論文の概要: Unsupervised risk factor identification across cancer types and data modalities via explainable artificial intelligence

• arxiv url: http://arxiv.org/abs/2506.12944v2
• Date: Sun, 22 Jun 2025 18:23:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-24 12:48:19.107326
• Title: Unsupervised risk factor identification across cancer types and data modalities via explainable artificial intelligence
• Title（参考訳）: 説明可能な人工知能による癌の種類とデータモダリティの無監督リスク因子同定
• Authors: Maximilian Ferle, Jonas Ader, Thomas Wiemers, Nora Grieb, Adrian Lindenmeyer, Hans-Jonas Meyer, Thomas Neumuth, Markus Kreuz, Kristin Reiche, Maximilian Merz,
• Abstract要約: 本稿では,患者クラスタ間の生存不均一性を直接最適化する,教師なし機械学習の新しい手法を提案する。 当社のアプローチは,任意のデータモダリティに基づいてニューラルネットワークアーキテクチャをトレーニングし,予後の異なる患者グループを特定するための新しい手法である。 このパン・カンサー・モデルに依存しないアプローチは、臨床リスク層化の貴重な進展を示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Risk stratification is a key tool in clinical decision-making, yet current approaches often fail to translate sophisticated survival analysis into actionable clinical criteria. We present a novel method for unsupervised machine learning that directly optimizes for survival heterogeneity across patient clusters through a differentiable adaptation of the multivariate logrank statistic. Unlike most existing methods that rely on proxy metrics, our approach represents novel methodology for training any neural network architecture on any data modality to identify prognostically distinct patient groups. We thoroughly evaluate the method in simulation experiments and demonstrate its utility in practice by applying it to two distinct cancer types: analyzing laboratory parameters from multiple myeloma patients and computed tomography images from non-small cell lung cancer patients, identifying prognostically distinct patient subgroups with significantly different survival outcomes in both cases. Post-hoc explainability analyses uncover clinically meaningful features determining the group assignments which align well with established risk factors and thus lend strong weight to the methods utility. This pan-cancer, model-agnostic approach represents a valuable advancement in clinical risk stratification, enabling the discovery of novel prognostic signatures across diverse data types while providing interpretable results that promise to complement treatment personalization and clinical decision-making in oncology and beyond.
• Abstract（参考訳）: リスク階層化は、臨床意思決定において重要なツールであるが、現在のアプローチでは、高度な生存分析を実行可能な臨床基準に翻訳することができないことが多い。 本稿では,患者クラスタ間における生存不均一性を直接最適化する教師なし機械学習手法を提案する。 プロキシメトリクスに依存する既存の方法とは異なり、当社のアプローチは、任意のデータモダリティに基づいてニューラルネットワークアーキテクチャをトレーニングし、予後に異なる患者グループを特定するための新しい方法論を表現しています。 本手法をシミュレーション実験で徹底的に評価し,複数の骨髄腫患者から検査パラメータを解析し,非小細胞肺癌患者からCT像を抽出し,生存率の異なる予後別サブグループを同定し,その実用性を実証した。 ホック後の説明可能性分析により、確立されたリスク要因とよく一致したグループ割り当てを決定する臨床的に有意義な特徴が明らかとなり、この方法の有用性に強い重み付けがなされた。 このパン・カンサー・モデル非依存アプローチは、臨床リスク階層化の貴重な進歩を示し、様々なデータ型にまたがる新規な予後シグネチャの発見を可能にするとともに、治療のパーソナライズと腫瘍学等の臨床意思決定を補完する解釈可能な結果を提供する。

関連論文リスト

• Adaptable Cardiovascular Disease Risk Prediction from Heterogeneous Data using Large Language Models [70.64969663547703]
  AdaCVDは、英国バイオバンクから50万人以上の参加者を対象に、大規模な言語モデルに基づいて構築された適応可能なCVDリスク予測フレームワークである。 包括的かつ可変的な患者情報を柔軟に取り込み、構造化データと非構造化テキストの両方をシームレスに統合し、最小限の追加データを使用して新規患者の集団に迅速に適応する。
  論文  参考訳（メタデータ） (2025-05-30T14:42:02Z)
• Adaptive Deep Learning for Multiclass Breast Cancer Classification via Misprediction Risk Analysis [0.8028869343053783]
  早期発見は患者の予後を改善するのに不可欠である。 コンピュータ支援診断アプローチは乳がんの検出を著しく向上させた。 しかし、これらの手法は多クラス分類の課題に直面し、しばしば誤予測を引き起こす。
  論文  参考訳（メタデータ） (2025-03-17T03:25:28Z)
• TRACE: Transformer-based Risk Assessment for Clinical Evaluation [2.2231319591004435]
  TRACE(Transformer-based Risk Assessment for Clinical Evaluation)は臨床データに基づく臨床リスク評価の新しい手法である。 我々のアプローチでは、連続、分類、多重選択(チェックボックス)属性など、さまざまなデータモダリティを扱うことができます。 説明可能性の観点からは,我々のTransformerベースの手法は注意重みによる容易に解釈可能な結果を提供する。
  論文  参考訳（メタデータ） (2024-11-13T15:42:28Z)
• XAI for In-hospital Mortality Prediction via Multimodal ICU Data [57.73357047856416]
  マルチモーダルICUデータを用いて病院内死亡率を予測するための,効率的で説明可能なAIソリューションを提案する。 我々は,臨床データから異種入力を受信し,意思決定を行うマルチモーダル・ラーニングを我々のフレームワークに導入する。 我々の枠組みは、医療研究において重要な要素の発見を容易にする他の臨床課題に容易に移行することができる。
  論文  参考訳（メタデータ） (2023-12-29T14:28:04Z)
• An explainable model to support the decision about the therapy protocol for AML [1.290382979353427]
  本稿では、最も適切な治療プロトコルの決定を支援するために、データ分析と説明可能な機械学習モデルを提案する。 以上の結果から,専門家の判断を安全に支援できる可能性が示唆された。
  論文  参考訳（メタデータ） (2023-07-05T20:04:13Z)
• A Transformer-based representation-learning model with unified processing of multimodal input for clinical diagnostics [63.106382317917344]
  本稿では,マルチモーダル入力を統一的に処理する臨床診断支援として,トランスフォーマーを用いた表現学習モデルについて報告する。 統一モデルは, 肺疾患の同定において, 画像のみのモデル, 非統一型マルチモーダル診断モデルより優れていた。
  論文  参考訳（メタデータ） (2023-06-01T16:23:47Z)
• 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)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)
• Divide-and-Rule: Self-Supervised Learning for Survival Analysis in Colorectal Cancer [9.431791041887957]
  本稿では,組織領域の表現とクラスタリングのメトリクスを学習し,その基盤となるパターンを学習する自己教師型学習手法を提案する。 提案手法は, 患者結果予測の過度な適合を避けるために, 線形予測器の恩恵を受けることができることを示す。
  論文  参考訳（メタデータ） (2020-07-07T09:15:36Z)
• Semi-supervised Medical Image Classification with Relation-driven Self-ensembling Model [71.80319052891817]
  医用画像分類のための関係駆動型半教師付きフレームワークを提案する。 これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。 本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
  論文  参考訳（メタデータ） (2020-05-15T06:57:54Z)

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。