論文の概要: CAST: Time-Varying Treatment Effects with Application to Chemotherapy and Radiotherapy on Head and Neck Squamous Cell Carcinoma

• arxiv url: http://arxiv.org/abs/2505.06367v1
• Date: Fri, 09 May 2025 18:19:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-13 20:21:48.805942
• Title: CAST: Time-Varying Treatment Effects with Application to Chemotherapy and Radiotherapy on Head and Neck Squamous Cell Carcinoma
• Title（参考訳）: 頭頸部扁平上皮癌に対するCASTの経時的治療効果と化学療法および放射線療法への応用
• Authors: Everest Yang, Ria Vasishtha, Luqman K. Dad, Lisa A. Kachnic, Andrew Hope, Eric Wang, Xiao Wu, Yading Yuan, David J. Brenner, Igor Shuryak,
• Abstract要約: 治療後の持続的機能として治療効果をモデル化する新しいフレームワークであるCAST(Causal Analysis for Survival Trajectories)を紹介する。 CASTは、治療効果の上昇、ピーク、減少をフォローアップ期間を通じて明らかにし、臨床医が治療効果を最大化する時期と時期を決定するのに役立つ。
• 参考スコア（独自算出の注目度）: 5.675082242330025
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Causal machine learning (CML) enables individualized estimation of treatment effects, offering critical advantages over traditional correlation-based methods. However, existing approaches for medical survival data with censoring such as causal survival forests estimate effects at fixed time points, limiting their ability to capture dynamic changes over time. We introduce Causal Analysis for Survival Trajectories (CAST), a novel framework that models treatment effects as continuous functions of time following treatment. By combining parametric and non-parametric methods, CAST overcomes the limitations of discrete time-point analysis to estimate continuous effect trajectories. Using the RADCURE dataset [1] of 2,651 patients with head and neck squamous cell carcinoma (HNSCC) as a clinically relevant example, CAST models how chemotherapy and radiotherapy effects evolve over time at the population and individual levels. By capturing the temporal dynamics of treatment response, CAST reveals how treatment effects rise, peak, and decline over the follow-up period, helping clinicians determine when and for whom treatment benefits are maximized. This framework advances the application of CML to personalized care in HNSCC and other life-threatening medical conditions. Source code/data available at: https://github.com/CAST-FW/HNSCC
• Abstract（参考訳）: 因果機械学習(CML)は治療効果の個別推定を可能にし、従来の相関に基づく手法よりも重要な利点を提供する。 しかし、因果樹林などの検閲を施した医療生存データに対する既存のアプローチでは、一定時刻における効果を推定し、時間とともにダイナミックな変化を捉える能力を制限している。 治療後の持続的機能として治療効果をモデル化する新しいフレームワークであるCAST(Causal Analysis for Survival Trajectories)を紹介する。 パラメトリック法と非パラメトリック法を組み合わせることで、CASTは離散時間点解析の限界を克服し、連続的な効果軌道を推定する。 CASTは,頭頸部扁平上皮癌(HNSCC)患者2,651例のRADCUREデータセット[1]を臨床応用例として用いた。 治療反応の時間的ダイナミクスを捉えることで、CASTは治療効果の上昇、ピーク、減少をフォローアップ期間を通じて明らかにし、治療効果が最大になる時期と時期を決定するのに役立つ。 この枠組みは、HNSCCや他の生命を脅かす医療条件におけるパーソナライズされたケアへのCMLの適用を前進させる。 ソースコード/データ https://github.com/CAST-FW/HNSCC

