論文の概要: ModalSurv: A Multimodal Deep Survival Framework for Prostate and Bladder Cancer
- arxiv url: http://arxiv.org/abs/2509.05037v3
- Date: Wed, 17 Sep 2025 15:37:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-18 14:28:52.48384
- Title: ModalSurv: A Multimodal Deep Survival Framework for Prostate and Bladder Cancer
- Title（参考訳）: ModalSurv:前立腺癌と膀胱癌のための多モーダルディープサバイバルフレームワーク
- Authors: Noorul Wahab, Ethar Alzaid, Jiaqi Lv, Adam Shephard, Shan E Ahmed Raza,
- Abstract要約: 提案するModaliSurvは、DeepHitをプロジェクション層とモード間相互アテンションを備えたマルチモーダルディープサバイバルモデルである。
このモデルは、モーダル性にまたがる相補的な予後信号を捕捉し、個別化された時間-生化学的再発を推定するように設計されている。
- 参考スコア（独自算出の注目度）: 5.509924404430891
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Accurate prediction of time-to-event outcomes is a central challenge in oncology, with significant implications for treatment planning and patient management. In this work, we present ModaliSurv, a multimodal deep survival model utilising DeepHit with a projection layer and inter-modality cross-attention, which integrates heterogeneous patient data, including clinical, MRI, RNA-seq and whole-slide pathology features. The model is designed to capture complementary prognostic signals across modalities and estimate individualised time-to-biochemical recurrence in prostate cancer and time-to-cancer recurrence in bladder cancer. Our approach was evaluated in the context of the CHIMERA Grand Challenge, across two of the three provided tasks. For Task 1 (prostate cancer bio-chemical recurrence prediction), the proposed framework achieved a concordance index (C-index) of 0.843 on 5-folds cross-validation and 0.818 on CHIMERA development set, demonstrating robust discriminatory ability. For Task 3 (bladder cancer recurrence prediction), the model obtained a C-index of 0.662 on 5-folds cross-validation and 0.457 on development set, highlighting its adaptability and potential for clinical translation. These results suggest that leveraging multimodal integration with deep survival learning provides a promising pathway toward personalised risk stratification in prostate and bladder cancer. Beyond the challenge setting, our framework is broadly applicable to survival prediction tasks involving heterogeneous biomedical data.
- Abstract（参考訳）: 治療計画や患者管理に重要な意味を持つ腫瘍学において、時間と結果の正確な予測は中心的な課題である。
本研究では,DeepHitのプロジェクション層と相互アテンションを併用した多モードディープサバイバルモデルであるModaliSurvについて述べる。
本モデルは, 前立腺癌における相補的予後信号の収集と, 膀胱癌における時間-生化学的再発の推定を目的としている。
提案手法はCHIMERAグランドチャレンジの文脈で評価され,3つの課題のうち2つにまたがった。
第1タスク(前立腺癌生化学的再発予測)では、5倍のクロスバリデーションで0.843、CHIMERA開発で0.818のコンコーダンス指標(C-index)を達成し、堅牢な識別能力を示した。
第3タスク(膀胱癌再発予測)では、5倍のクロスバリデーションで0.662、開発セットで0.457のC-インデックスを取得し、その適応性と臨床翻訳の可能性を強調した。
これらの結果は,多モード統合と深層生存学習の活用が,前立腺癌および膀胱癌における個人化リスク階層化への有望な道筋となることを示唆している。
課題設定の他に、異種生物医学データを含む生存予測タスクにも広く適用できる。
関連論文リスト
- Breast Cancer Recurrence Risk Prediction Based on Multiple Instance Learning [0.0]
本研究は,HematoxylinおよびEosinstened whole-slide image(WSIs)を用いた深層学習における計算病理の可能性について検討する。
CLAM-SB, ABMIL, ConvNeXt-MIL-XGBoostの3つのマルチインスタンス学習フレームワークを, 210症例の社内データセット上で開発・比較した。
5倍のクロスバリデーションでは、改良されたCLAM-SBモデルが最も高い性能を示し、平均曲線下面積(AUC)は0.836で、分類精度は76.2%であった。
論文 参考訳（メタデータ） (2025-12-21T13:46:50Z) - SurvAgent: Hierarchical CoT-Enhanced Case Banking and Dichotomy-Based Multi-Agent System for Multimodal Survival Prediction [49.355973075150075]
マルチモーダルサバイバル予測のための最初の階層的チェーン・オブ・シント(CoT)強化マルチエージェントシステムであるSurvAgentを紹介する。
