論文の概要: Machine learning-based multimodal prognostic models integrating pathology images and high-throughput omic data for overall survival prediction in cancer: a systematic review

• arxiv url: http://arxiv.org/abs/2507.16876v2
• Date: Tue, 29 Jul 2025 11:19:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-30 12:52:36.814714
• Title: Machine learning-based multimodal prognostic models integrating pathology images and high-throughput omic data for overall survival prediction in cancer: a systematic review
• Title（参考訳）: 病理画像と高出力オミックデータを組み合わせた機械学習によるがん生存予測モデルの構築 : 系統的検討
• Authors: Charlotte Jennings, Andrew Broad, Lucy Godson, Emily Clarke, David Westhead, Darren Treanor,
• Abstract要約: 病理組織学と分子データを統合するマルチモーダル機械学習は、がんの予後を保証している。 我々は,全スライド画像(WSI)と高スループットオミクスを組み合わせて,全体の生存率を予測する研究を体系的に検討した。 全ての研究は、不明瞭/高い偏見、外部検証の制限、臨床的有用性にはほとんど焦点が当てられなかった。
• 参考スコア（独自算出の注目度）: 0.59374762912328
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Multimodal machine learning integrating histopathology and molecular data shows promise for cancer prognostication. We systematically reviewed studies combining whole slide images (WSIs) and high-throughput omics to predict overall survival. Searches of EMBASE, PubMed, and Cochrane CENTRAL (12/08/2024), plus citation screening, identified eligible studies. Data extraction used CHARMS; bias was assessed with PROBAST+AI; synthesis followed SWiM and PRISMA 2020. Protocol: PROSPERO (CRD42024594745). Forty-eight studies (all since 2017) across 19 cancer types met criteria; all used The Cancer Genome Atlas. Approaches included regularised Cox regression (n=4), classical ML (n=13), and deep learning (n=31). Reported c-indices ranged 0.550-0.857; multimodal models typically outperformed unimodal ones. However, all studies showed unclear/high bias, limited external validation, and little focus on clinical utility. Multimodal WSI-omics survival prediction is a fast-growing field with promising results but needs improved methodological rigor, broader datasets, and clinical evaluation. Funded by NPIC, Leeds Teaching Hospitals NHS Trust, UK (Project 104687), supported by UKRI Industrial Strategy Challenge Fund.
• Abstract（参考訳）: 病理組織学と分子データを統合するマルチモーダル機械学習は、がんの予後を保証している。 我々は,全スライド画像(WSI)と高スループットオミクスを組み合わせた総合生存予測実験を体系的に検討した。 EMBASE, PubMed, Cochrane CENTRAL (12/08/2024), および citation screening の検索により, 有資格な研究が確認された。 データ抽出はCHARMS, バイアスは PROBAST+AI, 合成はSWiM, PRISMA 2020。 プロトコル: PROSPERO (CRD42024594745)。 2017年以降、19種類のがんに関する48の研究が基準を満たしており、いずれもThe Cancer Genome Atlasを使用していた。 アプローチとしては、正規化コックス回帰(n=4)、古典的ML(n=13)、ディープラーニング(n=31)がある。 報告されたc-インデックスは0.550-0.857で、マルチモーダルモデルは典型的には単調なモデルよりも優れていた。 しかし、すべての研究は、不明瞭/高い偏見、外的妥当性の制限、臨床的有用性にはほとんど焦点が当てられなかった。 マルチモーダルWSI-オミクスサバイバル予測は,有望な結果を得た急速に成長する分野であるが,方法論的厳密性,より広範なデータセット,臨床評価が求められている。 イギリスのリーズ・インスティテュート・インスティテュート・インスティテュート・インスティテュート・インスティテュート・インスティテュート・インスティテュート (Leeds teaching Hospitals NHS Trust, UK, Project 104687) は、イギリスの産業戦略基金(英語版)が支援している。

