論文の概要: SoC-DT: Standard-of-Care Aligned Digital Twins for Patient-Specific Tumor Dynamics

• arxiv url: http://arxiv.org/abs/2510.03287v1
• Date: Mon, 29 Sep 2025 04:14:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-07 16:52:58.716932
• Title: SoC-DT: Standard-of-Care Aligned Digital Twins for Patient-Specific Tumor Dynamics
• Title（参考訳）: SoC-DT:患者特異的腫瘍ダイナミックスのための標準化型デジタル双生児
• Authors: Moinak Bhattacharya, Gagandeep Singh, Prateek Prasanna,
• Abstract要約: スタンダード・オブ・ケア(SoC)療法下での腫瘍軌跡の正確な予測は、腫瘍学において大きな未解決の課題である。 反応拡散腫瘍成長モデルを統一する微分可能なフレームワークであるStandard-of-Care Digital Twin(SoC-DT)を紹介する。 また, SoC 処理時の安定性, 肯定性, スケーラビリティを確保するために, 暗黙的に指数関数的な時間差解決器 IMEX-SoC も提案されている。
• 参考スコア（独自算出の注目度）: 13.83306392535935
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate prediction of tumor trajectories under standard-of-care (SoC) therapies remains a major unmet need in oncology. This capability is essential for optimizing treatment planning and anticipating disease progression. Conventional reaction-diffusion models are limited in scope, as they fail to capture tumor dynamics under heterogeneous therapeutic paradigms. There is hence a critical need for computational frameworks that can realistically simulate SoC interventions while accounting for inter-patient variability in genomics, demographics, and treatment regimens. We introduce Standard-of-Care Digital Twin (SoC-DT), a differentiable framework that unifies reaction-diffusion tumor growth models, discrete SoC interventions (surgery, chemotherapy, radiotherapy) along with genomic and demographic personalization to predict post-treatment tumor structure on imaging. An implicit-explicit exponential time-differencing solver, IMEX-SoC, is also proposed, which ensures stability, positivity, and scalability in SoC treatment situations. Evaluated on both synthetic data and real world glioma data, SoC-DT consistently outperforms classical PDE baselines and purely data-driven neural models in predicting tumor dynamics. By bridging mechanistic interpretability with modern differentiable solvers, SoC-DT establishes a principled foundation for patient-specific digital twins in oncology, enabling biologically consistent tumor dynamics estimation. Code will be made available upon acceptance.
• Abstract（参考訳）: スタンダード・オブ・ケア(SoC)療法下での腫瘍軌跡の正確な予測は、腫瘍学において大きな未解決の課題である。 この能力は治療計画の最適化と疾患進行の予測に不可欠である。 従来の反応拡散モデルでは、均一な治療パラダイムの下で腫瘍の動態を捉えることができないため、範囲が限られている。 したがって、ゲノム学、人口統計学、治療体制における患者間の変動を考慮に入れながら、SoCの介入を現実的にシミュレートできる計算フレームワークが不可欠である。 反応拡散性腫瘍成長モデル, 個別のSOC介入(外科, 化学療法, 放射線療法), およびゲノム的, 人口動態的パーソナライゼーションを統合化し, 画像診断における後処理腫瘍構造を予測するための差別化可能なフレームワークであるStandard-of-Care Digital Twin(SoC-DT)を紹介した。 また, SoC 処理時の安定性, 肯定性, スケーラビリティを確保するために, 暗黙的に指数関数的な時間差解決器 IMEX-SoC も提案されている。 SoC-DTは、合成データと実世界のグリオーマデータの両方で評価され、腫瘍のダイナミクスを予測するために、古典的なPDEベースラインと純粋にデータ駆動神経モデルより一貫して優れている。 現代の微分可能解法と機械論的解釈性をブリッジすることで、SoC-DTは腫瘍学における患者固有のデジタル双生児の基本的な基盤を確立し、生物学的に一貫した腫瘍ダイナミクスの推定を可能にした。 コードは受理時に利用可能になる。

