論文の概要: Probabilistic approach to longitudinal response prediction: application to radiomics from brain cancer imaging

• arxiv url: http://arxiv.org/abs/2505.07973v1
• Date: Mon, 12 May 2025 18:15:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-14 20:57:54.301669
• Title: Probabilistic approach to longitudinal response prediction: application to radiomics from brain cancer imaging
• Title（参考訳）: 縦断応答予測への確率論的アプローチ:脳腫瘍画像からの放射能への応用
• Authors: Isabella Cama, Michele Piana, Cristina Campi, Sara Garbarino,
• Abstract要約: 本研究では,長手応答予測のための確率論的モデルを提案する。 本研究では, 人工シナリオと脳がんデータセットを用いて, 最先端の疾患進行モデルに対する提案モデルの評価を行った。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Longitudinal imaging analysis tracks disease progression and treatment response over time, providing dynamic insights into treatment efficacy and disease evolution. Radiomic features extracted from medical imaging can support the study of disease progression and facilitate longitudinal prediction of clinical outcomes. This study presents a probabilistic model for longitudinal response prediction, integrating baseline features with intermediate follow-ups. The probabilistic nature of the model naturally allows to handle the instrinsic uncertainty of the longitudinal prediction of disease progression. We evaluate the proposed model against state-of-the-art disease progression models in both a synthetic scenario and using a brain cancer dataset. Results demonstrate that the approach is competitive against existing methods while uniquely accounting for uncertainty and controlling the growth of problem dimensionality, eliminating the need for data from intermediate follow-ups.
• Abstract（参考訳）: 縦画像解析は、時間とともに疾患の進行と治療反応を追跡し、治療効果と疾患の進化に関するダイナミックな洞察を提供する。 医用画像から抽出した放射線学的特徴は、疾患の進行の研究を支援し、臨床結果の経時的予測を促進することができる。 本研究では, 長手応答予測のための確率モデルを提案し, ベースライン特徴と中間フォローアップを統合する。 このモデルの確率的性質は、自然に病気進行の経時的予測の本質的な不確実性を扱うことができる。 本研究では, 人工シナリオと脳がんデータセットを用いて, 最先端の疾患進行モデルに対する提案モデルの評価を行った。 その結果、既存の手法と競合する一方で、不確実性を独自に考慮し、問題次元の成長を制御し、中間的なフォローアップからデータの必要性を排除していることがわかった。

関連論文リスト

• Going beyond explainability in multi-modal stroke outcome prediction models [0.0]
  我々は、xAI法であるGrad-CAMとOcclusionをマルチモーダル、部分的に解釈可能なディープトランスフォーメーションモデル(dTM)に適用する。 DTMは,曲線(AUC)の値が0.8に近い領域で,最先端の予測性能を実現する。 前頭葉などの重要な脳領域が強調された機能的結果のための脳画像dTMから算出した説明地図。
  論文  参考訳（メタデータ） (2025-04-07T09:56:16Z)
• Deep State-Space Generative Model For Correlated Time-to-Event Predictions [54.3637600983898]
  そこで本研究では,様々な種類の臨床イベント間の相互作用を捉えるために,潜伏状態空間生成モデルを提案する。 また,死亡率と臓器不全の関連性について有意な知見が得られた。
  論文  参考訳（メタデータ） (2024-07-28T02:42:36Z)
• Probabilistic Temporal Prediction of Continuous Disease Trajectories and Treatment Effects Using Neural SDEs [6.5527554277858275]
  神経差分方程式(NSDE)による疾患進行の持続的時間的進化をモデル化するための最初の因果時間的枠組みを提示する。 本研究は,将来のMS障害(EDSSなど)と治療効果を正確に予測するための,不確実性に基づく因果学習(DL)モデルとして,最初の成功例を示す。
  論文  参考訳（メタデータ） (2024-06-18T17:22:55Z)
• Bayesian longitudinal tensor response regression for modeling neuroplasticity [0.0]
  縦断的神経画像研究における主要な関心は、訪問中の治療やその他の要因によるボクセルレベルの神経可塑性の研究である。 本研究では,空間分散ボクセル間で情報をプールする縦画像データに対する新しいベイズテンソル応答回帰手法を提案する。 提案手法は, 個別レベルの神経可塑性を推定し, パーソナライズされた疾患や回復軌道の検査を可能にする。
  論文  参考訳（メタデータ） (2023-09-12T18:48:18Z)
• CTP:A Causal Interpretable Model for Non-Communicable Disease Progression Prediction [12.282670150417953]
  本稿では,その限界に対応するために,因果軌道予測(CTP)と呼ばれる新しいモデルを提案する。 CTPは、軌跡予測と因果発見を組み合わせて、疾患進行軌跡の正確な予測を可能にする。 シミュレーションおよび実際の医療データセットを用いてモデルの性能を評価する。
  論文  参考訳（メタデータ） (2023-08-18T06:58:31Z)
• Deep learning methods for drug response prediction in cancer: predominant and emerging trends [50.281853616905416]
  がんを研究・治療するための計算予測モデルをエクスプロイトすることは、薬物開発の改善と治療計画のパーソナライズドデザインにおいて大きな可能性を秘めている。 最近の研究の波は、ディープラーニング手法を用いて、薬物治療に対するがん反応を予測するという有望な結果を示している。 このレビューは、この分野の現状をよりよく理解し、主要な課題と将来性のあるソリューションパスを特定します。
  論文  参考訳（メタデータ） (2022-11-18T03:26:31Z)
• Clinical Outcome Prediction from Admission Notes using Self-Supervised Knowledge Integration [55.88616573143478]
  臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。 退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。 複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
  論文  参考訳（メタデータ） (2021-02-08T10:26:44Z)
• STELAR: Spatio-temporal Tensor Factorization with Latent Epidemiological Regularization [76.57716281104938]
  我々は,多くの地域の流行傾向を同時に予測するテンソル法を開発した。 stelarは離散時間差分方程式のシステムを通じて潜在時間正規化を組み込むことで長期予測を可能にする。 我々は、カウンティレベルと州レベルのCOVID-19データの両方を用いて実験を行い、このモデルが流行の興味深い潜伏パターンを識別できることを示します。
  論文  参考訳（メタデータ） (2020-12-08T21:21:47Z)
• 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)
• Trajectories, bifurcations and pseudotime in large clinical datasets: applications to myocardial infarction and diabetes data [94.37521840642141]
  混合データ型と欠落値を特徴とする大規模臨床データセット分析のための半教師付き方法論を提案する。 この手法は、次元の減少、データの可視化、クラスタリング、特徴の選択と、部分的に順序付けられた観測列における測地距離(擬時)の定量化のタスクを同時に扱うことのできる弾性主グラフの適用に基づいている。
  論文  参考訳（メタデータ） (2020-07-07T21:04:55Z)

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。