論文の概要: Early Detection of Pancreatic Cancer Using Multimodal Learning on Electronic Health Records

• arxiv url: http://arxiv.org/abs/2508.06627v3
• Date: Mon, 18 Aug 2025 23:48:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-20 15:36:31.617403
• Title: Early Detection of Pancreatic Cancer Using Multimodal Learning on Electronic Health Records
• Title（参考訳）: 電子カルテを用いたマルチモーダル学習による膵癌の早期診断
• Authors: Mosbah Aouad, Anirudh Choudhary, Awais Farooq, Steven Nevers, Lusine Demirkhanyan, Bhrandon Harris, Suguna Pappu, Christopher Gondi, Ravishankar Iyer,
• Abstract要約: 膵管腺癌(PDAC)は最も致命的ながんの1つである。 早期発見は依然として大きな臨床課題である。 約4,700人の患者を対象とした実世界のデータセットの開発と評価を行った。
• 参考スコア（独自算出の注目度）: 0.7770975325131922
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Pancreatic ductal adenocarcinoma (PDAC) is one of the deadliest cancers, and early detection remains a major clinical challenge due to the absence of specific symptoms and reliable biomarkers. In this work, we propose a new multimodal approach that integrates longitudinal diagnosis code histories and routinely collected laboratory measurements from electronic health records to detect PDAC up to one year prior to clinical diagnosis. Our method combines neural controlled differential equations to model irregular lab time series, pretrained language models and recurrent networks to learn diagnosis code trajectory representations, and cross-attention mechanisms to capture interactions between the two modalities. We develop and evaluate our approach on a real-world dataset of nearly 4,700 patients and achieve significant improvements in AUC ranging from 6.5% to 15.5% over state-of-the-art methods. Furthermore, our model identifies diagnosis codes and laboratory panels associated with elevated PDAC risk, including both established and new biomarkers. Our code is available at https://github.com/MosbahAouad/EarlyPDAC-MML.
• Abstract（参考訳）: 膵管腺癌 (PDAC) は最も致命的ながんの1つであり, 早期発見は, 特異な症状と信頼性のあるバイオマーカーが欠如していることから, 主要な臨床的課題である。 本研究は,臨床診断の1年以上前にPDACを検出するために,経時的診断コードヒストリーと電子健康記録から日常的に収集された実験室計測を統合した新しいマルチモーダルアプローチを提案する。 提案手法は,ニューラルネットワークの微分方程式を用いて,不規則な実験時間系列,事前学習言語モデル,繰り返しネットワークをモデル化し,診断符号の軌跡表現を学習し,2つのモード間の相互作用を捉える。 我々は,4700人近い患者を対象とした実世界のデータセットの開発と評価を行い,最先端の方法よりも6.5%から15.5%のAUCを大幅に改善した。 さらに,本モデルでは,確立されたバイオマーカーと新規バイオマーカーを含むPDACリスクの増大に伴う診断コードと検査パネルを同定した。 私たちのコードはhttps://github.com/MosbahAouad/EarlyPDAC-MMLで利用可能です。