関連論文リスト

• Deep Survival Analysis in Multimodal Medical Data: A Parametric and Probabilistic Approach with Competing Risks [47.19194118883552]
  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。
  論文  参考訳（メタデータ） (2025-07-10T14:29:48Z)
• MIL vs. Aggregation: Evaluating Patient-Level Survival Prediction Strategies Using Graph-Based Learning [52.231128973251124]
  我々は,WSIおよび患者レベルでの生存を予測するための様々な戦略を比較した。 前者はそれぞれのWSIを独立したサンプルとして扱い、他の作業で採用された戦略を模倣します。 後者は、複数のWSIの予測を集約するか、最も関連性の高いスライドを自動的に識別するメソッドを含む。
  論文  参考訳（メタデータ） (2025-03-29T11:14:02Z)
• Self-Normalizing Foundation Model for Enhanced Multi-Omics Data Analysis in Oncology [0.0]
  SeNMoは、33のがんタイプにわたるマルチオミクスデータに基づいてトレーニングされた基礎モデルである。 当科では,33のがん部位を含む膵癌マルチオミクスデータを用いて,SeNMoの全身生存を訓練した。 SeNMoはMoffitt Cancer CenterとCPTAC肺扁平上皮癌という2つの独立したコホートで検証された。
  論文  参考訳（メタデータ） (2024-05-13T22:45:44Z)
• Survival Prediction Across Diverse Cancer Types Using Neural Networks [40.392772795903795]
  胃癌と大腸腺癌は広範囲で難治性の悪性腫瘍である。 医療コミュニティは、患者の予後を推定するための重要な指標として、5年間の生存率を受け入れている。 本研究は胃癌および大腸癌患者の生存予測モデルを改善するための先駆的アプローチを提案する。
  論文  参考訳（メタデータ） (2024-04-11T21:47:13Z)
• Applications of artificial intelligence in the analysis of histopathology images of gliomas: a review [0.33999813472511115]
  本稿では,ヒトグリオーマの全スライディング組織像に対するAIベースの手法を提案する83の公開研究について検討する。 現在の研究の焦点は、成人型びまん性グリオーマのヘマトキシリンおよびエオシン染色組織分画の評価である。 これまでのところ、AIベースの手法は有望な成果を上げているが、実際の臨床環境ではまだ使われていない。
  論文  参考訳（メタデータ） (2024-01-26T17:29:01Z)
• 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)
• EOCSA: Predicting Prognosis of Epithelial Ovarian Cancer with Whole Slide Histopathological Images [22.227676868758195]
  卵巣がんは、世界中の女性を脅かす最も深刻ながんの1つである。 本研究では,病的全スライド画像(WSI)に基づいてEOC患者の予後を解析するEOCSAというディープフレームワークを設計した。 実験の結果,本フレームワークは0.980Cインデクスの最先端性能を実現していることがわかった。
  論文  参考訳（メタデータ） (2022-10-11T08:40:40Z)
• Analysis of MRI Biomarkers for Brain Cancer Survival Prediction [0.3093890460224435]
  マルチモーダルMRIによる脳がん患者の総合生存率(OS)の予測は、研究の難しい分野である。 生存予測に関する既存の文献のほとんどは、放射能の特徴に基づいている。 年齢は最も重要な生物学的予測因子であることがわかった。
  論文  参考訳（メタデータ） (2021-09-03T05:35:47Z)
• CT-based COVID-19 Triage: Deep Multitask Learning Improves Joint Identification and Severity Quantification [45.86448200141968]
  感染リスクのある患者をできるだけ早期に分離する研究を優先するための新型コロナウイルスの同定、重度定量化、重篤な患者の研究の強調、病院への誘導、救急医療の提供の2つの基本的な設定について述べる。 両トリアージアプローチを統合するマルチタスクアプローチを提案し、利用可能なラベルを1つのモデルにまとめる畳み込みニューラルネットワークを提案する。 我々は約2000件の公開CT研究をトレーニングし、32件のCOVID-19研究、30件の細菌性肺炎、31件の健常患者、および30件の肺病理患者からなる慎重に設計したセットを用いて、典型的な患者の血流をエミュレートする。
  論文  参考訳（メタデータ） (2020-06-02T08:05:06Z)
• A Systematic Approach to Featurization for Cancer Drug Sensitivity Predictions with Deep Learning [49.86828302591469]
  35,000以上のニューラルネットワークモデルをトレーニングし、一般的な成果化技術を駆使しています。 RNA-seqは128以上のサブセットであっても非常に冗長で情報的であることがわかった。
  論文  参考訳（メタデータ） (2020-04-30T20:42:17Z)

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。