論文の概要: The LongiMam model for improved breast cancer risk prediction using longitudinal mammograms

• arxiv url: http://arxiv.org/abs/2509.21383v1
• Date: Tue, 23 Sep 2025 15:57:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-29 20:57:53.889447
• Title: The LongiMam model for improved breast cancer risk prediction using longitudinal mammograms
• Title（参考訳）: 縦マンモグラフィーを用いた乳がんリスク予測のためのLongiMamモデル
• Authors: Manel Rakez, Thomas Louis, Julien Guillaumin, Foucauld Chamming's, Pierre Fillard, Brice Amadeo, Virginie Rondeau,
• Abstract要約: LongiMamは、現在と4つの先行するマンモグラムを統合したエンドツーエンドのディープラーニングモデルである。 LongiMamは、先行マンモグラフィーを含む場合の予測を継続的に改善した。 乳房密度の経時変化が観察された女性では, モデルが最も良好であった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Risk-adapted breast cancer screening requires robust models that leverage longitudinal imaging data. Most current deep learning models use single or limited prior mammograms and lack adaptation for real-world settings marked by imbalanced outcome distribution and heterogeneous follow-up. We developed LongiMam, an end-to-end deep learning model that integrates both current and up to four prior mammograms. LongiMam combines a convolutional and a recurrent neural network to capture spatial and temporal patterns predictive of breast cancer. The model was trained and evaluated using a large, population-based screening dataset with disproportionate case-to-control ratio typical of clinical screening. Across several scenarios that varied in the number and composition of prior exams, LongiMam consistently improved prediction when prior mammograms were included. The addition of prior and current visits outperformed single-visit models, while priors alone performed less well, highlighting the importance of combining historical and recent information. Subgroup analyses confirmed the model's efficacy across key risk groups, including women with dense breasts and those aged 55 years or older. Moreover, the model performed best in women with observed changes in mammographic density over time. These findings demonstrate that longitudinal modeling enhances breast cancer prediction and support the use of repeated mammograms to refine risk stratification in screening programs. LongiMam is publicly available as open-source software.
• Abstract（参考訳）: リスク適応乳がん検診は、縦断的画像データを活用する堅牢なモデルを必要とする。 現在のディープラーニングモデルは、単一または限られた事前マンモグラムを使用し、不均衡な結果分布と不均一なフォローアップを特徴とする実世界の設定への適応を欠いている。 我々は,現在および4つの先行するマンモグラムを統合したエンドツーエンドのディープラーニングモデルであるLongiMamを開発した。 LongiMamは畳み込みとリカレントニューラルネットワークを組み合わせて、乳がんの予測する空間的パターンと時間的パターンをキャプチャする。 臨床検診の典型的なケース・ツー・コントロール比に相反する大集団検診データセットを用いて,モデルを訓練し,評価した。 先行検診の数や構成に異なるいくつかのシナリオにおいて、LongiMamは先行マンモグラムを含む場合の予測を継続的に改善した。 先行と現在の訪問はシングルビジットモデルよりも優れており、先行のみのパフォーマンスは低く、歴史的情報と最近の情報を組み合わせることの重要性を強調している。 調査では、乳房密度の高い女性や55歳以上の女性を含む主要なリスクグループを対象に、モデルの有効性を確認した。 さらに, マンモグラフィー濃度の経時変化が観察された女性では, モデルが最も良好であった。 以上の結果から, 縦断的モデリングは乳癌の予測を促進させ, 検診プログラムにおけるリスク階層化の促進にマンモグラムの反復的使用を支援することが示唆された。 LongiMamはオープンソースソフトウェアとして公開されている。

