Исследователи разработали интегрированные прогностические номограммы для колоректального рака, используя пересечение результатов трех алгоритмов машинного обучения и впервые объединив клинические, патологические, серологические и демографические факторы.

Исследование демонстрирует возможность применения модели Multiple-Instance Learning для прогнозирования BRAF-статуса у пациентов с папиллярными микрокарциномами щитовидной железы на основе анализа гистологических изображений с достижением ROC-AUC 0,83.

Систематический обзор современных методов радиомического анализа в сочетании с машинным обучением для неинвазивной дифференциальной диагностики доброкачественных ангиомиолипом и злокачественных новообразований почек. Анализ 9 исследований показал высокие значения AUC, но выявил недостатки стандартизации и внешней валидации.

Ретроспективное исследование 95 пациентов показало, что текстурный анализ МРТ с применением алгоритма XGBoost позволяет эффективно классифицировать рак мочевого пузыря по степени дифференцировки, достигая AUC 82,9% при 3D-сегментации.

Обзор трансформационного потенциала физически обоснованного машинного обучения (PIML) в разработке наномедицинских препаратов, адаптированных к микроокружению опухоли, с акцентом на решение парадокса персонализации в онкологии и создание пациент-специфичных моделей при ограниченных клинических данных.

Разработана и валидирована модель машинного обучения с объяснимым ИИ для прогнозирования местных рецидивов анального рака через 3 года. Исследование включило 1015 пациентов из 60 французских центров, получавших химиолучевую терапию. Модель продемонстрировала C-индекс 0,735 и AUC 0,755, выявив статус WHO, размер опухоли и возраст как ключевые предикторы.

Многоцентровое ретроспективное исследование 1008 пациенток с HR+/HER2- метастатическим раком молочной железы продемонстрировало эффективность ингибиторов CDK4/6 в реальной практике и разработало прогностические модели с использованием регрессии Кокса и машинного обучения для индивидуального прогнозирования исходов.

Анализ 929 пациентов с метастазами почечно-клеточного рака в головной мозг показал улучшение медианы выживаемости с 0,8 года в эру интерферонов до 2,0 лет в эру иммунотерапии. Разработана интерпретируемая модель машинного обучения для индивидуального прогнозирования выживаемости.

Разработана модель машинного обучения на основе [68Ga]Ga-Pentixafor ПЭТ/КТ для неинвазивного прогнозирования мутаций KCNJ5 у пациентов с односторонним первичным гиперальдостеронизмом с AUC до 0.915 в тренировочной группе.

Анализ исследования POSEIDON выявил генетические сигнатуры, позволяющие идентифицировать пациентов с неплоскоклеточным метастатическим НМРЛ, которые получают наибольшую пользу от добавления тремелимумаба к первой линии терапии дурвалумабом и химиотерапией.