論文の概要: TREAT-Net: Tabular-Referenced Echocardiography Analysis for Acute Coronary Syndrome Treatment Prediction

• arxiv url: http://arxiv.org/abs/2509.23999v1
• Date: Sun, 28 Sep 2025 17:45:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 22:32:19.581514
• Title: TREAT-Net: Tabular-Referenced Echocardiography Analysis for Acute Coronary Syndrome Treatment Prediction
• Title（参考訳）: TREAT-Netによる急性冠症候群の診断
• Authors: Diane Kim, Minh Nguyen Nhat To, Sherif Abdalla, Teresa S. M. Tsang, Purang Abolmaesumi, and Christina Luong,
• Abstract要約: TREAT-Netは急性冠症候群治療予測のための多モードディープラーニングフレームワークである。 9000件以上のACSのデータセットでトレーニングされ、精度は67.6%、AUROCは71.1%である。 以上より,TREAT-Netは経時的かつ正確な患者トリアージのための非侵襲的ツールである可能性が示唆された。
• 参考スコア（独自算出の注目度）: 3.649745587168995
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Coronary angiography remains the gold standard for diagnosing Acute Coronary Syndrome (ACS). However, its resource-intensive and invasive nature can expose patients to procedural risks and diagnostic delays, leading to postponed treatment initiation. In this work, we introduce TREAT-Net, a multimodal deep learning framework for ACS treatment prediction that leverages non-invasive modalities, including echocardiography videos and structured clinical records. TREAT-Net integrates tabular-guided cross-attention to enhance video interpretation, along with a late fusion mechanism to align predictions across modalities. Trained on a dataset of over 9000 ACS cases, the model outperforms unimodal and non-fused baselines, achieving a balanced accuracy of 67.6% and an AUROC of 71.1%. Cross-modality agreement analysis demonstrates 88.6% accuracy for intervention prediction. These findings highlight the potential of TREAT-Net as a non-invasive tool for timely and accurate patient triage, particularly in underserved populations with limited access to coronary angiography.
• Abstract（参考訳）: 冠動脈造影は, 急性冠症候群(ACS)の診断における金の基準であり続けている。 しかし、その資源集約的で侵襲的な性質は、患者を手続き上のリスクや診断の遅れに晒し、治療開始の延期につながる。 本研究では、心エコービデオや構造化臨床記録などの非侵襲的モダリティを活用する、ACS治療予測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であるTREAT-Netを紹介する。 TREAT-Netは、ビデオ解釈を強化するためにタブ状のガイド付きクロスアテンションと、モダリティをまたいだ予測を調整する遅延融合機構を統合している。 9000以上のACSのデータセットに基づいて訓練され、このモデルは単調なベースラインと非融合ベースラインより優れており、バランスの取れた精度は67.6%、AUROCは71.1%である。 相互モダリティ合意分析は介入予測の精度88.6%を示している。 以上の結果から,TREAT-Netは経時的かつ正確な患者トリアージのための非侵襲的ツールである可能性が示唆された。

