AI w onkologii
Badania i newsy, w których sztuczna inteligencja jest metodą — diagnostyka, odkrywanie leków, patomorfologia, wspomaganie decyzji klinicznych.
System 2PI oparty na CECT jako nowe nieinwazyjne narzędzie prognostyczne w raku wątrobowokomórkowym: badanie z podwójną walidacją
Cui Y, et al
System 2PI (Pathology and Prognosis-Informed Imaging System) oparty na tomografii komputerowej z kontrastem (CECT) i uczeniu maszynowym skutecznie przewiduje ryzyko nawrotu po leczeniu raka wątrobowokomórkowego (HCC), osiągając wskaźnik C-index równy 0,76 (95% CI: 0,72–0,80) w zbiorze treningowym, 0…
Źródło →Walidacja kalkulatora ST-RADS: narzędzie AI oparte na aplikacji internetowej do wdrażania ST-RADS dla pierwotnie nieoperowanych guzów i zmian guzopodobnych tkanek miękkich
Ramachandran S, et al
Narzędzie AI w postaci kalkulatora ST-RADS, działające w trybie danych tekstowych, osiągnęło dychotomiczną dokładność klasyfikacji guzów tkanek miękkich na poziomie 72% — niemal identycznym jak wynik doświadczonych radiologów układu mięśniowo-szkieletowego (71%) — w retrospektywnym badaniu obejmując…
Źródło →Przestrzenno-czasowe wzorce współwystępowania i powiązane czynniki ryzyka raka przełyku oraz raka wargi i jamy ustnej u osób starszych w 203 krajach i terytoriach: systematyczna analiza oparta na uczeniu maszynowym
Zheng M, et al
Globalna analiza danych z badania Global Burden of Disease 2021, obejmująca 203 kraje i terytoria, wykazała, że rak przełyku oraz rak wargi i jamy ustnej (LOC) dzielą dwa kluczowe czynniki ryzyka u dorosłych w wieku ≥55 lat — wysokie spożycie alkoholu (rak przełyku RR=1,32, 95% CI: 1,13–1,53; LOC RR…
Źródło →Cyfrowa patologia, analiza obrazu i sztuczna inteligencja w chorobach wątroby
McGenity C, et al
Kompleksowy przegląd opublikowany w The Lancet Digital Health wskazuje, że cyfrowa patologia i sztuczna inteligencja — w tym głębokie uczenie maszynowe — szybko przekształcają sposób diagnozowania i leczenia raka wątroby oraz chorób wątroby, a dostęp do tych technologii w praktyce klinicznej stale r…
Źródło →Podejmowanie decyzji wspomagane sztuczną inteligencją po endoskopowej resekcji wczesnego raka żołądka
Ichimasa K, et al
Modele uczenia maszynowego przewidujące przerzuty do węzłów chłonnych po endoskopowej resekcji wczesnego raka żołądka osiągnęły pole pod krzywą ROC wynoszące 0,69–0,94, często przewyższając konwencjonalne systemy oceny ryzyka, takie jak eCura. Jest to szczególnie istotne, ponieważ choć przerzuty do …
Źródło →Znaczenie profilowania klinicznego dla określenia nadmiarowej śmiertelności w prolactinoma: wnioski z dużej kohorty opartej na rejestrze
Shwaish TZ, et al
Badanie kohortowe oparte na rejestrze SEER, obejmujące 3378 dorosłych chorych na prolactinoma (26 118 osobolat; lata 2004–2022), wykazało znamiennie podwyższoną ogólną śmiertelność (standaryzowany wskaźnik śmiertelności SMR 1,21; 95% CI 1,03–1,41), jednak nienadzorowane grupowanie ujawniło wyraźną n…
Źródło →Wewnętrzna walidacja THINKERS-PA w przewidywaniu wyników po radioterapii stereotaktycznej gruczolaka przysadki
Reyes JS, et al
THINKERS-PA, framework oparty na sieci neuronowej typu mieszanina ekspertów (MoE), osiągnął silną wewnętrznie zwalidowaną skuteczność w indywidualnym przewidywaniu wyników po radioterapii stereotaktycznej Gamma Knife (GKRS) w przypadku gruczolaków przysadki, uzyskując średnie czasozależne AUC wynosz…
Źródło →Przewidywanie ryzyka raka płuca za pomocą interpretowalnych modeli zespołowych na podstawie danych dotyczących stylu życia i wskaźników klinicznych
Ganie SM, et al
Model uczenia maszynowego oparty na metodzie stackingu osiągnął dokładność 93,53% w przewidywaniu ryzyka raka płuca na podstawie wskaźników stylu życia i danych klinicznych, przewyższając wszystkie pojedyncze modele oraz inne metody zespołowe — boosting, bagging i głosowanie — testowane w badaniu. N…
Źródło →Radiomika i sztuczna inteligencja w gruczolakach przysadki (PitNETs): od biomarkerów obrazowych do translacji klinicznej
Ruiz S, et al
Narracyjny przegląd badań opublikowanych w latach 2019–2025 wykazuje, że radiomika oparta na MRI oraz sztuczna inteligencja mają duży potencjał w transformacji klinicznego zarządzania nowotworami neuroendokrynnymi przysadki (PitNETs), a cechy teksturalne i kształtowe z obrazów T2-zależnych oraz wiel…
Źródło →Zintegrowana analiza bioinformatyczna wyznacza mitochondrialno-hematopoetyczny podpis genowy do diagnostyki i immunologicznej charakteryzacji zespołów mielodysplastycznych
Liu X, et al
Naukowcy opracowali 17-genowy mitochondrialno-hematopoetyczny podpis diagnostyczny, który osiągnął wysoką dokładność w wykrywaniu zespołów mielodysplastycznych (MDS) z wartością AUC wynoszącą 0,963, stosując metody uczenia maszynowego na trzech zintegrowanych zestawach danych z mikromacierzy (GSE145…
Źródło →Ta strona ma charakter edukacyjny — nie stanowi porady medycznej i nie zastępuje konsultacji z onkologiem. Decyzje diagnostyczne i terapeutyczne podejmuje wyłącznie lekarz specjalista.