論文の概要: Post-TIPS Prediction via Multimodal Interaction: A Multi-Center Dataset and Framework for Survival, Complication, and Portal Pressure Assessment

• arxiv url: http://arxiv.org/abs/2510.10464v1
• Date: Sun, 12 Oct 2025 06:11:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 18:06:29.953837
• Title: Post-TIPS Prediction via Multimodal Interaction: A Multi-Center Dataset and Framework for Survival, Complication, and Portal Pressure Assessment
• Title（参考訳）: マルチモーダルインタラクションによるTIPS後予測:生存・合併症・口圧評価のためのマルチセンタデータセットとフレームワーク
• Authors: Junhao Dong, Dejia Liu, Ruiqi Ding, Zongxing Chen, Yingjie Huang, Zhu Meng, Jianbo Zhao, Zhicheng Zhao, Fei Su,
• Abstract要約: 経肝門脈門脈内シャント(TIPS)は門脈圧亢進症に対して確立された治療法であるが,変動生存と頻発性肝脳症(OHE)を呈する。 最近の研究では、通常、術前のCT画像や臨床特性から機械学習モデルを構築する。 我々は、TIPSの予後に関する最初の公開マルチセンターデータセットであるMultiTIPSを提案し、それに基づく新しいマルチモーダル・予後フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 23.819390753301136
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Transjugular intrahepatic portosystemic shunt (TIPS) is an established procedure for portal hypertension, but provides variable survival outcomes and frequent overt hepatic encephalopathy (OHE), indicating the necessity of accurate preoperative prognostic modeling. Current studies typically build machine learning models from preoperative CT images or clinical characteristics, but face three key challenges: (1) labor-intensive region-of-interest (ROI) annotation, (2) poor reliability and generalizability of unimodal methods, and (3) incomplete assessment from single-endpoint prediction. Moreover, the lack of publicly accessible datasets constrains research in this field. Therefore, we present MultiTIPS, the first public multi-center dataset for TIPS prognosis, and propose a novel multimodal prognostic framework based on it. The framework comprises three core modules: (1) dual-option segmentation, which integrates semi-supervised and foundation model-based pipelines to achieve robust ROI segmentation with limited annotations and facilitate subsequent feature extraction; (2) multimodal interaction, where three techniques, multi-grained radiomics attention (MGRA), progressive orthogonal disentanglement (POD), and clinically guided prognostic enhancement (CGPE), are introduced to enable cross-modal feature interaction and complementary representation integration, thus improving model accuracy and robustness; and (3) multi-task prediction, where a staged training strategy is used to perform stable optimization of survival, portal pressure gradient (PPG), and OHE prediction for comprehensive prognostic assessment. Extensive experiments on MultiTIPS demonstrate the superiority of the proposed method over state-of-the-art approaches, along with strong cross-domain generalization and interpretability, indicating its promise for clinical application. The dataset and code are available.
• Abstract（参考訳）: 経肝門脈門脈内シャント (TIPS) は門脈圧亢進症に対して確立された術式である。 最近の研究は、通常、術前CT画像や臨床特性から機械学習モデルを構築するが、(1)労働集約的関心領域(ROI)アノテーション、(2)単目的法の信頼性と一般化性、(3)単視点予測による不完全評価の3つの大きな課題に直面している。 さらに、パブリックアクセス可能なデータセットの欠如は、この分野の研究を制約している。 そこで本研究では,TIPS の診断のための最初の公開マルチセンターデータセットである MultiTIPS について紹介し,それに基づく新しいマルチモーダル・プログノースティック・フレームワークを提案する。 本フレームワークは,(1)半教師付きおよび基礎モデルに基づくパイプラインを統合して,強いROIセグメンテーションを達成し,その後の特徴抽出を促進する2つのコアモジュールから構成される。(2)マルチモーダル相互作用,(2)多粒性放射線強調(MGRA),進行直交歪み(POD),臨床ガイド付き予後拡張(CGPE)の3つのテクニックが導入され,機能間相互作用と相補的表現の統合が可能となり,モデル精度と堅牢性が改善される。(3)マルチタスク予測では,生存率の安定な最適化を行うための段階的トレーニング戦略,(PPG)ポータル圧力勾配(PPG)、OHE予測の3つのテクニックが導入された。 MultiTIPSの広範な実験は、最先端アプローチよりも提案手法が優れていること、強力なクロスドメインの一般化と解釈可能性を示し、臨床応用の可能性を示唆している。 データセットとコードは利用可能だ。

