論文の概要: Temporal Representation Learning of Phenotype Trajectories for pCR Prediction in Breast Cancer

• arxiv url: http://arxiv.org/abs/2509.14872v1
• Date: Thu, 18 Sep 2025 11:37:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-19 17:26:53.193801
• Title: Temporal Representation Learning of Phenotype Trajectories for pCR Prediction in Breast Cancer
• Title（参考訳）: 乳癌におけるpCR予測のためのPhenotype Trajectoriesの時間的表現学習
• Authors: Ivana Janíčková, Yen Y. Tan, Thomas H. Helbich, Konstantin Miloserdov, Zsuzsanna Bago-Horvath, Ulrike Heber, Georg Langs,
• Abstract要約: 乳がん化学療法(NACT)を施行した症例において,画像データから治療反応の早期動態の表現を学習し,病理学的完全反応(pCR)を予測することを提案する。 乳房MRI(MRI)画像の経時的変化は、潜在空間の軌跡を形成し、応答の予測の基礎となる。 公開可能なISPY-2データセットの実験において、潜在軌道空間における線形分類器は、前処理データ(T0)と初期応答(T0+T1)と画像時間(0.861)のみを用いて0.761の平衡精度を達成する。
• 参考スコア（独自算出の注目度）: 0.18744139400550597
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Effective therapy decisions require models that predict the individual response to treatment. This is challenging since the progression of disease and response to treatment vary substantially across patients. Here, we propose to learn a representation of the early dynamics of treatment response from imaging data to predict pathological complete response (pCR) in breast cancer patients undergoing neoadjuvant chemotherapy (NACT). The longitudinal change in magnetic resonance imaging (MRI) data of the breast forms trajectories in the latent space, serving as basis for prediction of successful response. The multi-task model represents appearance, fosters temporal continuity and accounts for the comparably high heterogeneity in the non-responder cohort.In experiments on the publicly available ISPY-2 dataset, a linear classifier in the latent trajectory space achieves a balanced accuracy of 0.761 using only pre-treatment data (T0), 0.811 using early response (T0 + T1), and 0.861 using four imaging time points (T0 -> T3). The code will be made available upon paper acceptance.
• Abstract（参考訳）: 効果的な治療決定は、治療に対する個々の反応を予測するモデルを必要とする。 疾患の進行と治療に対する反応は患者によって大きく異なるため、これは難しい。 そこで本研究では, 乳がん患者に対する新アジュバント化学療法(NACT)を施行した症例において, 治療反応の早期の動態を画像データから把握し, 病的完全反応(pCR)を予測することを提案する。 乳房MRI(MRI)画像の経時的変化は、潜在空間の軌跡を形成し、応答の予測の基礎となる。 ISPY-2データセットを用いた実験では, 先行処理データ(T0), 0.811, 早期応答(T0+T1), 0.861の4つの画像時間点(T0〜>T3)を用いて, 遅延軌道空間における線形分類器の平衡精度を0.761とする。 コードは、論文の受理時に利用可能になる。