関連論文リスト

• PREDICT-GBM: Platform for Robust Evaluation and Development of Individualized Computational Tumor Models in Glioblastoma [0.0]
  モデリングと評価のための総合的なパイプラインとデータセットであるPreDICT-GBMを紹介する。 このプラットフォームは、専門家がキュレートした臨床データセットを使用して、最先端の腫瘍成長モデルの体系的なベンチマークを可能にする。
  論文  参考訳（メタデータ） (2025-09-15T13:23:23Z)
• LGE-Guided Cross-Modality Contrastive Learning for Gadolinium-Free Cardiomyopathy Screening in Cine CMR [51.11296719862485]
  CMRを用いたガドリニウムフリー心筋症スクリーニングのためのコントラシブラーニングおよびクロスモーダルアライメントフレームワークを提案する。 CMRとLate Gadolinium Enhancement (LGE) 配列の潜伏空間を整列させることにより, 本モデルでは線維症特異的な病理組織をCMR埋め込みにエンコードする。
  論文  参考訳（メタデータ） (2025-08-23T07:21:23Z)
• Counterfactual Probabilistic Diffusion with Expert Models [44.96279296893773]
  本稿では,不完全な専門家モデルからのガイダンスを取り入れた時系列拡散に基づくフレームワークを提案する。 我々の方法であるODE-Diffは、機械的およびデータ駆動的なアプローチをブリッジし、より信頼性が高く解釈可能な因果推論を可能にする。
  論文  参考訳（メタデータ） (2025-08-18T20:44:32Z)
• Medical World Model: Generative Simulation of Tumor Evolution for Treatment Planning [50.16114813279694]
  臨床診断に基づいて将来の疾患状態を視覚的に予測する医用世界モデル(MeWM)を紹介する。 MeWMは、(i)政策モデルとして機能する視覚言語モデルと、(ii)ダイナミックスモデルとして腫瘍生成モデルから構成される。 シミュレーション後腫瘍に対する生存解析を適用した逆ダイナミクスモデルを提案し,治療効果の評価と最適な臨床行動計画の選択を可能にした。
  論文  参考訳（メタデータ） (2025-06-02T23:50:40Z)
• STG: Spatiotemporal Graph Neural Network with Fusion and Spatiotemporal Decoupling Learning for Prognostic Prediction of Colorectal Cancer Liver Metastasis [9.511932098831322]
  大腸癌肝転移(KCCM)を予測するためのマルチモーダル時間グラフニューラルネットワーク(STG)フレームワークを提案する。 我々のSTGフレームワークはCT画像と臨床データをヘテロジニアスグラフ構造に結合し,腫瘍分布エッジの同時モデリングと時間的進化を可能にする。 軽量版ではパラメータ数を78.55%削減し、最先端の性能を維持している。
  論文  参考訳（メタデータ） (2025-05-06T02:41:34Z)
• MAST-Pro: Dynamic Mixture-of-Experts for Adaptive Segmentation of Pan-Tumors with Knowledge-Driven Prompts [54.915060471994686]
  MAST-Proは,ダイナミックなMixture-of-Experts(D-MoE)とパン腫瘍セグメンテーションのための知識駆動プロンプトを統合した新しいフレームワークである。 具体的には、テキストと解剖学的プロンプトは、腫瘍表現学習を導くドメイン固有の事前情報を提供し、D-MoEは、ジェネリックと腫瘍固有の特徴学習のバランスをとる専門家を動的に選択する。 マルチ解剖学的腫瘍データセットの実験では、MAST-Proは最先端のアプローチよりも優れており、トレーニング可能なパラメータを91.04%削減し、平均改善の5.20%を達成している。
  論文  参考訳（メタデータ） (2025-03-18T15:39:44Z)
• Synthetic CT image generation from CBCT: A Systematic Review [44.01505745127782]
  深層学習法を用いたコーンビームCT(CBCT)データから合成CT(sCT)画像を生成することは,放射線腫瘍学における重要な進歩である。 sCT 生成における深層学習アプローチの頻度を明らかにするため,35 件の関連研究を同定,解析した。
  論文  参考訳（メタデータ） (2025-01-22T13:54:07Z)
• Physics-Regularized Multi-Modal Image Assimilation for Brain Tumor Localization [3.666412718346211]
  本稿では,データ駆動と物理に基づくコスト関数を統合する新しい手法を提案する。 腫瘍組織と脳組織の学習分布が,それぞれの成長と弾性の方程式にどの程度順応するかを定量化する,ユニークな離散化手法を提案する。
  論文  参考訳（メタデータ） (2024-09-30T15:36:14Z)
• Integration of Graph Neural Network and Neural-ODEs for Tumor Dynamic Prediction [4.850774880198265]
  本稿では,二部グラフ畳み込みニューラルネットワーク(GCN)とニューラル正規微分方程式(Neural-ODE)を組み合わせたグラフエンコーダを提案する。 まず,本手法が経験的モデルにより著しく改善される腫瘍のダイナミックモデルを発見することができることを示す。 本研究は, 提案手法が有望であり, プリクリニカル・セッティングに応用できる可能性が示唆された。
  論文  参考訳（メタデータ） (2023-10-02T06:39:08Z)

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。