関連論文リスト

• 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)
• A Novel Attention-Augmented Wavelet YOLO System for Real-time Brain Vessel Segmentation on Transcranial Color-coded Doppler [49.03919553747297]
  我々は,脳動脈を効率よく捉えることができるAIを利用したリアルタイムCoW自動分割システムを提案する。 Transcranial Color-coded Doppler (TCCD) を用いたAIによる脳血管セグメンテーションの事前研究は行われていない。 提案したAAW-YOLOは, 異方性および対側性CoW容器のセグメンテーションにおいて高い性能を示した。
  論文  参考訳（メタデータ） (2025-08-19T14:41:22Z)
• A Metabolic-Imaging Integrated Model for Prognostic Prediction in Colorectal Liver Metastases [5.6492616107251274]
  本研究は,術後再発リスクを予測するための頑健な機械学習モデルを開発し,検証した。 コントラスト造影CTでは,術前臨床パラメータと放射線学的特徴に入力変数を制限した。 3ヶ月の再発予測モデルでは、AUCが0.723のクロスバリデーションで最適性能を示した。
  論文  参考訳（メタデータ） (2025-07-26T01:29:38Z)
• TACCO: Task-guided Co-clustering of Clinical Concepts and Patient Visits for Disease Subtyping based on EHR Data [42.96821770394798]
  TACCOは、EMHデータのハイパーグラフモデリングに基づいて、臨床概念と患者訪問のクラスターを共同で発見する新しいフレームワークである。 我々は,表現型分類と心血管リスク予測の下流臨床課題に対して,公共MIMIC-IIIデータセットとエモリー内部CRADLEデータセットを用いて実験を行った。 深層モデル解析,クラスタリング結果解析,臨床ケーススタディは,TACCOが提供した改良されたユーティリティと洞察に富んだ解釈をさらに検証する。
  論文  参考訳（メタデータ） (2024-06-14T14:18:38Z)
• SQUWA: Signal Quality Aware DNN Architecture for Enhanced Accuracy in Atrial Fibrillation Detection from Noisy PPG Signals [37.788535094404644]
  心房細動(AF)は脳卒中、心臓病、死亡のリスクを著しく増大させる。 光胸腺造影(PPG)信号は、運動人工物や、しばしば起立条件で遭遇する他の要因による腐敗に影響を受けやすい。 本研究では,一部劣化したPSGから正確な予測の維持方法を学習するための新しい深層学習モデルを提案する。
  論文  参考訳（メタデータ） (2024-04-15T01:07:08Z)
• SSASS: Semi-Supervised Approach for Stenosis Segmentation [9.767759441883008]
  冠状動脈構造の複雑さとX線像の固有ノイズが相まって,この課題には大きな課題が生じる。 心血管狭窄セグメンテーションに対する半監督的アプローチを提案する。 自動冠状動脈疾患診断では異常な成績を示した。
  論文  参考訳（メタデータ） (2023-11-17T02:01:19Z)
• Uncertainty Quantification in Machine Learning Based Segmentation: A Post-Hoc Approach for Left Ventricle Volume Estimation in MRI [0.0]
  左室容積推定は各種心血管疾患の診断・管理に重要である。 近年の機械学習、特にU-Netのような畳み込みネットワークは、医療画像の自動セグメンテーションを促進している。 本研究では,LV容積予測におけるポストホック不確実性推定のための新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-10-30T13:44:55Z)
• Multivessel Coronary Artery Segmentation and Stenosis Localisation using Ensemble Learning [3.656984996633334]
  そこで本研究では,MICCAI 2023 Automatic Region-based Coronary Artery Disease(冠状動脈疾患自動診断)のためのエンド・ツー・エンドの機械学習ソリューションを提案する。 X線冠動脈造影による冠動脈分画および狭窄性病変の局在性評価の方法の標準化を目的としている。 冠状動脈セグメンテーションでは平均F1スコアが37.69%、狭窄局所化では39.41%であった。
  論文  参考訳（メタデータ） (2023-10-27T08:03:12Z)
• Learning to diagnose cirrhosis from radiological and histological labels with joint self and weakly-supervised pretraining strategies [62.840338941861134]
  そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。 我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。 この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
  論文  参考訳（メタデータ） (2023-02-16T17:06:23Z)
• Prediction of the onset of cardiovascular diseases from electronic health records using multi-task gated recurrent units [51.14334174570822]
  本稿では,電子カルテから心血管イベントを予測するための注意機構を備えたマルチタスク・リカレントニューラルネットワークを提案する。 提案手法は、NHS Foundation Trustの5年間のデータを用いて、標準的な臨床リスク予測器(QRISK)と機械学習の代替手段と比較される。
  論文  参考訳（メタデータ） (2020-07-16T17:43:13Z)

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。