 兩年平均被引次數，數值截至 2026-10-13，於 2026-10-15 取得；並非 Clarivate 官方 IF）參考:Zhang X, Zhao L, Wang J, Zhang X, Liang X, Cao W, et al. 以可解釋深度學習與影像組學預測小細胞肺癌預防性腦部放射治療後腦轉移的發生。Transl Lung Cancer Res. 2026 Sep;15(9):281-1. doi:10.21037/tlcr-2026-0708.已檢查：僅摘要
胰臟癌：治療、臨床試驗與 AI
本期沒有符合條件的新論文。
攝護腺癌：治療、試驗與 AI
本期沒有符合條件的新論文。
腺樣囊性癌：治療、試驗與 AI
本期沒有符合條件的新論文。
腦腫瘤：治療、試驗與 AI
- 摘要
膠質母細胞瘤（GBM）的治療反應具有高度異質性。從治療前的 MRI 預測療效是一項迫切且尚未滿足的需求，然而「黑箱」深度學習（DL）模型缺乏透明度，阻礙了其臨床採用。仍需建立穩健且全面的驗證框架，才能取得臨床信任。本研究採用多層次可解釋人工智慧（XAI）流程，剖析先前開發、用於預測 GBM 整體存活期的深度學習模型。首先，對模型的視覺關注區域進行定性與定量分析。其次，透過輸入消融研究量化模型的特徵依賴程度。第三，透過對內部表徵進行線性探測，追蹤類別資訊在哪一層深度變得可解碼。最後，在一項多讀者、多病例研究（37 名患者、4 位讀者、3 個階段、444 筆觀察）中，運用廣義估計方程式（GEE）與分群自助法評估 AI 及其解釋的臨床影響。分析揭示了一種高強度啟發式：顱骨周邊的高訊號像素錨定了「長期」預測，而在缺乏此特徵時，模型則依據腫瘤強化預設為「短期」。消融研究確立了這種依賴性，線性探測也指向相同方向。在臨床研究中，AI 輔助顯著提升了專家的準確度（OR 1.598，p < 0.01），且並未人為提高信心（p = 0.561）。重要的是，加入 XAI 熱圖與專家使用 AI 分數的方式改變相關（交互作用 p < 0.01），也與被誤判為長期存活者的患者減少相關。高預測準確度可能掩蓋對低階強度啟發式的依賴。雖然對顯著圖進行表面的解讀是危險的，但多層次稽核能夠揭露這些捷徑。在臨床上，空間熱圖與專家診斷準確度的提升及決策策略的轉變相關。
期刊 IF 等效值：3.9（OpenAlex 兩年平均被引次數，數值截至 2026-10-13，於 2026-10-15 取得；並非 Clarivate 官方 IF）參考:Andres R, Moreau NN, Dessoude L, Le Henaff L, Missohou F, Stefan D, et al. 深度學習於膠質母細胞瘤治療療效預測中的可解釋性與臨床信任：一個綜合框架。J Digit Imaging Inform med. 2026 Oct 13 [Epub ahead of print]. doi:10.1007/s10278-026-02381-5.已檢查：僅摘要 - 摘要
背景：CD9高表達與成人型瀰漫性神經膠質瘤（ADGs）患者較短的整體存活期（OS）顯著相關。同時，藥物篩選分析已確認依米丁（emetine）為針對CD9高表達神經膠質瘤的潛在標靶治療藥物，顯示CD9可能成為一種新型生物標記，並有望改變神經膠質瘤的診斷與治療。本研究旨在基於術前磁振造影（MRI）影像建立人工智慧預測模型，以協助早期辨識ADGs患者的CD9高表達。方法：我們回溯性收集了來自癌症基因體圖譜（TCGA）與中國神經膠質瘤基因組圖譜（CGGA）世代的262名ADGs患者的CD9表達資料。利用術前MRI序列［對比增強T1加權影像（CET1）與T2加權影像（T2WI）］，使用K-means分群演算法萃取棲息地（Habitat）特徵，並同時萃取放射組學特徵。此外，基於ResNet101、DenseNet121與SimpleViT等神經網路架構，建構多通道2.5維深度學習（2.5D_DL）資料，並萃取DL特徵。我們運用七種分類器分別建立Radiomics、Habitat與2.5D_DL預測模型。隨後，透過集成融合策略建立堆疊（Stacking）模型，以預測CD9高表達。模型效能以受試者工作特徵（ROC）曲線評估，臨床效益則以決策曲線分析（DCA）評估。同時進行Shapley加法解釋（SHAP）分析，以探討模型的可解釋性，提升機器學習預測的透明度。此外，依據Stacking模型分數將患者分為高風險與低風險組，並以Kaplan-Meier分析與對數秩檢定比較存活差異。結果：Habitat模型的ROC曲線［ROC曲線下面積（AUC）］數值優於Radiomics模型。