関連論文リスト

• RAD: Towards Trustworthy Retrieval-Augmented Multi-modal Clinical Diagnosis [56.373297358647655]
  Retrieval-Augmented Diagnosis (RAD)は、下流タスクで直接マルチモーダルモデルに外部知識を注入する新しいフレームワークである。 RADは、複数の医療ソースからの疾患中心の知識の検索と改善、ガイドライン強化コントラスト損失トランスフォーマー、デュアルデコーダの3つの主要なメカニズムで機能する。
  論文  参考訳（メタデータ） (2025-09-24T10:36:14Z)
• MedSeqFT: Sequential Fine-tuning Foundation Models for 3D Medical Image Segmentation [55.37355146924576]
  MedSeqFTは、医用画像解析のためのシーケンシャルな微調整フレームワークである。 事前訓練されたモデルを新しいタスクに適応させ、表現能力を改善する。 最先端の微調整戦略を一貫して上回ります。
  論文  参考訳（メタデータ） (2025-09-07T15:22:53Z)
• Cross-Modality Masked Learning for Survival Prediction in ICI Treated NSCLC Patients [8.798544846026676]
  免疫療法を施行した非小細胞肺癌(NSCLC)患者の大規模データセットについて報告する。 本稿では,生存予測の精度向上を目的としたマルチモーダル機能融合のための新しいフレームワークを提案する。 提案手法は,NSCLCサバイバル予測のためのマルチモーダル統合において,既存手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2025-07-09T16:19:31Z)
• 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)
• XAI for In-hospital Mortality Prediction via Multimodal ICU Data [57.73357047856416]
  マルチモーダルICUデータを用いて病院内死亡率を予測するための,効率的で説明可能なAIソリューションを提案する。 我々は,臨床データから異種入力を受信し,意思決定を行うマルチモーダル・ラーニングを我々のフレームワークに導入する。 我々の枠組みは、医療研究において重要な要素の発見を容易にする他の臨床課題に容易に移行することができる。
  論文  参考訳（メタデータ） (2023-12-29T14:28:04Z)
• TTMFN: Two-stream Transformer-based Multimodal Fusion Network for Survival Prediction [7.646155781863875]
  生存予測のための2ストリームトランスフォーマーベースマルチモーダルフュージョンネットワーク(TTMFN)という新しいフレームワークを提案する。 TTMFNでは、異なるモード間の複雑な関係をフル活用するために、2ストリームマルチモーダルコアテンショントランスモジュールを提案する。 The Cancer Genome Atlasの4つのデータセットによる実験結果は、TMFNが最高のパフォーマンスまたは競争的な結果を得ることができることを示した。
  論文  参考訳（メタデータ） (2023-11-13T02:31:20Z)
• Quantifying & Modeling Multimodal Interactions: An Information Decomposition Framework [89.8609061423685]
  本稿では,入力モーダル性と出力タスクを関連付けた冗長性,特異性,シナジーの度合いを定量化する情報理論手法を提案する。 PID推定を検証するために、PIDが知られている合成データセットと大規模マルチモーダルベンチマークの両方で広範な実験を行う。 本研究では,(1)マルチモーダルデータセット内の相互作用の定量化,(2)マルチモーダルモデルで捉えた相互作用の定量化,(3)モデル選択の原理的アプローチ,(4)実世界のケーススタディの3つにその有用性を示す。
  論文  参考訳（メタデータ） (2023-02-23T18:59:05Z)

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。