Der Artikel “Molekulare Klassifizierung von Krebs: Klassenermittlung und Klassenprognose durch Überwachung der Genexpression” von Golub et al. beschäftigt sich mit der Entdeckung und Vorhersage von Krebsklassen mithilfe der Genexpressionsüberwachung. Curtis et al. präsentieren in ihrer Arbeit “Die genomische und transkriptomische Architektur von 2.000 Brusttumoren zeigt neue Untergruppen” neue Erkenntnisse über Brusttumoren. Andere Arbeiten wie die von Doroshow & Doroshow befassen sich mit der Genomik und der Geschichte der Präzisionsonkologie sowie mit dem Aufbau von Werkzeugen für maschinelles Lernen und künstliche Intelligenz in der Krebsforschung.
Studien wie die von Ström et al., Fu et al. und Noorbakhsh et al. untersuchen den Einsatz von Künstlicher Intelligenz (KI) für die Diagnose und Einstufung von Krebsarten anhand von Biopsien und histologischen Bildern. Weitere Arbeiten beschäftigen sich mit dem Einsatz von KI zur Klassifizierung und Vorhersage von Genmutationen, etwa bei Lungenkrebs oder Leberkrebs. Eine Studie von Campanella et al. zeigt, wie KI zur klinischen Pathologie eingesetzt werden kann, um ganze Schnittbilder zu analysieren.
Forschungsarbeiten wie die von Wang et al. und Monjo et al. untersuchen die Vorhersage von molekularen Phänotypen aus histopathologischen Bildern und Transkriptomdaten bei Brustkrebs. Andere Arbeiten, wie die von Alsaafin et al. und Dinstag et al., beschäftigen sich mit der klinischen Vorhersage von Patientenreaktionen auf zielgerichtete Therapien und Immuntherapien auf der Grundlage des Tumor-Transkriptoms. Es wird auch gezeigt, dass die räumliche Organisation von Krebskernen und tumorinfiltrierenden Lymphozyten in histologischen Bildern einen klinischen Nutzen bei der Vorhersage des Ansprechens auf Immuncheckpoint-Inhibitoren haben kann.