論文の概要: Multimodal AI-driven Biomarker for Early Detection of Cancer Cachexia
- arxiv url: http://arxiv.org/abs/2503.06797v1
- Date: Sun, 09 Mar 2025 22:32:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-11 20:09:44.639259
- Title: Multimodal AI-driven Biomarker for Early Detection of Cancer Cachexia
- Title（参考訳）: 癌キャッシュキシアの早期検出のためのマルチモーダルAI駆動バイオマーカー
- Authors: Sabeen Ahmed, Nathan Parker, Margaret Park, Evan W. Davis, Jennifer B. Permuth, Matthew B. Schabath, Yasin Yilmaz, Ghulam Rasool,
- Abstract要約: がんキャッシュキシアは多因子症候群であり、進行性筋肉の洗浄、代謝異常、全身炎症を特徴とする。
キャッシュキシアに決定的なバイオマーカーは存在しない。
本研究では,早期がんキャッシュリア検出のためのマルチモーダルAIベースのバイオマーカーを提案する。
- 参考スコア（独自算出の注目度）: 14.27396467108753
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Cancer cachexia is a multifactorial syndrome characterized by progressive muscle wasting, metabolic dysfunction, and systemic inflammation, leading to reduced quality of life and increased mortality. Despite extensive research, no single definitive biomarker exists, as cachexia-related indicators such as serum biomarkers, skeletal muscle measurements, and metabolic abnormalities often overlap with other conditions. Existing composite indices, including the Cancer Cachexia Index (CXI), Modified CXI (mCXI), and Cachexia Score (CASCO), integrate multiple biomarkers but lack standardized thresholds, limiting their clinical utility. This study proposes a multimodal AI-based biomarker for early cancer cachexia detection, leveraging open-source large language models (LLMs) and foundation models trained on medical data. The approach integrates heterogeneous patient data, including demographics, disease status, lab reports, radiological imaging (CT scans), and clinical notes, using a machine learning framework that can handle missing data. Unlike previous AI-based models trained on curated datasets, this method utilizes routinely collected clinical data, enhancing real-world applicability. Additionally, the model incorporates confidence estimation, allowing the identification of cases requiring expert review for precise clinical interpretation. Preliminary findings demonstrate that integrating multiple data modalities improves cachexia prediction accuracy at the time of cancer diagnosis. The AI-based biomarker dynamically adapts to patient-specific factors such as age, race, ethnicity, weight, cancer type, and stage, avoiding the limitations of fixed-threshold biomarkers. This multimodal AI biomarker provides a scalable and clinically viable solution for early cancer cachexia detection, facilitating personalized interventions and potentially improving treatment outcomes and patient survival.
- Abstract（参考訳）: がんのキャッシュキシアは、進行性筋肉の洗浄、代謝異常、全身炎症を特徴とする多因子症候群であり、生活の質が低下し死亡率も上昇する。
広範な研究にもかかわらず、血清バイオマーカー、骨格筋の測定、代謝異常などのキャッシュキシア関連指標は他の状態と重複することが多いため、唯一の決定的なバイオマーカーは存在しない。
CXI、CXI(mCXI)、CASCO(Cachexia Score)を含む既存の複合指標は、複数のバイオマーカーを統合するが、標準化された閾値が欠如しており、臨床効果が制限されている。
本研究では,早期がんキャッシュキシア検出のためのマルチモーダルAIベースのバイオマーカーを提案し,オープンソースの大規模言語モデル(LLM)と医療データに基づいて訓練された基礎モデルを活用する。
このアプローチは、人口統計、疾患のステータス、ラボレポート、放射線画像(CTスキャン)、臨床ノートなどの異種患者データを、欠落したデータを扱う機械学習フレームワークを使って統合する。
キュレートされたデータセットに基づいてトレーニングされた従来のAIベースモデルとは異なり、この方法は日常的に収集された臨床データを使用し、現実の応用性を高める。
さらに、モデルには信頼度推定が組み込まれており、正確な臨床解釈のために専門家によるレビューを必要とする症例を識別することができる。
複数のデータモダリティを統合することで,がん診断時のキャッシュキシア予測精度が向上することが示された。
AIベースのバイオマーカーは、年齢、人種、民族性、体重、がんの種類、ステージといった患者固有の要因に動的に対応し、固定閾値バイオマーカーの制限を回避する。
このマルチモーダルAIバイオマーカーは、早期がんキャッシュリア検出のためのスケーラブルで臨床的に実行可能なソリューションを提供し、パーソナライズされた介入を促進し、治療結果と患者生存を改善する可能性がある。
