論文の概要: Deep Survival Analysis in Multimodal Medical Data: A Parametric and Probabilistic Approach with Competing Risks

• arxiv url: http://arxiv.org/abs/2507.07804v1
• Date: Thu, 10 Jul 2025 14:29:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-11 16:40:15.444274
• Title: Deep Survival Analysis in Multimodal Medical Data: A Parametric and Probabilistic Approach with Competing Risks
• Title（参考訳）: マルチモーダル医療データにおける深層生存分析 : 競合リスクに対するパラメトリック・確率論的アプローチ
• Authors: Alba Garrido, Alejandro Almodóvar, Patricia A. Apellániz, Juan Parras, Santiago Zazo,
• Abstract要約: 単一リスクシナリオと競合リスクシナリオの両方をモデル化可能な生存分析のためのマルチモーダルディープラーニングフレームワークを提案する。 生存予測のための新しいディープラーニングアーキテクチャであるSAMVAE(Survival Analysis Multimodal Variational Autoencoder)を提案する。
• 参考スコア（独自算出の注目度）: 47.19194118883552
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Accurate survival prediction is critical in oncology for prognosis and treatment planning. Traditional approaches often rely on a single data modality, limiting their ability to capture the complexity of tumor biology. To address this challenge, we introduce a multimodal deep learning framework for survival analysis capable of modeling both single and competing risks scenarios, evaluating the impact of integrating multiple medical data sources on survival predictions. We propose SAMVAE (Survival Analysis Multimodal Variational Autoencoder), a novel deep learning architecture designed for survival prediction that integrates six data modalities: clinical variables, four molecular profiles, and histopathological images. SAMVAE leverages modality specific encoders to project inputs into a shared latent space, enabling robust survival prediction while preserving modality specific information. Its parametric formulation enables the derivation of clinically meaningful statistics from the output distributions, providing patient-specific insights through interactive multimedia that contribute to more informed clinical decision-making and establish a foundation for interpretable, data-driven survival analysis in oncology. We evaluate SAMVAE on two cancer cohorts breast cancer and lower grade glioma applying tailored preprocessing, dimensionality reduction, and hyperparameter optimization. The results demonstrate the successful integration of multimodal data for both standard survival analysis and competing risks scenarios across different datasets. Our model achieves competitive performance compared to state-of-the-art multimodal survival models. Notably, this is the first parametric multimodal deep learning architecture to incorporate competing risks while modeling continuous time to a specific event, using both tabular and image data.
• Abstract（参考訳）: 正確な生存予測は、予後と治療計画のための腫瘍学において重要である。 従来のアプローチは、しばしば単一のデータモダリティに依存しており、腫瘍生物学の複雑さを捉える能力を制限する。 この課題に対処するために、単一リスクシナリオと競合するリスクシナリオの両方をモデル化し、複数の医療データソースを統合することが生存予測に与える影響を評価する、生存分析のためのマルチモーダルディープラーニングフレームワークを導入する。 SAMVAE(Survival Analysis Multimodal Variational Autoencoder)は,臨床変数,分子プロファイル,病理像の6つのデータモダリティを統合した,生存予測のための新しいディープラーニングアーキテクチャである。 SAMVAEは、モダリティ固有エンコーダを利用して、共有潜在空間に入力を投影し、モダリティ固有情報を保存しながら頑健な生存予測を可能にする。 そのパラメトリックな定式化は、出力分布から臨床的に有意な統計を導出し、より情報のある臨床的意思決定に寄与する対話的マルチメディアを通して患者特有の洞察を提供し、腫瘍学における解釈可能なデータ駆動生存分析の基礎を確立する。 乳がんコホートと下等グリオーマに対するSAMVAEの評価を行い, 調整前処理, 次元減少, ハイパーパラメータ最適化を行った。 結果は、標準生存分析と異なるデータセット間の競合リスクシナリオの両方に対して、マルチモーダルデータの統合が成功したことを示す。 我々のモデルは、最先端のマルチモーダルサバイバルモデルと比較して、競争性能が向上する。 特に、これは、表と画像の両方のデータを使用して、特定のイベントに連続した時間をモデリングしながら競合するリスクを取り入れた初めてのパラメトリックマルチモーダルディープラーニングアーキテクチャである。

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)
• Multi-Modal Mamba Modeling for Survival Prediction (M4Survive): Adapting Joint Foundation Model Representations [0.6990493129893112]
  M4Surviveは、効率的なアダプタネットワークを用いて、共同基盤モデル表現を学習する新しいフレームワークである。 Mambaベースのアダプタを利用することで、M4Surviveは計算効率を保ちながら効率的なマルチモーダル学習を可能にする。 この研究は、精度オンコロジーと予測分析の進歩における基礎モデル駆動型マルチモーダル融合の可能性を明らかにする。
  論文  参考訳（メタデータ） (2025-03-13T05:18:32Z)
• 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)
• HACSurv: A Hierarchical Copula-Based Approach for Survival Analysis with Dependent Competing Risks [51.95824566163554]
  本稿では,階層型アルキメデスコピュラス構造を学習する生存分析手法であるHACSurvを紹介する。 リスクと検閲の間の依存関係をキャプチャすることで、HACSurvは生存予測の精度を向上させる。
  論文  参考訳（メタデータ） (2024-10-19T18:52:18Z)
• A Multimodal Object-level Contrast Learning Method for Cancer Survival Risk Prediction [9.005219442274344]
  コンピュータ支援によるがん生存予測は、患者のタイムリーな治療において重要な役割を担っている。 がん生存リスク予測のための新しいトレーニング手法であるマルチモーダルオブジェクトレベルのコントラスト学習を提案する。 提案手法により訓練された生存リスク予測器は、2つの公共マルチモーダル癌データセット上で最先端の手法より優れている。
  論文  参考訳（メタデータ） (2024-09-03T07:36:34Z)
• 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)
• Advancing Head and Neck Cancer Survival Prediction via Multi-Label Learning and Deep Model Interpretation [7.698783025721071]
  我々は,複数のHNC生存率を同時に予測するための,解釈可能なマルチラベル・マルチモーダル・ディープ・サバイバル予測フレームワーク IMLSP を提案する。 また、深層生存モデル視覚説明のために開発された、グラディエント重み付き時間イベント活性化マッピング手法であるGrad-TEAMを提案する。
  論文  参考訳（メタデータ） (2024-05-09T01:30:04Z)
• 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)

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。