SurvAgentは2つの段階から構成される: WSI-Gene CoT-Enhanced Case Bank Constructionは、低磁化スクリーニング、クロスモーダル類似性-アウェアパッチマイニング、および病理画像に対する信頼-アウェアパッチマイニングを通じて階層解析を使用する。
二分法に基づくMulti-Expert Agent Inferenceは、RAGを介して類似の事例を検索し、段階的間隔改善による専門家予測とマルチモーダルレポートを統合する。
論文 参考訳（メタデータ） (2025-11-20T18:41:44Z) - PROFUSEme: PROstate Cancer Biochemical Recurrence Prediction via FUSEd Multi-modal Embeddings [2.83458288358676]
前立腺癌(PCa)患者の約30%は生化学的再発(BCR)を経験し、前立腺特異抗原(PSA)の増加と死亡率の増加を特徴とする。
PROFUSEme(Fused Multi-modal Embeddings)による前立腺癌BCRの予測を提案し,臨床,放射線学,病理学のクロスモーダルな相互作用を学習する。
論文 参考訳（メタデータ） (2025-09-17T14:54:29Z) - A Disease-Centric Vision-Language Foundation Model for Precision Oncology in Kidney Cancer [54.58205672910646]
RenalCLIPは、腎腫瘤の特徴、診断、予後のための視覚言語基盤モデルである。
腎がんの完全な臨床ワークフローにまたがる10のコアタスクにおいて、優れたパフォーマンスと優れた一般化性を実現した。
論文 参考訳（メタデータ） (2025-08-22T17:48:19Z) - 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) - 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) - Multimodal Integration of Longitudinal Noninvasive Diagnostics for Survival Prediction in Immunotherapy Using Deep Learning [0.8428580558402998]
我々は,新しいニューラルネットワークアーキテクチャ,マルチモーダルトランスフォーマーに基づくシンプルな時間的注意(MMTSimTA)ネットワークを開発した。
免疫療法を施行した694人の大膵コホートから, 術前および治療中の血液測定, 処方薬およびCTベースの臓器量を統合し, 死亡率を予測した。
以上の結果より,新しいアーキテクチャを用いた非侵襲的経時的データの統合は,特に短期生存予測において,マルチモーダル予後の向上をもたらすことが示唆された。
論文 参考訳（メタデータ） (2024-11-27T11:44:06Z) - BioFusionNet: Deep Learning-Based Survival Risk Stratification in ER+ Breast Cancer Through Multifeature and Multimodal Data Fusion [16.83901927767791]
画像から得られる特徴を遺伝的・臨床的データと融合して全体像を得る深層学習フレームワークであるBioFusionNetを提案する。
本モデルでは, 平均一致率0.77, 曲線0.84の時間依存領域を達成し, 最先端の手法より優れていた。
論文 参考訳（メタデータ） (2024-02-16T14:19:33Z) - Multimodal Deep Learning for Personalized Renal Cell Carcinoma
Prognosis: Integrating CT Imaging and Clinical Data [3.790959613880792]
腎細胞癌は生存率の低い重要な世界的な健康上の課題である。
本研究の目的は, 腎細胞癌患者の生存確率を予測できる包括的深層学習モデルを考案することであった。
提案フレームワークは,3次元画像特徴抽出器,臨床変数選択,生存予測の3つのモジュールから構成される。
論文 参考訳（メタデータ） (2023-07-07T13:09:07Z) - Penalized Deep Partially Linear Cox Models with Application to CT Scans
of Lung Cancer Patients [42.09584755334577]
肺がんは世界中のがん死亡の原因であり、効果的な治療法を設計するための死亡リスクを理解することの重要性を強調している。
NLST(National Lung Screening Trial)は、肺がん患者の死亡リスクを定量化するために、CTテクスチャ解析を用いている。
本稿では,SCADペナルティを組み込んで重要なテクスチャ特徴を抽出し,深層ニューラルネットワークを用いてモデルの非パラメトリック成分を推定する,Pentalized Deep partially Linear Cox Model (Penalized DPLC)を提案する。
論文 参考訳（メタデータ） (2023-03-09T15:38:16Z) - SurvLatent ODE : A Neural ODE based time-to-event model with competing
risks for longitudinal data improves cancer-associated Deep Vein Thrombosis
(DVT) prediction [68.8204255655161]
本稿では,不規則なサンプルデータの下で潜在表現をパラメータ化する生成時間対イベントモデルSurvLatent ODEを提案する。
そこで,本モデルでは,事象特異的ハザード関数の形状を指定せずに,複数の競合イベントの生存時間を柔軟に推定する。
SurvLatent ODEは、DVTリスクグループを成層化するために、現在の臨床標準であるKhorana Riskスコアより優れている。
論文 参考訳（メタデータ） (2022-04-20T17:28:08Z) - Multimodal PET/CT Tumour Segmentation and Prediction of Progression-Free
Survival using a Full-Scale UNet with Attention [0.8138288420049126]
MICCAI 2021 ヘッドとネックタマ (HECKTOR) セグメンテーションと結果予測の課題は、セグメンテーション法を比較するためのプラットフォームを作成する。
腫瘍容積セグメンテーションのために複数のニューラルネットワークを訓練し,これらのセグメンテーションを組込み,平均Dice類似度係数0.75をクロスバリデーションで達成した。
患者進行自由生存の予測のために,臨床,放射線学,深層学習機能を組み合わせたCox比例的ハザード回帰法を提案する。
論文 参考訳（メタデータ） (2021-11-06T10:28:48Z) - MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。
我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。
我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
論文 参考訳（メタデータ） (2020-10-08T15:30:17Z)
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。