関連論文リスト
- Graph Kolmogorov-Arnold Networks for Multi-Cancer Classification and Biomarker Identification, An Interpretable Multi-Omics Approach [36.92842246372894]
Multi-Omics Graph Kolmogorov-Arnold Network (MOGKAN)は、メッセンジャーRNA、マイクロRNA配列、DNAメチル化サンプルを利用するディープラーニングフレームワークである。
グラフに基づく深層学習とマルチオミクスデータを統合することにより,提案手法は頑健な予測性能と解釈可能性を示す。
論文 参考訳（メタデータ） (2025-03-29T02:14:05Z) - Reliable Radiologic Skeletal Muscle Area Assessment -- A Biomarker for Cancer Cachexia Diagnosis [12.928843687757466]
我々はディープラーニングモデル(nnU-Net 2D)を利用したエンドツーエンドの自動パイプラインであるSMAART-AIを開発した。
SMAART-AIには、専門家のレビューのためにSMA予測にフラグを付ける不確実性ベースのメカニズムが組み込まれており、信頼性が向上している。
SMAART-AIは胃食道癌データセットで試験され、Diceスコア97.80%+/-0.93%を達成し、SMAは4つのデータセットすべてで2.48%の絶対誤差で推定した。
論文 参考訳（メタデータ） (2025-03-19T19:07:59Z) - Prediction of Lung Metastasis from Hepatocellular Carcinoma using the SEER Database [0.9055332067000195]
肝細胞癌(HCC)は、がん関連死亡の原因である。
HCCにおける肺転移の予測モデルは、範囲と臨床応用性に限られている。
本研究では,Surveillance, Epidemiology, End Results (SEER)データベースのデータを用いて,エンドツーエンドの機械学習パイプラインの開発と検証を行う。
論文 参考訳（メタデータ） (2025-01-20T20:06:31Z) - LASSO-MOGAT: A Multi-Omics Graph Attention Framework for Cancer Classification [41.94295877935867]
本稿では,メッセンジャーRNA,マイクロRNA,DNAメチル化データを統合し,31種類のがんを分類するグラフベースのディープラーニングフレームワークLASSO-MOGATを紹介する。
論文 参考訳（メタデータ） (2024-08-30T16:26:04Z) - Biomarker based Cancer Classification using an Ensemble with Pre-trained Models [2.2436844508175224]
マルチクラス分類タスクに対して,事前学習したハイパーファストモデル,XGBoost,LightGBMを組み合わせた新しいアンサンブルモデルを提案する。
我々はメタトレーニングしたハイパーファストモデルを用いてがんの分類を行い、AUCは0.9929である。
また,事前学習したハイパーファストモデル,XGBoost,LightGBMを多クラス分類タスクに組み合わせた新しいアンサンブルモデルを提案し,精度を漸進的に向上させる(0.9464)。
論文 参考訳（メタデータ） (2024-06-14T14:43:59Z) - MMIL: A novel algorithm for disease associated cell type discovery [58.044870442206914]
単一細胞データセットは、しばしば個々の細胞ラベルを欠いているため、病気に関連する細胞を特定することは困難である。
セルレベルの分類器の訓練と校正を可能にする予測手法であるMixture Modeling for Multiple Learning Instance (MMIL)を導入する。
論文 参考訳（メタデータ） (2024-06-12T15:22:56Z) - Self-Normalizing Foundation Model for Enhanced Multi-Omics Data Analysis in Oncology [0.0]
SeNMoは、33のがんタイプにわたるマルチオミクスデータに基づいてトレーニングされた基礎モデルである。
当科では,33のがん部位を含む膵癌マルチオミクスデータを用いて,SeNMoの全身生存を訓練した。
SeNMoはMoffitt Cancer CenterとCPTAC肺扁平上皮癌という2つの独立したコホートで検証された。
論文 参考訳（メタデータ） (2024-05-13T22:45:44Z) - Optimal transport for automatic alignment of untargeted metabolomic data [8.692678207022084]
本稿では,LC-MSデータセットを最適なトランスポートで自動的に組み合わせる,フレキシブルでユーザフレンドリなアルゴリズムであるGromovMatcherを紹介する。
特徴強度相関構造を利用することで、GromovMatcherは優れたアライメント精度とロバスト性を提供する。
我々は,GromovMatcherが,いくつかのがんタイプに関連するライフスタイルのリスク要因に関連するバイオマーカーの検索をいかに促進するかを示す。
論文 参考訳（メタデータ） (2023-06-05T20:08:19Z) - A marker-less human motion analysis system for motion-based biomarker
discovery in knee disorders [60.99112047564336]
NHSは低リスクの全ての患者に会うのが難しくなっているが、これはOA患者に限らない。
膝関節疾患の診断と治療経過のモニタリングのためのバイオマーカー自動同定法を提案する。
論文 参考訳（メタデータ） (2023-04-26T16:47:42Z) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳（メタデータ） (2021-02-26T02:29:30Z) - G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for
Biomarker Identification and Disease Classification [49.53651166356737]
診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。
2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
論文 参考訳（メタデータ） (2021-01-27T19:28:04Z) - Topological Data Analysis of copy number alterations in cancer [70.85487611525896]
癌ゲノム情報に含まれる情報を新しいトポロジに基づくアプローチで捉える可能性を探る。
本手法は, 癌体性遺伝データに有意な低次元表現を抽出する可能性を秘めている。
論文 参考訳（メタデータ） (2020-11-22T17:31:23Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。