論文の概要: Cohort-Aware Agents for Individualized Lung Cancer Risk Prediction Using a Retrieval-Augmented Model Selection Framework

• arxiv url: http://arxiv.org/abs/2508.14940v2
• Date: Tue, 26 Aug 2025 17:59:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-27 13:17:04.031103
• Title: Cohort-Aware Agents for Individualized Lung Cancer Risk Prediction Using a Retrieval-Augmented Model Selection Framework
• Title（参考訳）: Retrieval-Augmented Model Selection Frameworkを用いた肺がん個別リスク予測のためのコホート対応エージェント
• Authors: Chongyu Qu, Allen J. Luna, Thomas Z. Li, Junchao Zhu, Junlin Guo, Juming Xiong, Kim L. Sandler, Bennett A. Landman, Yuankai Huo,
• Abstract要約: 肺がんのリスク予測は、患者集団間の大きな変動と臨床環境のために依然として困難である。 本稿では,各患者に対して最も適切なモデルを動的に選択する,パーソナライズされた肺癌リスク予測エージェントを提案する。
• 参考スコア（独自算出の注目度）: 4.828586430285072
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate lung cancer risk prediction remains challenging due to substantial variability across patient populations and clinical settings -- no single model performs best for all cohorts. To address this, we propose a personalized lung cancer risk prediction agent that dynamically selects the most appropriate model for each patient by combining cohort-specific knowledge with modern retrieval and reasoning techniques. Given a patient's CT scan and structured metadata -- including demographic, clinical, and nodule-level features -- the agent first performs cohort retrieval using FAISS-based similarity search across nine diverse real-world cohorts to identify the most relevant patient population from a multi-institutional database. Second, a Large Language Model (LLM) is prompted with the retrieved cohort and its associated performance metrics to recommend the optimal prediction algorithm from a pool of eight representative models, including classical linear risk models (e.g., Mayo, Brock), temporally-aware models (e.g., TD-VIT, DLSTM), and multi-modal computer vision-based approaches (e.g., Liao, Sybil, DLS, DLI). This two-stage agent pipeline -- retrieval via FAISS and reasoning via LLM -- enables dynamic, cohort-aware risk prediction personalized to each patient's profile. Building on this architecture, the agent supports flexible and cohort-driven model selection across diverse clinical populations, offering a practical path toward individualized risk assessment in real-world lung cancer screening.
• Abstract（参考訳）: 正確な肺がんリスクの予測は、患者の集団間の大きな変動と臨床的な設定のために依然として困難であり、すべてのコホートに最適なモデルが存在しない。 そこで本研究では,コホート固有の知識と現代的な検索・推論技術を組み合わせることで,各患者に対して最も適切なモデルを動的に選択するパーソナライズされた肺癌リスク予測エージェントを提案する。 患者のCTスキャンと構造化メタデータ(人口統計、臨床、結節レベルの特徴を含む)を与えられたエージェントは、まず、FAISSに基づく9つの現実世界のコホートにわたる類似性検索を使用してコホート検索を行い、複数の機関のデータベースから最も関連性の高い患者集団を特定する。 第二に、検索されたコホートとその関連するパフォーマンス指標により、古典線形リスクモデル(例:Mayo, Brock)、時間的認識モデル(例:TD-VIT, DLSTM)、マルチモーダルコンピュータビジョンベースのアプローチ(例:Liao, Sybil, DLS, DLI)を含む8つの代表的なモデルから最適な予測アルゴリズムを推奨する。 この2段階のエージェントパイプライン -- FAISS経由の検索とLSM経由の推論 -- は、各患者のプロファイルにパーソナライズされた動的でコホート対応のリスク予測を可能にする。 このアーキテクチャに基づいて、このエージェントは様々な臨床集団にわたる柔軟でコホート駆動のモデル選択をサポートし、実際の肺がん検診における個人化リスク評価への実践的な道を提供する。

関連論文リスト

• Unsupervised risk factor identification across cancer types and data modalities via explainable artificial intelligence [0.0]
  本稿では,患者クラスタ間の生存不均一性を直接最適化する,教師なし機械学習の新しい手法を提案する。 当社のアプローチは,任意のデータモダリティに基づいてニューラルネットワークアーキテクチャをトレーニングし,予後の異なる患者グループを特定するための新しい手法である。 このパン・カンサー・モデルに依存しないアプローチは、臨床リスク層化の貴重な進展を示す。
  論文  参考訳（メタデータ） (2025-06-15T19:11:10Z)
• 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)
• 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)
• Addressing Data Heterogeneity in Federated Learning of Cox Proportional Hazards Models [8.798959872821962]
  本稿では,フェデレーションサバイバル分析の分野,特にCox Proportional Hazards(CoxPH)モデルについて概説する。 本稿では,合成データセットと実世界のアプリケーション間のモデル精度を向上させるために,特徴ベースのクラスタリングを用いたFLアプローチを提案する。
  論文  参考訳（メタデータ） (2024-07-20T18:34:20Z)
• Ambiguous Medical Image Segmentation using Diffusion Models [60.378180265885945]
  我々は,グループ洞察の分布を学習することで,複数の可算出力を生成する単一拡散モデルに基づくアプローチを提案する。 提案モデルでは,拡散の固有のサンプリングプロセスを利用してセグメンテーションマスクの分布を生成する。 その結果,提案手法は既存の最先端曖昧なセグメンテーションネットワークよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2023-04-10T17:58:22Z)
• A multi-stage machine learning model on diagnosis of esophageal manometry [50.591267188664666]
  このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。 これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
  論文  参考訳（メタデータ） (2021-06-25T20:09:23Z)
• Adversarial Sample Enhanced Domain Adaptation: A Case Study on Predictive Modeling with Electronic Health Records [57.75125067744978]
  ドメイン適応を容易にするデータ拡張手法を提案する。 逆生成したサンプルはドメイン適応時に使用される。 その結果,本手法の有効性とタスクの一般性が確認された。
  論文  参考訳（メタデータ） (2021-01-13T03:20:20Z)

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。