関連論文リスト

• STA-Risk: A Deep Dive of Spatio-Temporal Asymmetries for Breast Cancer Risk Prediction [1.600919533339807]
  STA-Risk は乳がんリスク予測のための両側および縦アシンメトリーからの微細なマンモグラフィー画像の進化を同時に捉えている。 2つの独立したマンモグラフィーデータセットを用いて広範な実験を行い、1～5年間のリスク予測のために4つの代表的なSOTAモデルよりも優れた性能を示した。
  論文  参考訳（メタデータ） (2025-05-27T19:38:23Z)
• Extrapolating Prospective Glaucoma Fundus Images through Diffusion Model in Irregular Longitudinal Sequences [46.80977922491862]
  緑内障進行予測のための経時的データセットの利用は、早期治療の介入を支援するための説得力のあるアプローチを提供する。 本研究では, 既往の経時的底面像を外挿し, 将来像を予測できる新しい拡散モデルを提案する。
  論文  参考訳（メタデータ） (2024-10-28T15:31:47Z)
• 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)
• Longitudinal Mammogram Risk Prediction [6.28887425442237]
  我々は最先端の機械学習モデルを拡張し、任意の数の縦マンモグラフィーを摂取し、将来の乳がんリスクを予測する。 以上の結果から,より長い歴史(例年4回のマンモグラム)が将来の乳癌のリスクを予測する精度を著しく向上させる可能性が示唆された。
  論文  参考訳（メタデータ） (2024-04-29T19:52:09Z)
• Unsupversied feature correlation model to predict breast abnormal variation maps in longitudinal mammograms [1.6249398255272316]
  本研究は,乳腺異常の早期発見と診断の精度の向上に焦点を当てた。 縦2次元マンモグラフィーを用いて乳房異常変化を示す地図を生成するために, 新規な教師なし特徴相関ネットワークを開発した。 その結果,提案モデルは,精度,感度,特異性,Diceスコア,がん検出率において,ベースラインモデルよりも優れていた。
  論文  参考訳（メタデータ） (2023-12-28T01:37:55Z)
• Enhancing Breast Cancer Risk Prediction by Incorporating Prior Images [8.756888862171195]
  本稿では,トランスフォーマーデコーダを用いた乳がんリスク予測のための新しい手法PRIME+を提案する。 我々は16,113検診のデータセットにアプローチを検証し,従来のマンモグラムから変化パターンを効果的に捉えることを実証した。 実験の結果,C-インデックスは0.68から0.73に増加し,最先端モデルよりも統計的に有意な改善が得られた。
  論文  参考訳（メタデータ） (2023-03-28T03:05:25Z)
• Deep learning methods for drug response prediction in cancer: predominant and emerging trends [50.281853616905416]
  がんを研究・治療するための計算予測モデルをエクスプロイトすることは、薬物開発の改善と治療計画のパーソナライズドデザインにおいて大きな可能性を秘めている。 最近の研究の波は、ディープラーニング手法を用いて、薬物治療に対するがん反応を予測するという有望な結果を示している。 このレビューは、この分野の現状をよりよく理解し、主要な課題と将来性のあるソリューションパスを特定します。
  論文  参考訳（メタデータ） (2022-11-18T03:26:31Z)
• Breast Cancer Induced Bone Osteolysis Prediction Using Temporal Variational Auto-Encoders [65.95959936242993]
  骨分解性骨病変の進展を正確に予測し,可視化する深層学習フレームワークを開発した。 乳癌患者の骨格関連事象(SRE)を予防するための治療戦略の計画と評価を支援する。
  論文  参考訳（メタデータ） (2022-03-20T21:00:10Z)
• Short Term Blood Glucose Prediction based on Continuous Glucose Monitoring Data [53.01543207478818]
  本研究では,デジタル意思決定支援ツールの入力として連続グルコースモニタリング(Continuous Glucose Monitoring, CGM)データを利用する方法について検討する。 短時間の血液グルコース (STBG) 予測において, リカレントニューラルネットワーク (Recurrent Neural Networks, RNN) をどのように利用できるかを検討する。
  論文  参考訳（メタデータ） (2020-02-06T16:39:44Z)

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。