論文の概要: STG: Spatiotemporal Graph Neural Network with Fusion and Spatiotemporal Decoupling Learning for Prognostic Prediction of Colorectal Cancer Liver Metastasis

• arxiv url: http://arxiv.org/abs/2505.03123v1
• Date: Tue, 06 May 2025 02:41:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-07 18:50:11.170251
• Title: STG: Spatiotemporal Graph Neural Network with Fusion and Spatiotemporal Decoupling Learning for Prognostic Prediction of Colorectal Cancer Liver Metastasis
• Title（参考訳）: STG:時空間グラフニューラルネットと時空間デカップリング学習を用いた大腸癌肝転移の予後予測
• Authors: Yiran Zhu, Wei Yang, Yan su, Zesheng Li, Chengchang Pan, Honggang Qi,
• Abstract要約: 大腸癌肝転移(KCCM)を予測するためのマルチモーダル時間グラフニューラルネットワーク(STG)フレームワークを提案する。 我々のSTGフレームワークはCT画像と臨床データをヘテロジニアスグラフ構造に結合し,腫瘍分布エッジの同時モデリングと時間的進化を可能にする。 軽量版ではパラメータ数を78.55%削減し、最先端の性能を維持している。
• 参考スコア（独自算出の注目度）: 9.511932098831322
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose a multimodal spatiotemporal graph neural network (STG) framework to predict colorectal cancer liver metastasis (CRLM) progression. Current clinical models do not effectively integrate the tumor's spatial heterogeneity, dynamic evolution, and complex multimodal data relationships, limiting their predictive accuracy. Our STG framework combines preoperative CT imaging and clinical data into a heterogeneous graph structure, enabling joint modeling of tumor distribution and temporal evolution through spatial topology and cross-modal edges. The framework uses GraphSAGE to aggregate spatiotemporal neighborhood information and leverages supervised and contrastive learning strategies to enhance the model's ability to capture temporal features and improve robustness. A lightweight version of the model reduces parameter count by 78.55%, maintaining near-state-of-the-art performance. The model jointly optimizes recurrence risk regression and survival analysis tasks, with contrastive loss improving feature representational discriminability and cross-modal consistency. Experimental results on the MSKCC CRLM dataset show a time-adjacent accuracy of 85% and a mean absolute error of 1.1005, significantly outperforming existing methods. The innovative heterogeneous graph construction and spatiotemporal decoupling mechanism effectively uncover the associations between dynamic tumor microenvironment changes and prognosis, providing reliable quantitative support for personalized treatment decisions.
• Abstract（参考訳）: 大腸癌肝転移(CRLM)の進展を予測するために, マルチモーダル時空間グラフニューラルネットワーク(STG)フレームワークを提案する。 現在の臨床モデルは、腫瘍の空間的不均一性、動的進化、複雑なマルチモーダルデータ関係を効果的に統合せず、予測精度を制限している。 我々のSTGフレームワークは、術前CT画像と臨床データを異種グラフ構造に組み合わせ、空間的トポロジーとクロスモーダルエッジによる腫瘍分布と時間的進化のジョイントモデリングを可能にする。 このフレームワークは、GraphSAGEを使用して時空間情報を集約し、教師付きおよび対照的な学習戦略を活用して、時間的特徴をキャプチャし、堅牢性を向上させるモデルの能力を強化する。 軽量版ではパラメータ数を78.55%削減し、最先端の性能を維持している。 モデルでは,再現リスクの回帰と生存分析のタスクを共同で最適化する。 MSKCC CRLMデータセットの実験結果によると、時間偏差精度は85%、平均絶対誤差は1.1005であり、既存の手法よりも大幅に優れていた。 革新的なヘテロジニアスグラフの構築と時空間デカップリング機構は、動的腫瘍微小環境変化と予後の関係を効果的に解明し、パーソナライズされた治療決定のための信頼できる定量的支援を提供する。

