AI 與癌症研究 ── 2026-10-23
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（0） · 肺部（1） · 胰臟（0） · 攝護腺（0） · ACC（0） · 腦部（1） · 卵巢（1） · 子宮內膜（0） · 胃部（0） · 肝臟（0） · 腎臟（0） · 膀胱（1）
癌症分子生物學與 AI
- 摘要
代謝重編程是許多疾病（尤其是癌症）的標誌性特徵，然而目前從基因表現資料分析代謝狀態的方法，往往缺乏臨床應用所需的解析度與可解釋性。以基因為基礎的特徵式方法會簡化代謝網路的結構，容易受到統計偏誤影響，最終在不同研究之間呈現不佳的可重現性。因此，我們需要一種具網路結構且有機制依據的替代方法。我們開發了 CircumSpectrum，這是一個計算框架，透過整合基因體尺度代謝模型與在 142 個功能性代謝子系統上訓練的機器學習分類器，將基因表現圖譜轉換為基於通量的代謝指紋。該框架以多個獨立的轉錄體學患者隊列進行驗證，這些隊列中的患者接受 metformin——一種廣泛使用的抗糖尿病藥物，在腫瘤學領域的重要性也與日俱增——的治療，範圍涵蓋健康個體、第二型糖尿病患者與癌細胞株。其效能以拔靴法分類準確率，與傳統的基因特徵及路徑富集方法進行基準比較。在此我們展示，CircumSpectrum 在區分治療效果方面優於傳統基因特徵方法，並在資料集、平台與物種之間維持可重現性。將該框架應用於接受 metformin 治療的隊列後，它揭露了標準轉錄體分析未能偵測的藥物誘發代謝適應，涵蓋表現型、子系統與個別反應層級，包括健康者與糖尿病患者代謝反應之間的疾病特異性分歧，以及各癌症類型間保守的路徑重塑。CircumSpectrum 能從病人隊列、實驗模型與單細胞資料進行多尺度代謝圖譜分析，從基因表現資料提供對複雜表現型結構化且可解釋的洞見。此方法在識別代謝弱點、闡明藥物作用機轉，以及支持跨疾病情境的精準治療策略方面，具有廣泛的潛力。細胞會不斷調整其代謝以因應疾病或治療，但目前從基因活性資料研究這些變化的方法，往往不夠精確且難以重現。我們開發了 CircumSpectrum，這是一種計算工具，透過結合大尺度生物網路模型與機器學習，將基因表現測量值轉換為精細的代謝「指紋」。我們以 metformin 進行測試，這是一種常見的抗糖尿病藥物，在癌症方面的應用也日益增加，測試範圍涵蓋多項患者研究與多種癌症類型。CircumSpectrum 找出了標準方法遺漏的代謝變化，而且在不同的資料集之間、甚至不同的物種之間都保持一致。這些發現顯示，CircumSpectrum 有助於研究者更了解藥物在代謝層面的作用，進而為糖尿病、癌症及其他代謝疾病指引更精準的治療策略。Polley 等人提出 CircumSpectrum，這是一個透過基因體尺度模型與機器學習，將 RNA-seq 轉換為基於通量的代謝指紋的框架。他們以 metformin 為對象，在臨床與癌症隊列上對該框架進行基準測試，發現其表現優於傳統的基因特徵方法，並能在表現型、子系統與反應層級提示藥物的作用機制。
期刊 IF 等效值：6.0（OpenAlex 兩年平均被引度，數值截至 2026-10-08，擷取於 2026-10-09；非 Clarivate 官方 IF）參考:Polley N, Kaoma T, Nazarov PV, Sarry JE. 從基因表現推論以通量為基礎的代謝指紋，以預測藥物反應並促進病患分層。Commun Med. 2026 Oct 21 [電子搶先發表]. doi:10.1038/s43856-026-01970-3.已檢查：僅摘要
乳癌：治療、試驗與 AI
本期沒有符合條件的新論文。
肺癌：治療、試驗與 AI
- 摘要
背景:本研究旨在探討細胞老化相關分泌表型（SASP）相關基因與肺腺癌（LUAD）之腫瘤免疫微環境（TIME）及臨床結果的關聯，並開發與評估用於風險分層及探索性治療反應預測的預後特徵。