関連論文リスト

• Semi-supervised ViT knowledge distillation network with style transfer normalization for colorectal liver metastases survival prediction [1.283897253352624]
  本稿では,H&EおよびHPSで染色した組織学的スライドを用いて,自動予後予測のためのエンドツーエンドアプローチを提案する。 まずGAN(Generative Adversarial Network)を用いてスライス正規化を行い、染色のばらつきを低減し、予測パイプラインへの入力として使用される画像の全体的な品質を向上させる。 転移性結節および周囲組織から抽出した特徴を利用して予後モデルを訓練し,同時に知識蒸留フレームワークで視覚変換器(ViT)を訓練し,予後予測の性能を再現し,向上させる。
  論文  参考訳（メタデータ） (2023-11-17T03:32:11Z)
• Comparing 3D deformations between longitudinal daily CBCT acquisitions using CNN for head and neck radiotherapy toxicity prediction [1.8406176502821678]
  本研究の目的は,頭頸部癌に対する放射線治療中に毎日取得したCBCTの臨床的意義を明らかにすることである。 平面CTと長手CBCTの変形のヤコビ行列を解析する成分を含む変形可能な3次元分類パイプラインを提案する。
  論文  参考訳（メタデータ） (2023-03-07T15:07:43Z)
• TCFimt: Temporal Counterfactual Forecasting from Individual Multiple Treatment Perspective [50.675845725806724]
  個別多面的治療の観点からの時間的対実予測の包括的枠組み(TCFimt)を提案する。 TCFimtは、選択と時間変化バイアスを軽減するためにSeq2seqフレームワークの逆タスクを構築し、比較学習ベースのブロックを設計し、混合処理効果を分離した主治療効果と因果相互作用に分解する。 提案手法は, 特定の治療法による今後の結果予測と, 最先端手法よりも最適な治療タイプとタイミングを選択する上で, 良好な性能を示す。
  論文  参考訳（メタデータ） (2022-12-17T15:01:05Z)
• Bayesian Semiparametric Model for Sequential Treatment Decisions with Informative Timing [0.0]
  動的処理則が生存に与える影響を推定するためのベイズ半パラメトリックモデルを開発した。 データは、第III相AAML1031臨床試験に登録された患者のサブセットから構成される。
  論文  参考訳（メタデータ） (2022-11-29T17:17:26Z)
• A Deep Bayesian Bandits Approach for Anticancer Therapy: Exploration via Functional Prior [13.368491963797151]
  機械学習によるパーソナライズされたがん治療は がん患者が生存する可能性を改善する 素晴らしい約束です 近年の機械学習と精度オンコロジーの進歩にもかかわらず、このアプローチは依然として困難である。 本稿では,がん細胞株の文脈情報に基づいて抗がん治療をアルゴリズムが選択する「コンテキスト・バンディット」問題として薬物スクリーニング研究を定式化する。 本稿では,ゲノム的特徴と薬物構造からなるマルチモーダル情報に基づく薬物応答予測のために,薬物応答予測に先行して機能的を利用する新しいディープベイズ・バンディット・フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-05-05T21:56:14Z)
• Intelligent Sight and Sound: A Chronic Cancer Pain Dataset [74.77784420691937]
  本稿では,Intelligent Sight and Sound (ISS) 臨床試験の一環として収集された,最初の慢性ガン痛データセットを紹介する。 これまで収集されたデータは29の患者、509のスマートフォンビデオ、189,999のフレーム、そして自己報告された感情と活動の痛みのスコアから成っている。 静的画像とマルチモーダルデータを用いて、自己報告された痛みレベルを予測する。
  論文  参考訳（メタデータ） (2022-04-07T22:14:37Z)
• Disentangled Counterfactual Recurrent Networks for Treatment Effect Inference over Time [71.30985926640659]
  本稿では,DCRN(Disentangled Counterfactual Recurrent Network)を提案する。 時間とともに治療効果の因果構造に完全にインスパイアされたアーキテクチャでは、予測精度と疾患理解が向上する。 実データとシミュレーションデータの両方において,DCRNが処理応答予測の最先端手法より優れていることを示す。
  論文  参考訳（メタデータ） (2021-12-07T16:40:28Z)
• MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
  本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。 我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。 我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
  論文  参考訳（メタデータ） (2020-10-08T15:30:17Z)
• Joint Prediction and Time Estimation of COVID-19 Developing Severe Symptoms using Chest CT Scan [49.209225484926634]
  術後に重篤な症状を発症するかどうかを判定するための共同分類法と回帰法を提案する。 提案手法は,各試料の重量を考慮し,外乱の影響を低減し,不均衡な分類の問題を検討する。 提案手法では, 重症症例の予測精度76.97%, 相関係数0.524, 変換時間0.55日差が得られた。
  論文  参考訳（メタデータ） (2020-05-07T12:16:37Z)
• Estimating Counterfactual Treatment Outcomes over Time Through Adversarially Balanced Representations [114.16762407465427]
  時間とともに治療効果を推定するためにCRN(Counterfactual Recurrent Network)を導入する。 CRNは、患者履歴のバランスの取れた表現を構築するために、ドメイン敵のトレーニングを使用する。 本モデルでは, 正解率の予測と適切な治療時期の選択において, 誤差の低減を図っている。
  論文  参考訳（メタデータ） (2020-02-10T20:47:36Z)

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。