関連論文リスト

• Graph Neural Network Surrogates to leverage Mechanistic Expert Knowledge towards Reliable and Immediate Pandemic Response [41.94295877935867]
  我々は,空間的かつ人口統計学的に解決された伝染病のメタポピュレーションモデルを構築し,パンデミックの予防接種期を表すデータセットのためのグラフニューラルネットワークを訓練する。 このアプローチはオンザフライ実行に大きな可能性をもたらし、パンデミックの意思決定に使用するローバリアWebアプリケーションへの統合を容易にする。
  論文  参考訳（メタデータ） (2024-11-10T15:54:09Z)
• A Generative Framework for Predictive Modeling of Multiple Chronic Conditions Using Graph Variational Autoencoder and Bandit-Optimized Graph Neural Network [0.0]
  複数の慢性疾患(MCC)の出現を予測することは、早期介入とパーソナライズされた医療にとって重要である。 グラフニューラルネットワーク(GNN)は、MCCに見られるような複雑なグラフデータをモデリングするための効果的な手法である。 本稿では,データ分布を利用してグラフ構造を代表的に構築するGNNのための新しい生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-20T17:26:38Z)
• Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
  筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。 iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
  論文  参考訳（メタデータ） (2024-07-10T19:17:23Z)
• Spatiotemporal Graph Neural Network Modelling Perfusion MRI [12.712005118761516]
  Per vascular MRI (pMRI) は腫瘍について貴重な洞察を与え、腫瘍の遺伝子型を予測することを約束する。 しかし、4D pMRIに合わせた効果的なモデルはまだ不足している。 本研究は,GNNモデルを用いた4次元pMRIのモデル化の試みである。
  論文  参考訳（メタデータ） (2024-06-10T16:24:46Z)
• SELECTOR: Heterogeneous graph network with convolutional masked autoencoder for multimodal robust prediction of cancer survival [8.403756148610269]
  がん患者生存のマルチモーダル予測は、より包括的で正確なアプローチを提供する。 本稿では、畳み込みマスクエンコーダに基づく異種グラフ認識ネットワークであるSELECTORを紹介する。 本手法は,モダリティ欠落とモダリティ内情報確認の両事例において,最先端の手法よりも優れていた。
  論文  参考訳（メタデータ） (2024-03-14T11:23:39Z)
• Improved Prognostic Prediction of Pancreatic Cancer Using Multi-Phase CT by Integrating Neural Distance and Texture-Aware Transformer [37.55853672333369]
  本稿では, 異なる患者のCT像における腫瘍と血管の正確な関係を記述した, 学習可能なニューラル距離を提案する。 発達したリスクマーカーは, 術前因子の生存率の予測因子として最強であった。
  論文  参考訳（メタデータ） (2023-08-01T12:46:02Z)
• Brain Imaging-to-Graph Generation using Adversarial Hierarchical Diffusion Models for MCI Causality Analysis [44.45598796591008]
  機能的磁気共鳴画像(fMRI)を軽度認知障害解析のための効果的な接続性にマッピングするために,脳画像から画像へのBIGG(Brain Imaging-to-graph generation)フレームワークを提案する。 発電機の階層変換器は、複数のスケールでノイズを推定するように設計されている。 ADNIデータセットの評価は,提案モデルの有効性と有効性を示す。
  論文  参考訳（メタデータ） (2023-05-18T06:54:56Z)
• Glioblastoma Multiforme Prognosis: MRI Missing Modality Generation, Segmentation and Radiogenomic Survival Prediction [17.40988637746532]
  本稿では, 遺伝子発現データに形状, 形状, 臨床情報などの放射線学的特徴を組み込むことにより, 放射線ゲノミック総合生存率(OS)予測手法を提案する。 我々はTCGAデータセットを利用して、条件付き生成逆数ネットワーク(cGAN)における完全畳み込みネットワーク(FCN)を用いて、欠落したMRIモダリティを合成する。 提案手法は, 合成, セグメンテーション, および全体生存率(OS)予測における最先端モデルとの比較実験により評価された。
  論文  参考訳（メタデータ） (2021-03-17T10:11:51Z)
• Statistical control for spatio-temporal MEG/EEG source imaging with desparsified multi-task Lasso [102.84915019938413]
  脳磁図(MEG)や脳電図(EEG)のような非侵襲的手法は、非侵襲的手法を約束する。 ソースローカライゼーション(ソースイメージング)の問題は、しかしながら、高次元の統計的推測問題を引き起こす。 この問題に対処するために,分離されたマルチタスクラッソ(ecd-MTLasso)のアンサンブルを提案する。
  論文  参考訳（メタデータ） (2020-09-29T21:17:16Z)

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。