方法：進行非負矩陣分解（NMF）以鑑別不同的分子亞型。利用最小絕對收縮與選擇算子（LASSO）、隨機森林及極限梯度提升（XGBoost）來鑑別核心預後 SASP 基因。並以多體學資料集、LUAD 細胞株及臨床檢體，探討所選 SASP 相關基因的表現模式。
結果：第 1 群與明顯較短的整體存活期（OS）、增強的老化路徑活性，以及經運算推論出的免疫抑制與免疫排除特徵相關。透過機器學習選出五個細胞內 SASP 調節因子— ANGPTL4 , CDKN2A , H2AX , MMP1 及 CCL20 —，以建構 SASP 蛋白質調節因子評分（SASP-PRS）。高 SASP-PRS 與老化／SASP 及細胞週期路徑的活化、抗腫瘤免疫特徵的抑制，以及獨特的免疫檢查點與趨化因子表現圖譜相關。較高的 SASP-PRS 亦與較晚的疾病分期、較差的 OS、預測對免疫治療的反應較低、預測對 erlotinib 的敏感度較低，以及預測對特定化療藥物的敏感度較高有關。在所分析的 LUAD 族群中，納入 SASP-PRS 的列線圖在預測 1 年、3 年及 5 年 OS 方面展現出鑑別力與校準度。
結論：這些發現顯示，SASP 相關的基因表現模式與 LUAD 分子亞型、衰老訊號傳導、以計算方法推導的免疫特徵以及治療相關結果有關。SASP-PRS 可作為 LUAD 預後分層的潛在生物標記。然而，其用於治療反應評估的效用仍屬探索性質。尚需前瞻性外部驗證與功能性研究，以確立其臨床適用性，並闡明 SASP 相關網路與 LUAD 免疫微環境之間的關聯機制。
期刊 IF 等效值：3.7（OpenAlex 兩年平均被引度，數值截至 2026-10-22，擷取於 2026-10-23；非 Clarivate 官方 IF）參考:Chang X, Jiang L, Zhang L, Ren T, Fan C, Li P。反映肺腺癌中由衰老相關分泌表現型驅動之免疫抑制微環境的機器學習衍生細胞內蛋白質預後模型。PeerJ. 2026 Oct 21;14:e21835. doi:10.7717/peerj.21835.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
腦腫瘤報告與資料系統（Brain Tumor Reporting and Data System，BT-RADS）將瀰漫性神經膠質瘤病人治療後的 MRI 反應評估標準化，但需要將影像趨勢、藥物作用與放射治療時機進行複雜的整合。研究開發並評估了一套用於自動化 BTRADS 分類的端對端多代理大型語言模型與卷積神經網路系統。回溯性評估了來自單一中心的 509 項連續治療後神經膠質瘤 MRI 檢查（2017年3月至2021年7月）。擷取代理使用 gpt-oss（OpenAI，200 億參數）從臨床紀錄中識別臨床變數。評分代理套用 BTRADS 決策邏輯，將這些變數與定量體積分析整合。以專家註記作為參考標準，將系統準確度與初步評估進行比較。共有 492 項檢查可評估。整體系統準確度為 76.0%（374/492），初步評估則為 57.5%（283/492），絕對差異為 +18.5 個百分點（ P < .001）。系統與參考標準間的 Cohen kappa 為 0.71。該系統在依賴情境的類別中達到高敏感度（BT-1b；100%；BT-1a，92.7%；BT-3a，87.5%），在依賴閾值的類別中達到中等敏感度（BT-3c，74.8%；BT-2，69.2%；BT-4，69.3%；BT-3b，57.1%）。BT-4 的陽性預測值為 92.9%。這些結果支持將此系統作為臨床決策支援工具進行進一步評估，且本機開放權重推論可保有資料隱私。©RSNA, 2026
期刊 IF 等效值：8.3（OpenAlex 兩年平均被引度，數值截至 2026-10-22，擷取於 2026-10-23；非 Clarivate 官方 IF）參考:Jabal MS, Zhang J, LaBella D, Houk JL, Zhang D, Rudie JD, et al. 使用端对端系统进行标准化胶质瘤追踪评估之 BT-RADS 评分代理式自动化。Radiology: Artificial Intelligence. 2026 年 10 月 21 日 [电子版抢先发表]。doi:10.1148/ryai.260234.已檢查：僅摘要