在多通道2.5D_DL模型中，SimpleViT模型的表現略優於基於卷積神經網路（CNN）的模型（ResNet101與DenseNet121）。整合Habitat、Radiomics與2.5D_DL模型輸出的最終Stacking模型展現出更佳的AUC值，在訓練集、驗證集與測試集中的AUC分別達0.999、0.822與0.728。DeLong檢定證實各模型在訓練集的AUC值存在統計上顯著差異，但在其他資料集中未觀察到統計上顯著差異。此外，DCA驗證了此整合模型在更廣泛的風險閾值範圍內具有更高的淨臨床效益。以Stacking模型進行預後分層，顯示高風險組與低風險組的存活結果有顯著差異。結論：基於術前MRI的Stacking模型能有效辨識ADGs中CD9高表達的患者並進行風險分層，為臨床治療決策與個體化預後評估提供支持。仍需前瞻性多中心資料來驗證此模型的預後效能與泛化能力。
期刊 IF 等效值：1.4（OpenAlex 兩年平均被引次數，數值截至 2026-10-13，於 2026-10-15 取得；並非 Clarivate 官方 IF）參考:Pang B, Yuan M, Yan Y, Li J, Xue J, Jing L, 等。以MRI衍生棲息地影像組學結合Transformer深度學習術前預測CD9高表達:成人型瀰漫性膠質瘤的新型預後標記。Transl Cancer Res. 2026 Sep;15(9):703-3. doi:10.21037/tcr-2026-1847。已檢查：僅摘要
卵巢癌：治療、臨床試驗與 AI
本期沒有符合條件的新論文。
子宮內膜癌：治療、試驗與 AI
本期沒有符合條件的新論文。
胃癌：治療、試驗與 AI
本期沒有符合條件的新論文。
肝癌：治療、臨床試驗與 AI
- 摘要
背景：肝細胞癌（HCC）是全球癌症相關死亡的主要原因之一，而 TP53 突變是驅動腫瘤進展的主幹突變。然而，目前僅能透過侵入性肝臟切片來判定 TP53 突變狀態。本研究應用磁振造影（MRI）的多區域放射組學特徵來預測 P53 突變型 HCC，並提供一種非侵入性工具以辨識此一侵襲性亞型。方法：在這項回溯性研究中，分析了 320 名接受術前 MRI 檢查之患者的資料，並將其分為訓練組（TC；n=224）與驗證組（VC；n=96）。以逐步迴歸找出臨床風險因子，以建構預測模型。我們在六種 MRI 序列上評估了三種機器學習分類器，並採用最小絕對值收斂與選擇算子（LASSO）方法，從四個區域（整個腫瘤、IntraPeri_9mm、IntraPeri_11mm 及 IntraPeri_13mm）中選出最佳的 IntraPeri 融合模型，以建立放射組學模型。P53 突變型 HCC 的預測列線圖整合了這些臨床預測因子與具鑑別力的放射組學特徵，並以受試者工作特徵曲線分析、校準曲線與決策曲線評估其效能。結果：在 320 名患者中（男性 259 名、女性 61 名；平均年齡 58.25±11.51 歲），183 名為 P53 突變型 HCC，137 名為非 P53 突變型 HCC。最大腫瘤直徑（LTD）、Edmondson-Steiner 分級以及環狀動脈期高增強被確認為 P53 突變型 HCC 的獨立預測因子。以 IntraPeri_11mm 區域內最佳 MRI 序列［T1 加權影像動脈期（T1WI-AP）］的放射組學特徵所建立的 ExtraTrees 分類器，展現了良好的預測準確度［曲線下面積（AUC）TC =0.805；AUC VC =0.660］。整合臨床與放射組學特徵的預測列線圖在訓練組［AUC =0.815；95% 信賴區間（CI）：0.758-0.872］與驗證組（AUC =0.802；95% CI：0.713-0.890）中均表現優異。決策曲線分析進一步證實其臨床實用性。結論：結合臨床模型與 IntraPeri_11mm 放射組學的列線圖，可作為 HCC 術前 P53 突變狀態的有效預測工具。
期刊 IF 等效值：1.4（OpenAlex 兩年平均被引次數，數值截至 2026-10-13，於 2026-10-15 取得；並非 Clarivate 官方 IF）參考:Weng J, Yao D, Zeng Q, He Y, Yang C, Yang B. 以磁振造影為基礎的影像組學預測 P53 突變肝細胞癌:腫瘤內與腫瘤周圍分析。Transl Cancer Res. 2026 Sep;15(9):709-9. doi:10.21037/tcr-2026-1579.已檢查：僅摘要
腎臟癌：治療、試驗與 AI
本期沒有符合條件的新論文。
膀胱癌：治療、試驗與 AI
本期沒有符合條件的新論文。