関連論文リスト

• AI-based response assessment and prediction in longitudinal imaging for brain metastases treated with stereotactic radiosurgery [1.3844235712582453]
  脳転移(Brain Metastases, BM)は、がん患者の死亡率に大きく寄与する。 SRS(Stereotactic Radiosurgery)で治療し,MRI(Magnetic Resonance Imaging)で治療ガイドラインに従って経過観察する。 成長軌跡をよりよく理解し、治療の成功や毒性をできるだけ早く予測するために、縦断画像における治療に対する反応が研究されている。 本研究では, 約2カ月間隔で約360日以上観察された177例のSRS治療データを経時的に収集する自動パイプラインを構築し, 約896 BMのコホートを施行した。
  論文  参考訳（メタデータ） (2025-09-08T07:29:45Z)
• A two-stage dual-task learning strategy for early prediction of pathological complete response to neoadjuvant chemotherapy for breast cancer using dynamic contrast-enhanced magnetic resonance images [7.909471291751286]
  病理学的完全反応の早期予測は、乳癌患者のパーソナライズされた治療を促進する。 早期磁気共鳴画像を用いたpCRの早期予測のために,深層ニューラルネットワークを訓練するための2段階のデュアルタスク学習戦略を提案した。
  論文  参考訳（メタデータ） (2025-01-28T21:13:14Z)
• Improving Breast Cancer Grade Prediction with Multiparametric MRI Created Using Optimized Synthetic Correlated Diffusion Imaging [71.91773485443125]
  乳がん治療計画において、グレーディングは重要な役割を担っている。 現在の腫瘍グレード法では、患者から組織を抽出し、ストレス、不快感、医療費の上昇につながる。 本稿では,CDI$s$の最適化による乳癌の診断精度の向上について検討する。
  論文  参考訳（メタデータ） (2024-05-13T15:48:26Z)
• Domain Transfer Through Image-to-Image Translation for Uncertainty-Aware Prostate Cancer Classification [42.75911994044675]
  前立腺MRIの非対位画像翻訳のための新しいアプローチと臨床的に重要なPCaを分類するための不確実性認識トレーニングアプローチを提案する。 提案手法では,無ペアの3.0T多パラメータ前立腺MRIを1.5Tに翻訳し,利用可能なトレーニングデータを増強する。 実験の結果,提案手法は,従来の研究に比べてAUC(Area Under ROC Curve)を20%以上改善することがわかった。
  論文  参考訳（メタデータ） (2023-07-02T05:26:54Z)
• Brain Tumor Recurrence vs. Radiation Necrosis Classification and Patient Survivability Prediction [0.0]
  GBMは成人で最もアグレッシブな脳腫瘍であり、手術や放射線治療による攻撃的治療でも生存率が低い。 放射線治療後のGBM患者のMRIの変化は、放射線誘発壊死(RN)または再発脳腫瘍(rBT)の指標である 本研究では, rBT と RN の分類におけるサブセット標本サイズのバランスをとるために, 統計的に厳密な繰り返しランダムサブサンプリングを用いた計算モデルを提案する。
  論文  参考訳（メタデータ） (2023-06-05T21:39:11Z)
• Validated respiratory drug deposition predictions from 2D and 3D medical images with statistical shape models and convolutional neural networks [47.187609203210705]
  患者固有の沈着モデリングのための自動計算フレームワークを開発し,検証することを目的としている。 2次元胸部X線と3次元CT画像から3次元患者の呼吸動態を生成できる画像処理手法が提案されている。
  論文  参考訳（メタデータ） (2023-03-02T07:47:07Z)
• Deformation Driven Seq2Seq Longitudinal Tumor and Organs-at-Risk Prediction for Radiotherapy [12.05638699290782]
  畳み込み長短記憶(ConvLSTM)に基づく新しい3次元シーケンス・ツー・シーケンスモデルを提案する。 将来の解剖学的変化と腫瘍の体積の変化を予測し、重要なOARも予測する。 私たちは2つの放射線治療データセットでモデルを検証した。
  論文  参考訳（メタデータ） (2021-06-16T18:29:16Z)
• 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)
• Joint Prediction and Time Estimation of COVID-19 Developing Severe Symptoms using Chest CT Scan [49.209225484926634]
  術後に重篤な症状を発症するかどうかを判定するための共同分類法と回帰法を提案する。 提案手法は,各試料の重量を考慮し,外乱の影響を低減し,不均衡な分類の問題を検討する。 提案手法では, 重症症例の予測精度76.97%, 相関係数0.524, 変換時間0.55日差が得られた。
  論文  参考訳（メタデータ） (2020-05-07T12:16:37Z)
• Estimating Counterfactual Treatment Outcomes over Time Through Adversarially Balanced Representations [114.16762407465427]
  時間とともに治療効果を推定するためにCRN(Counterfactual Recurrent Network)を導入する。 CRNは、患者履歴のバランスの取れた表現を構築するために、ドメイン敵のトレーニングを使用する。 本モデルでは, 正解率の予測と適切な治療時期の選択において, 誤差の低減を図っている。
  論文  参考訳（メタデータ） (2020-02-10T20:47:36Z)

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。