論文の概要: Dynamic Survival Prediction using Longitudinal Images based on Transformer

• arxiv url: http://arxiv.org/abs/2508.09328v1
• Date: Tue, 12 Aug 2025 20:31:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-14 20:42:00.686129
• Title: Dynamic Survival Prediction using Longitudinal Images based on Transformer
• Title（参考訳）: 変圧器を用いた縦画像を用いた動的生存予測
• Authors: Bingfan Liu, Haolun Shi, Jiguo Cao,
• Abstract要約: 本稿では,SurLonFormerについて紹介する。これはトランスフォーマーをベースとした新しいニューラルネットワークで,縦型医用画像と構造データを組み合わせて生存予測を行う。 本アーキテクチャは,特徴を抽出するビジョン,空間的時間的情報を集約するシーケンス,Cox比例ハザードモデルに基づくサバイバルの3つの重要な構成要素から構成される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Survival analysis utilizing multiple longitudinal medical images plays a pivotal role in the early detection and prognosis of diseases by providing insight beyond single-image evaluations. However, current methodologies often inadequately utilize censored data, overlook correlations among longitudinal images measured over multiple time points, and lack interpretability. We introduce SurLonFormer, a novel Transformer-based neural network that integrates longitudinal medical imaging with structured data for survival prediction. Our architecture comprises three key components: a Vision Encoder for extracting spatial features, a Sequence Encoder for aggregating temporal information, and a Survival Encoder based on the Cox proportional hazards model. This framework effectively incorporates censored data, addresses scalability issues, and enhances interpretability through occlusion sensitivity analysis and dynamic survival prediction. Extensive simulations and a real-world application in Alzheimer's disease analysis demonstrate that SurLonFormer achieves superior predictive performance and successfully identifies disease-related imaging biomarkers.
• Abstract（参考訳）: 複数の縦断的医療画像を用いた生存分析は、単一画像評価以上の洞察を提供することで、疾患の早期発見と予後において重要な役割を担っている。 しかし、現在の手法では、しばしば検閲されたデータを不適切に利用し、複数の時間点で測定された長手画像間の相関を見落とし、解釈性に欠ける。 本稿では,SurLonFormerについて紹介する。これはトランスフォーマーをベースとした新しいニューラルネットワークで,縦型医用画像と構造データを組み合わせて生存予測を行う。 本アーキテクチャは,空間的特徴を抽出するビジョンエンコーダ,時間情報を集約するシーケンスエンコーダ,Cox比例ハザードモデルに基づく生存エンコーダの3つの重要なコンポーネントから構成される。 このフレームワークは、検閲されたデータを効果的に取り入れ、スケーラビリティの問題に対処し、オクルージョン感度分析と動的生存予測を通じて解釈可能性を高める。 アルツハイマー病解析における広範囲なシミュレーションと実世界の応用により、SurLonFormerは優れた予測性能を示し、疾患関連イメージングバイオマーカーの同定に成功した。

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)
• Causal Disentanglement for Robust Long-tail Medical Image Generation [80.15257897500578]
  そこで本研究では,病的特徴と構造的特徴を独立に生成する新しい医用画像生成フレームワークを提案する。 本稿では,病理所見から導かれる拡散モデルを用いて病理像をモデル化し,種々の対物画像の生成を可能にする。
  論文  参考訳（メタデータ） (2025-04-20T01:54:18Z)
• Multi-task Learning Approach for Intracranial Hemorrhage Prognosis [0.0]
  本稿では,Glasgow Coma Scale と Age の3次元マルチタスク画像モデルを提案する。 提案手法は現状のベースライン画像モデルより優れており,CTスキャンのみを入力として用いた4名の脳神経科医と比較してICH予後に優れていた。
  論文  参考訳（メタデータ） (2024-08-16T14:56:17Z)
• Probabilistic 3D Correspondence Prediction from Sparse Unsegmented Images [1.2179682412409507]
  スパース画像データから3次元対応を予測する統一モデルであるSPI-CorrNetを提案する。 LGE MRI左房データセットとAbdomen CT-1K肝データセットを用いた実験により,スパース画像駆動SSMの精度とロバスト性の向上が示された。
  論文  参考訳（メタデータ） (2024-07-02T03:56:20Z)
• 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)
• Beyond Images: An Integrative Multi-modal Approach to Chest X-Ray Report Generation [47.250147322130545]
  画像からテキストまでの放射線学レポート生成は,医療画像の発見を記述した放射線学レポートを自動生成することを目的としている。 既存の方法の多くは画像データのみに焦点をあてており、他の患者情報は放射線科医に公開されていない。 胸部X線レポートを生成するための多モードディープニューラルネットワークフレームワークを,非構造的臨床ノートとともにバイタルサインや症状などの構造化された患者データを統合することで提案する。
  論文  参考訳（メタデータ） (2023-11-18T14:37:53Z)
• Interpretable Survival Analysis for Heart Failure Risk Prediction [50.64739292687567]
  現状の生存モデルと解釈可能かつ競合する新しい生存分析パイプラインを提案する。 我々のパイプラインは最先端のパフォーマンスを達成し、心不全のリスク要因に関する興味深い新しい洞察を提供する。
  論文  参考訳（メタデータ） (2023-10-24T02:56:05Z)
• Contrastive Learning of Temporal Distinctiveness for Survival Analysis in Electronic Health Records [10.192973297290136]
  本稿では,オントロジーを意識したテンポラリティに基づくコントラシブ・サバイバル(OTCSurv)分析フレームワークを提案する。 OTCSurvは、検閲されたデータと観察されたデータの両方から生存期間を使い、時間的特異性を定義する。 急性腎障害(AKI)を発症する危険のある入院患者のリスクを予測するために,大規模なEHRデータセットを用いて実験を行った。
  論文  参考訳（メタデータ） (2023-08-24T22:36:22Z)
• Deep Co-Attention Network for Multi-View Subspace Learning [73.3450258002607]
  マルチビューサブスペース学習のための深層コアテンションネットワークを提案する。 共通情報と相補情報の両方を敵意で抽出することを目的としている。 特に、新しいクロス再構成損失を使用し、ラベル情報を利用して潜在表現の構築を誘導する。
  論文  参考訳（メタデータ） (2021-02-15T18:46:44Z)
• 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)

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。