関連論文リスト

• A Novel Multimodal Framework for Early Detection of Alzheimers Disease Using Deep Learning [0.0]
  アルツハイマー病(英語版) (AD) は進行性神経変性疾患であり、早期診断において重大な課題を引き起こす。 従来の診断法は、疾患の多面的な性質を捉えるには不十分である。 我々は,MRI画像,認知評価,バイオマーカーという3つの主要な情報源からのデータを統合するADの早期検出のための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2025-08-05T03:46:59Z)
• ColonScopeX: Leveraging Explainable Expert Systems with Multimodal Data for Improved Early Diagnosis of Colorectal Cancer [3.541280502270993]
  大腸癌(CRC)は、がん関連死亡の2番目に多い原因であり、世界でも3番目に多い悪性腫瘍である。 CRCの早期発見は、その非特異的でしばしば恥ずかしい症状のため、依然として問題である。 説明可能なAI(XAI)手法を利用した機械学習フレームワークであるColonScopeXを提案する。
  論文  参考訳（メタデータ） (2025-04-09T20:45:11Z)
• Multimodal AI-driven Biomarker for Early Detection of Cancer Cachexia [14.27396467108753]
  がんキャッシュキシアは多因子症候群であり、進行性筋肉の洗浄、代謝異常、全身炎症を特徴とする。 キャッシュキシアに決定的なバイオマーカーは存在しない。 本研究では,早期がんキャッシュリア検出のためのマルチモーダルAIベースのバイオマーカーを提案する。
  論文  参考訳（メタデータ） (2025-03-09T22:32:37Z)
• Multi-modal Medical Image Fusion For Non-Small Cell Lung Cancer Classification [7.002657345547741]
  非小細胞肺癌(NSCLC)は、世界中のがん死亡の主な原因である。 本稿では, 融合医療画像(CT, PET)と臨床健康記録, ゲノムデータとを合成する, マルチモーダルデータの革新的な統合について紹介する。 NSCLCの検出と分類精度の大幅な向上により,本研究は既存のアプローチを超越している。
  論文  参考訳（メタデータ） (2024-09-27T12:59:29Z)
• CIResDiff: A Clinically-Informed Residual Diffusion Model for Predicting Idiopathic Pulmonary Fibrosis Progression [38.14873567230233]
  特発性肺線維症(IPF)は患者の死亡率に大きく相関する。 現在の臨床基準では1年間隔で2回のCT検査を必要とする疾患の進行を規定している。 そこで我々は, 患者のCT画像からIPFの進行を正確に予測する新しい拡散モデルを開発した。
  論文  参考訳（メタデータ） (2024-08-01T22:01:42Z)
• Combining low-dose CT-based radiomics and metabolomics for early lung cancer screening support [32.586316762855944]
  肺癌はしばしば進行期と診断され、患者の生存率も低下する。 早期診断は、肺組織腫瘍がまだ小さいとき、通常約3mmの大きさで検出されるように設計されたスクリーニングプログラムによって容易に行える。
  論文  参考訳（メタデータ） (2023-09-20T12:07:16Z)
• Open-Set Recognition of Breast Cancer Treatments [91.3247063132127]
  オープンセット認識は、テストサンプルをトレーニングや"未知"から既知のクラスの1つに分類することで、分類タスクを一般化する 乳がん患者データに対して,画像データセットの最先端結果を実現するガウス混合変分オートエンコーダモデルを適用した。 より正確でロバストな分類結果が得られ,F1の平均値が24.5%上昇したばかりでなく,臨床環境への展開性の観点からも,オープンセット認識の再検討を行った。
  論文  参考訳（メタデータ） (2022-01-09T04:35:55Z)
• 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)
• G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for Biomarker Identification and Disease Classification [49.53651166356737]
  診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。 2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
  論文  参考訳（メタデータ） (2021-01-27T19:28:04Z)
• Inheritance-guided Hierarchical Assignment for Clinical Automatic Diagnosis [50.15205065710629]
  臨床診断は、臨床ノートに基づいて患者に診断符号を割り当てることを目的としており、臨床意思決定において重要な役割を担っている。 本稿では,臨床自動診断のための継承誘導階層と共起グラフの伝播を組み合わせた新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2021-01-27T13:16:51Z)
• Hierarchical Classification of Pulmonary Lesions: A Large-Scale Radio-Pathomics Study [38.78350161086617]
  CTによる肺病変の診断は重要であるが,肺癌関連疾患の臨床的判断には困難である。 深層学習は肺がんに対するコンピュータ支援診断 (CADx) 領域において大きな成功を収めているが, 放射線診断の困難さからラベルの曖昧さに悩まされている。 本研究は, 侵襲的病理解析が肺がん診断の黄金基準となっていることを考慮し, 大規模放射線病的データセットを用いてラベルあいまいさを解消する。 この振り返りデータセットはPentral-RadPathと呼ばれ、高精度なディープラーニングシステムの開発と検証により、非侵襲的な病理組織ラベルを予測できる。
  論文  参考訳（メタデータ） (2020-10-08T15:14:34Z)

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。