論文の概要: ImmunoDiff: A Diffusion Model for Immunotherapy Response Prediction in Lung Cancer
- arxiv url: http://arxiv.org/abs/2505.23675v1
- Date: Thu, 29 May 2025 17:19:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-30 18:14:08.028135
- Title: ImmunoDiff: A Diffusion Model for Immunotherapy Response Prediction in Lung Cancer
- Title（参考訳）: 肺癌における免疫反応予測のための拡散モデル
- Authors: Moinak Bhattacharya, Judy Huang, Amna F. Sher, Gagandeep Singh, Chao Chen, Prateek Prasanna,
- Abstract要約: 非Small cell Lung Cancer (NSCLC) における免疫療法反応の正確な予測は, いまだに重要ではない。
既存の放射能と深層学習に基づく予測モデルは、主にカテゴリー的反応の結果を予測するための前処理画像に依存している。
本研究では,治療後CTスキャンをベースライン画像から合成し,臨床的に関係のある制約を取り入れた解剖学的拡散モデルであるImmuDiffを紹介する。
- 参考スコア（独自算出の注目度）: 10.797150801746957
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurately predicting immunotherapy response in Non-Small Cell Lung Cancer (NSCLC) remains a critical unmet need. Existing radiomics and deep learning-based predictive models rely primarily on pre-treatment imaging to predict categorical response outcomes, limiting their ability to capture the complex morphological and textural transformations induced by immunotherapy. This study introduces ImmunoDiff, an anatomy-aware diffusion model designed to synthesize post-treatment CT scans from baseline imaging while incorporating clinically relevant constraints. The proposed framework integrates anatomical priors, specifically lobar and vascular structures, to enhance fidelity in CT synthesis. Additionally, we introduce a novel cbi-Adapter, a conditioning module that ensures pairwise-consistent multimodal integration of imaging and clinical data embeddings, to refine the generative process. Additionally, a clinical variable conditioning mechanism is introduced, leveraging demographic data, blood-based biomarkers, and PD-L1 expression to refine the generative process. Evaluations on an in-house NSCLC cohort treated with immune checkpoint inhibitors demonstrate a 21.24% improvement in balanced accuracy for response prediction and a 0.03 increase in c-index for survival prediction. Code will be released soon.
- Abstract（参考訳）: 非Small cell Lung Cancer (NSCLC) における免疫療法反応の正確な予測は, いまだに重要でない。
既存の放射線学および深層学習に基づく予測モデルは、主に、免疫療法によって引き起こされる複雑な形態的およびテクスチュラルな変換を捉える能力を制限し、カテゴリー的反応の結果を予測するための前処理イメージングに依存している。
本研究では,治療後CTスキャンをベースライン画像から合成し,臨床的に関係のある制約を取り入れた解剖学的拡散モデルであるImmuDiffを紹介する。
提案フレームワークは, 解剖学的前駆体, 特に小葉, 血管構造を統合し, CT合成の忠実性を高める。
さらに,画像と臨床データの埋め込みを両立させる条件付きモジュールであるcbi-Adapterを導入し,生成過程を改良した。
さらに、人口統計データ、血液ベースのバイオマーカー、PD-L1の発現を活用して、生成過程を洗練させる臨床変数条件付け機構も導入されている。
免疫チェックポイント阻害剤を併用した社内NSCLCコホートの評価では、応答予測のバランス精度が21.24%向上し、生存予測のc-インデックスが0.03増加した。
コードはまもなくリリースされる。
関連論文リスト
- 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) - Patient-specific prediction of glioblastoma growth via reduced order modeling and neural networks [0.0]
本稿では,GBL成長の数学的モデルに対する概念実証を行い,リアルタイム予測と患者固有のパラメータ同定を可能にする。
ニューラルネットワークサロゲートは、腫瘍の進化からモデルパラメータへの逆マッピングを学習し、計算速度を著しく向上させる。
論文 参考訳（メタデータ） (2024-12-04T18:46:05Z) - Histopathology Based AI Model Predicts Anti-Angiogenic Therapy Response in Renal Cancer Clinical Trial [0.6087644423424302]
本稿では,ユビキタスな病理組織スライドからAngioscoreを予測するための新しい深層学習(DL)手法を提案する。
本モデルでは, モデル予測の基盤となる視覚血管ネットワークを生成する。
我々のアプローチは血管新生生物学とAA治療反応に関する知見を提供する。
論文 参考訳（メタデータ） (2024-05-28T16:21:20Z) - Using Multiparametric MRI with Optimized Synthetic Correlated Diffusion Imaging to Enhance Breast Cancer Pathologic Complete Response Prediction [71.91773485443125]
ネオアジュバント化学療法は乳癌の治療戦略として最近人気を集めている。
ネオアジュバント化学療法を推奨する現在のプロセスは、医療専門家の主観的評価に依存している。
本研究は, 乳癌の病理組織学的完全反応予測に最適化されたCDI$s$を応用することを検討した。
論文 参考訳（メタデータ） (2024-05-13T15:40:56Z) - Enhancing Clinical Support for Breast Cancer with Deep Learning Models
using Synthetic Correlated Diffusion Imaging [66.63200823918429]
深層学習モデルを用いた乳癌に対する臨床支援の強化について検討した。
我々は、体積畳み込みニューラルネットワークを利用して、前処理コホートから深い放射能特徴を学習する。
提案手法は, グレードと処理後応答予測の両方において, より良い性能を実現することができる。
論文 参考訳（メタデータ） (2022-11-10T03:02:12Z) - Exploiting segmentation labels and representation learning to forecast
therapy response of PDAC patients [60.78505216352878]
化学療法に対する腫瘍反応を予測するためのハイブリッドディープニューラルネットワークパイプラインを提案する。
セグメンテーションから分類への表現伝達の組み合わせと、ローカライゼーションと表現学習を利用する。
提案手法は, 合計477個のデータセットを用いて, ROC-AUC 63.7% の処理応答を予測できる, 極めて効率的な手法である。
論文 参考訳（メタデータ） (2022-11-08T11:50:31Z) - Generating counterfactual explanations of tumor spatial proteomes to
discover effective strategies for enhancing immune infiltration [44.99833362998488]
腫瘍微小環境(TME)は免疫組成により癌予後に大きな影響を及ぼす。
本稿では,T細胞浸潤予測を自己教師型機械学習問題として定式化する。
悪性黒色腫,大腸癌肝転移,乳癌データに枠組みを応用し,T細胞浸潤が予測される摂動を発見した。
論文 参考訳（メタデータ） (2022-11-08T05:46:02Z) - PD-DWI: Predicting response to neoadjuvant chemotherapy in invasive
breast cancer with Physiologically-Decomposed Diffusion-Weighted MRI
machine-learning model [0.0]
DWIと臨床データからpCRを予測するための生理学的に分解されたDWI機械学習モデルPD-DWIを紹介する。
我々のモデルは、現在のリーダーボードの最良の結果と比較して、曲線下(AUC)の面積を大幅に改善します。
論文 参考訳（メタデータ） (2022-06-12T08:59:49Z) - Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based
Sparse PCA Network [93.22587316229954]
ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。
我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
論文 参考訳（メタデータ） (2021-10-27T19:28:36Z) - 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)
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。