論文の概要: Single-Domain Generalization for Multimodal Cross-Cancer Prognosis via Dirac Rebalancer and Distribution Entanglement

• arxiv url: http://arxiv.org/abs/2507.08340v1
• Date: Fri, 11 Jul 2025 06:37:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-14 18:03:54.260629
• Title: Single-Domain Generalization for Multimodal Cross-Cancer Prognosis via Dirac Rebalancer and Distribution Entanglement
• Title（参考訳）: ディラックリバランサと分布エンタングルメントによるマルチモーダルクロスキャスティングの単一領域一般化
• Authors: Jia-Xuan Jiang, Jiashuai Liu, Hongtao Wu, Yifeng Wu, Zhong Wang, Qi Bi, Yefeng Zheng,
• Abstract要約: マルチモーダル・プログノーシス・モデルでは, クロスキャンサーのシナリオにおいて, ユニモーダル・モデルよりも悪くなることがしばしば示されている。 Sparse Dirac Information Re Balancer (SDIR) と Cancer-Aware Distribution Entanglement (CADE) の2つのプラグイン・アンド・プレイモジュールを紹介した。
• 参考スコア（独自算出の注目度）: 21.69257115232317
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning has shown remarkable performance in integrating multimodal data for survival prediction. However, existing multimodal methods mainly focus on single cancer types and overlook the challenge of generalization across cancers. In this work, we are the first to reveal that multimodal prognosis models often generalize worse than unimodal ones in cross-cancer scenarios, despite the critical need for such robustness in clinical practice. To address this, we propose a new task: Cross-Cancer Single Domain Generalization for Multimodal Prognosis, which evaluates whether models trained on a single cancer type can generalize to unseen cancers. We identify two key challenges: degraded features from weaker modalities and ineffective multimodal integration. To tackle these, we introduce two plug-and-play modules: Sparse Dirac Information Rebalancer (SDIR) and Cancer-aware Distribution Entanglement (CADE). SDIR mitigates the dominance of strong features by applying Bernoulli-based sparsification and Dirac-inspired stabilization to enhance weaker modality signals. CADE, designed to synthesize the target domain distribution, fuses local morphological cues and global gene expression in latent space. Experiments on a four-cancer-type benchmark demonstrate superior generalization, laying the foundation for practical, robust cross-cancer multimodal prognosis. Code is available at https://github.com/HopkinsKwong/MCCSDG
• Abstract（参考訳）: 深層学習は、生存予測のためのマルチモーダルデータの統合において顕著な性能を示した。 しかし、既存のマルチモーダル手法は主に単一のがんタイプに焦点を当てており、がん全体にわたる一般化の課題を見落としている。 本研究は, 臨床実践においてこのような堅牢性の必要性が重要でありながら, マルチモーダル・プログノーシス・モデルが, クロスキャンセリングのシナリオにおいて, ユニモーダル・モデルよりも良く一般化されることを初めて明らかにしたものである。 この課題に対処するために, クロスキャンサ 単一ドメイン一般化によるマルチモーダル予後の評価を行い, 単一のがんタイプで訓練されたモデルが, 目に見えないがんに一般化できるかどうかを評価する。 弱いモダリティによる特徴の劣化と、非効率なマルチモーダル統合の2つの主要な課題を特定する。 そこで我々は,Sparse Dirac Information Re Balancer (SDIR) とCADE (C cancer-aware Distribution Entanglement) の2つのプラグアンドプレイモジュールを紹介した。 SDIRはベルヌーイをベースとしたスペーシフィケーションとディラックにインスパイアされた安定化を適用して、より弱いモダリティ信号を強化することで、強い特徴の優位性を緩和する。 標的領域の分布を合成するために設計されたCADEは、局所的な形態的手がかりと潜在空間におけるグローバルな遺伝子発現を融合する。 4つのカンサー型ベンチマークの実験では、より優れた一般化が示され、実用的で堅牢なクロスキャンサーマルチモーダル予後の基礎を築いた。 コードはhttps://github.com/HopkinsKwong/MCCSDGで入手できる。