卵巢癌：治療、臨床試驗與 AI
- 摘要
同源重組缺失（HRD）是引導高惡性度漿液性輸卵管卵巢癌（HGSOC）治療決策的關鍵生物標記，而這種癌症幾乎沒有可靠的生物標記。然而，現有以基因體學為基礎的 HRD 檢測變異性高、費用高昂且耗時。我們開發了 HRDPath，這是一種從全切片影像預測 HRD 狀態的病人層級深度學習架構，無需額外的分子檢測。HRDPath 已在三個女性病人世代中完成驗證，AUC 達 0.846，顯著優於先前已發表的 HGSOC 結果。透過納入每位病人的多張切片及針對性的最佳化策略，我們強化了模型的臨床實用性，特異性與敏感性均達到 0.90。我們的可解釋性流程提升了模型的可信度，並揭示 HRD 陽性癌症重要的臨床與生物學洞見，突顯細胞與組織層級相關的形態學與病理學變化。HRDPath 為建立易於取得且可規模化的數位生物標記奠定基礎，以改善全球卵巢癌的治療分層。
期刊 IF 等效值：18.1（OpenAlex 兩年平均被引度，數值截至 2026-10-06，擷取於 2026-10-07；非 Clarivate 官方 IF）參考:Wu CI、Banda K、Arora R、Soong TR、Radke M、Dillon M 等人。HRDPath：一種可解釋的多模型深度學習架構，用於從組織病理學影像預測同源重組缺陷。Nat Commun. 2026 Oct 21;17(1):10870. doi:10.1038/s41467-026-78430-y。已檢查：僅摘要
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
本期沒有符合條件的新論文。
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
- 摘要
摘要 準確預測淋巴結轉移(LNM)與存活結局對膀胱癌的個人化治療至關重要，但在臨床上仍具挑戰性。本研究旨在開發一套以細胞學為基礎的多任務預測網路(CytoNet),以同時預測膀胱癌的 LNM 與無病存活期(DFS),並評估其在子宮頸癌與甲狀腺癌的泛化能力。本研究納入多中心世代共 5273 位病人，其中膀胱癌(n = 1134)、子宮頸癌(n = 598)、甲狀腺癌(n = 3541)。CytoNet 透過三階段流程建構，包含自監督式預訓練、監督式微調與多任務預測。在膀胱癌方面，CytoNet 在所有世代中，LNM 預測的曲線下面積(AUC)為 0.831‐0.881,DFS 預測的 C 指數為 0.680‐0.710,表現優於單任務模型與標準放射學評估。在子宮頸癌方面，CytoNet 在 LNM 預測(AUC 0.847‐0.862)與 DFS 預測(C 指數 0.690‐0.709)均展現穩健表現；而在甲狀腺癌方面，其 LNM 預測的 AUC 為 0.819‐0.855。結論：CytoNet 是一項可靠工具，能從多種癌症的細胞病理學影像預測 LNM 與預後，有潛力成為現行臨床決策的寶貴輔助。其臨床效用仍需進一步前瞻性驗證加以評估。
期刊 IF 等效值：9.5（OpenAlex 兩年平均被引度，數值截至 2026-10-18，擷取於 2026-10-19；非 Clarivate 官方 IF）參考:Hong G、Jiang F、Xie Y、Huang X、Shen R、Wang Y, et al. 以細胞學影像預測膀胱癌淋巴結轉移與無病存活期的多任務深度學習模型：一項結合泛細胞學驗證的多中心研究。Advanced Science. 2026 Oct 21 [Epub ahead of print]. doi:10.1002/advs.76577.已檢查：僅摘要