論文の概要: CoC: Chain-of-Cancer based on Cross-Modal Autoregressive Traction for Survival Prediction

• arxiv url: http://arxiv.org/abs/2506.15696v1
• Date: Wed, 28 May 2025 07:11:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-29 09:28:14.759726
• Title: CoC: Chain-of-Cancer based on Cross-Modal Autoregressive Traction for Survival Prediction
• Title（参考訳）: CoC: 生存予測のためのクロスモーダル自己回帰に基づくチェーン・オブ・シンセサイザー
• Authors: Haipeng Zhou, Sicheng Yang, Sihan Yang, Jing Qin, Lei Chen, Lei Zhu,
• Abstract要約: 我々は,生存予測を行うために,3つの臨床的モダリティと言語を含む4つのモダリティを最初に検討した。 臨床データを原特徴としてエンコードし,ドメイン固有の知識を学習に用いた。 相互学習の観点では,言語を用いて生の特徴を刺激し,相乗的表現のための自己回帰的相互トラクションモジュールを導入する。
• 参考スコア（独自算出の注目度）: 17.57412485131823
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Survival prediction aims to evaluate the risk level of cancer patients. Existing methods primarily rely on pathology and genomics data, either individually or in combination. From the perspective of cancer pathogenesis, epigenetic changes, such as methylation data, could also be crucial for this task. Furthermore, no previous endeavors have utilized textual descriptions to guide the prediction. To this end, we are the first to explore the use of four modalities, including three clinical modalities and language, for conducting survival prediction. In detail, we are motivated by the Chain-of-Thought (CoT) to propose the Chain-of-Cancer (CoC) framework, focusing on intra-learning and inter-learning. We encode the clinical data as the raw features, which remain domain-specific knowledge for intra-learning. In terms of inter-learning, we use language to prompt the raw features and introduce an Autoregressive Mutual Traction module for synergistic representation. This tailored framework facilitates joint learning among multiple modalities. Our approach is evaluated across five public cancer datasets, and extensive experiments validate the effectiveness of our methods and proposed designs, leading to producing \sota results. Codes will be released.
• Abstract（参考訳）: 生存予測は、がん患者のリスクレベルを評価することを目的としている。 既存の手法は主に病理学とゲノム学のデータに依存している。 癌発生の観点からは、メチル化データなどのエピジェネティックな変化もこの課題に不可欠である。 さらに、以前の試みでは、予測を導くためにテキスト記述を使用していない。 この目的のために、我々は、生存予測を行うために、3つの臨床的モダリティと言語を含む4つのモダリティを最初に検討した。 より詳しくは、我々はChain-of-Thought (CoT) によって、学習内および学習間に焦点を当てたChain-of-Cancer (CoC) フレームワークの提案をモチベーションとしている。 臨床データを原特徴としてエンコードし,ドメイン固有の知識を学習に用いた。 相互学習の観点では,言語を用いて生の特徴を刺激し,相乗的表現のための自己回帰的相互トラクションモジュールを導入する。 この調整されたフレームワークは、複数のモダリティ間の共同学習を促進する。 本手法は5つのがんデータセットにまたがって評価され,提案手法の有効性を検証し,<sota</sota</so>の結果が得られた。 コードはリリースされる。

関連論文リスト

• Continually Evolved Multimodal Foundation Models for Cancer Prognosis [50.43145292874533]
  がん予後は、患者の予後と生存率を予測する重要なタスクである。 これまでの研究では、臨床ノート、医療画像、ゲノムデータなどの多様なデータモダリティを統合し、補完的な情報を活用している。 既存のアプローチには2つの大きな制限がある。まず、各病院の患者記録など、各種のトレーニングに新しく到着したデータを組み込むことに苦慮する。 第二に、ほとんどのマルチモーダル統合手法は単純化された結合やタスク固有のパイプラインに依存しており、モダリティ間の複雑な相互依存を捉えることができない。
  論文  参考訳（メタデータ） (2025-01-30T06:49:57Z)
• Survival Prediction in Lung Cancer through Multi-Modal Representation Learning [9.403446155541346]
  本稿では,CTとPETの包括的情報と関連するゲノムデータを用いた生存予測手法を提案する。 我々は,マルチモーダル画像データと遺伝的情報を統合することにより,生存率の予測モデルを構築することを目的とする。
  論文  参考訳（メタデータ） (2024-09-30T10:42:20Z)
• M2EF-NNs: Multimodal Multi-instance Evidence Fusion Neural Networks for Cancer Survival Prediction [24.323961146023358]
  本稿では,M2EF-NNと呼ばれるニューラルネットワークモデルを提案する。 画像中のグローバル情報をキャプチャするために、事前訓練された視覚変換器(ViT)モデルを用いる。 Dempster-Shaferエビデンス理論(DST)を癌生存予測に適用した最初の例である。
  論文  参考訳（メタデータ） (2024-08-08T02:31:04Z)
• 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)
• 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)
• Two-stage Joint Transductive and Inductive learning for Nuclei Segmentation [3.138395828947902]
  我々は、利用可能なラベル付きおよび非ラベル付きデータを活用する、核分割に対する新しいアプローチを提案する。 提案手法の有効性と可能性を実証するために,MoNuSegベンチマークに対するアプローチを評価した。
  論文  参考訳（メタデータ） (2023-11-15T08:37:11Z)
• Pathology-and-genomics Multimodal Transformer for Survival Outcome Prediction [43.1748594898772]
  大腸癌生存予測に病理学とゲノム学的知見を統合したマルチモーダルトランスフォーマー(PathOmics)を提案する。 ギガピクセル全スライド画像における組織ミクロ環境間の内在的相互作用を捉えるための教師なし事前訓練を強調した。 我々は,TCGA大腸癌と直腸癌コホートの両方に対するアプローチを評価し,提案手法は競争力があり,最先端の研究より優れていることを示す。
  論文  参考訳（メタデータ） (2023-07-22T00:59:26Z)
• LifeLonger: A Benchmark for Continual Disease Classification [59.13735398630546]
  MedMNISTコレクションの連続的な疾患分類のためのベンチマークであるLifeLongerを紹介する。 タスクとクラスでの病気の漸進的な学習は、モデルをスクラッチから再トレーニングすることなく、新しいサンプルを分類する問題に対処する。 クロスドメインインクリメンタル学習は、これまで得られた知識を維持しながら、異なる機関から派生したデータセットを扱う問題に対処する。
  論文  参考訳（メタデータ） (2022-04-12T12:25:05Z)
• Self-supervised Answer Retrieval on Clinical Notes [68.87777592015402]
  本稿では,ドメイン固有パスマッチングのためのトランスフォーマー言語モデルをトレーニングするためのルールベースのセルフスーパービジョンであるCAPRを紹介する。 目的をトランスフォーマーベースの4つのアーキテクチャ、コンテキスト文書ベクトル、ビ-、ポリエンコーダ、クロスエンコーダに適用する。 本稿では,ドメイン固有パスの検索において,CAPRが強いベースラインを上回り,ルールベースおよび人間ラベル付きパスを効果的に一般化することを示す。
  論文  参考訳（メタデータ） (2021-08-02T10:42:52Z)
• 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)

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。