関連論文リスト

• MoXGATE: Modality-aware cross-attention for multi-omic gastrointestinal cancer sub-type classification [7.7134821078470965]
  MoXGATEは、モダリティ間の依存関係をキャプチャし、堅牢で解釈可能な統合を保証する、新しいディープラーニングフレームワークである。 我々は,MoXGATEが既存の手法より優れ,95%の分類精度を実現していることを示す。 主な貢献は,(1)クロスアテンションに基づくマルチオミック統合フレームワーク,(2)解釈可能性向上のためのモダリティ重み付き融合,(3)データの不均衡を緩和するための焦点損失の応用などである。
  論文  参考訳（メタデータ） (2025-06-08T03:42:23Z)
• 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)
• Confidence-aware multi-modality learning for eye disease screening [58.861421804458395]
  眼疾患スクリーニングのための新しい多モード顕在核融合パイプラインを提案する。 モダリティごとに信頼度を測り、マルチモダリティ情報をエレガントに統合する。 パブリックデータセットと内部データセットの両方の実験結果は、我々のモデルが堅牢性に優れていることを示している。
  論文  参考訳（メタデータ） (2024-05-28T13:27:30Z)
• MMFusion: Multi-modality Diffusion Model for Lymph Node Metastasis Diagnosis in Esophageal Cancer [13.74067035373274]
  CT画像に基づくリンパ節転移診断のためのマルチモーダルな不均一グラフに基づく条件付き特徴誘導拡散モデルを提案する。 本稿では, 悪性腫瘍とリンパ節像の関連性, 優先性を明らかにすることを目的として, マスク付き関係表現学習戦略を提案する。
  論文  参考訳（メタデータ） (2024-05-15T17:52:00Z)
• UniChest: Conquer-and-Divide Pre-training for Multi-Source Chest X-Ray Classification [36.94690613164942]
  UniChestはConquer-and-Divide事前トレーニングフレームワークで、複数のCXRソースのコラボレーション利益をフル活用することを目的としている。 我々は、ChestX-ray14、CheXpert、Vindr-CXR、深セン、Open-I、SIIM-ACR Pneumothoraxなどの多くのベンチマークで徹底的な実験を行った。
  論文  参考訳（メタデータ） (2023-12-18T09:16:48Z)
• Cancer-Net PCa-Gen: Synthesis of Realistic Prostate Diffusion Weighted Imaging Data via Anatomic-Conditional Controlled Latent Diffusion [68.45407109385306]
  カナダでは、前立腺がんは男性でもっとも一般的ながんであり、2022年のこの人口統計では、新しいがん症例の20%を占めている。 拡散強調画像(DWI)データを用いた前立腺癌診断,予後,治療計画のためのディープニューラルネットワークの開発には大きな関心が寄せられている。 本研究では,解剖学的条件制御型潜伏拡散戦略の導入により,現実的な前立腺DWIデータを生成するための潜伏拡散の有効性について検討した。
  論文  参考訳（メタデータ） (2023-11-30T15:11:03Z)
• A Novel Unified Conditional Score-based Generative Framework for Multi-modal Medical Image Completion [54.512440195060584]
  我々は、スコアベース生成モデル(SGM)を活用するために、統一多モードスコアベース生成モデル(UMM-CSGM)を提案する。 UMM-CSGMは、新しいマルチインマルチアウトコンディションスコアネットワーク(mm-CSN)を用いて、クロスモーダル条件分布の包括的集合を学習する。 BraTS19データセットの実験により、UMM-CSGMは腫瘍誘発病変における不均一な増強と不規則な領域をより確実に合成できることが示された。
  論文  参考訳（メタデータ） (2022-07-07T16:57:21Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)
• AMINN: Autoencoder-based Multiple Instance Neural Network for Outcome Prediction of Multifocal Liver Metastases [1.7294318054149134]
  多発性は大腸癌肝転移で頻繁に起こる。 既存のバイオマーカーのほとんどは、すべての多焦点病変の像の特徴を考慮に入れていない。 本稿では、生存確率を予測するために、エンドツーエンドのオートエンコーダベースマルチインスタンスニューラルネットワーク(AMINN)を提案する。
  論文  参考訳（メタデータ） (2020-12-12T17:52:14Z)
• M2Net: Multi-modal Multi-channel Network for Overall Survival Time Prediction of Brain Tumor Patients [151.4352001822956]
  生存時間(OS)の早期かつ正確な予測は、脳腫瘍患者に対するより良い治療計画を得るのに役立つ。 既存の予測手法は、磁気共鳴(MR)ボリュームの局所的な病変領域における放射能特性に依存している。 我々は,マルチモーダルマルチチャネルネットワーク(M2Net)のエンドツーエンドOS時間予測モデルを提案する。
  論文  参考訳（メタデータ） (2020-06-01T05:21:37Z)

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。