論文の概要: Multimodal Oncology Agent for IDH1 Mutation Prediction in Low-Grade Glioma

• arxiv url: http://arxiv.org/abs/2512.05824v1
• Date: Fri, 05 Dec 2025 15:43:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-13 22:40:57.087827
• Title: Multimodal Oncology Agent for IDH1 Mutation Prediction in Low-Grade Glioma
• Title（参考訳）: 低重力グリオーマにおけるIDH1変異予測のためのマルチモーダルオンコロジー剤
• Authors: Hafsa Akebli, Adam Shephard, Vincenzo Della Mea, Nasir Rajpoot,
• Abstract要約: 本研究は,低次グリオーマにおけるIDH1変異予測のためのTITAN基盤モデルに基づく組織学ツールを統合するMOA(Multimodal Oncology Agent)を提案する。 以上の結果から,MOAは外部のバイオメディカルソースを通じて蓄積された相補的突然変異関連情報を捕捉し,正確なIDH1変異予測を可能にする。
• 参考スコア（独自算出の注目度）: 0.5499435453529261
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Low-grade gliomas frequently present IDH1 mutations that define clinically distinct subgroups with specific prognostic and therapeutic implications. This work introduces a Multimodal Oncology Agent (MOA) integrating a histology tool based on the TITAN foundation model for IDH1 mutation prediction in low-grade glioma, combined with reasoning over structured clinical and genomic inputs through PubMed, Google Search, and OncoKB. MOA reports were quantitatively evaluated on 488 patients from the TCGA-LGG cohort against clinical and histology baselines. MOA without the histology tool outperformed the clinical baseline, achieving an F1-score of 0.826 compared to 0.798. When fused with histology features, MOA reached the highest performance with an F1-score of 0.912, exceeding both the histology baseline at 0.894 and the fused histology-clinical baseline at 0.897. These results demonstrate that the proposed agent captures complementary mutation-relevant information enriched through external biomedical sources, enabling accurate IDH1 mutation prediction.
• Abstract（参考訳）: 低次グリオーマは、特定の予後および治療上の意味を持つ臨床的に異なるサブグループを定義するIDH1変異をしばしば提示する。 本研究は,低次グリオーマにおけるIDH1変異予測のためのTITAN基盤モデルに基づく組織学ツールと,PubMed,Google Search,OncoKBによる構造的臨床およびゲノム入力の推論を組み合わせたMOA(Multimodal Oncology Agent)を紹介する。 TCGA-LGGコホート488例を対象に,臨床および病理組織学的ベースラインに対するMOA報告を定量的に検討した。 MOAは臨床ベースラインより優れており、0.798に対してF1スコアは0.826であった。 組織学的特徴と融合すると、MOAはF1スコア0.912で最高性能に達し、組織学ベースライン0.894、融合組織学クリニカルベースライン0.897を上回った。 以上の結果から, バイオメディカルソースから得られた相補的変異関連情報を捕捉し, 正確なIDH1変異予測を可能にすることが示唆された。

関連論文リスト

• Automated Identification of Incidentalomas Requiring Follow-Up: A Multi-Anatomy Evaluation of LLM-Based and Supervised Approaches [5.958100741754613]
  インシデントアロマの微細な病変レベル検出のために,大規模言語モデル(LLM)を教師付きベースラインと比較した。 そこで我々は,病変タグ付き入力と解剖学的認識を用いた新しい推論手法を導入し,基礎モデル推論を推し進めた。 解剖学的インフォームドGPT-OSS-20bモデルが最も高い性能を示し, 奇形腫陽性マクロF1の0.79。
  論文  参考訳（メタデータ） (2025-12-05T08:49:57Z)
• NeuroRAD-FM: A Foundation Model for Neuro-Oncology with Distributionally Robust Training [12.168374910250572]
  既存の基礎モデル(FM)は、異常な分子マーカーを予測するのに不十分である。 我々は,腫瘍の表現型を正確に推定できる分布的ロバストな損失関数を有する神経腫瘍学特異的FMを開発した。 CUIMC 0.592 から 0.597 に、UPenn 0.647 から 0.672 に、UCSF 0.600 から 0.627 に改良された。
  論文  参考訳（メタデータ） (2025-09-18T20:43:08Z)
• Predicting Length of Stay in Neurological ICU Patients Using Classical Machine Learning and Neural Network Models: A Benchmark Study on MIMIC-IV [49.1574468325115]
  本研究は、MIMIC-IVデータセットに基づく神経疾患患者を対象とした、ICUにおけるLOS予測のための複数のMLアプローチについて検討する。 評価されたモデルには、古典的MLアルゴリズム(K-Nearest Neighbors、Random Forest、XGBoost、CatBoost)とニューラルネットワーク(LSTM、BERT、テンポラルフュージョントランス)が含まれる。
  論文  参考訳（メタデータ） (2025-05-23T14:06:42Z)
• Diagnostic performance of deep learning for predicting glioma isocitrate dehydrogenase and 1p/19q co-deletion in MRI: a systematic review and meta-analysis [0.0]
  MRIを用いたグリオーマ患者におけるisocitrate dehydrogenase (IDH)変異と1p/19q同時欠失の予測のための深層学習モデルの評価を行った。 私たちは2025年3月まで、主要なデータベース( Scopus、Embase、Web of Science、Google Scholar)を検索しました。 The Radiomics Quality Score and the QUADAS-2 tool。
  論文  参考訳（メタデータ） (2024-10-28T13:39:52Z)
• CIMIL-CRC: a clinically-informed multiple instance learning framework for patient-level colorectal cancer molecular subtypes classification from H\&E stained images [42.771819949806655]
  CIMIL-CRCは、事前学習した特徴抽出モデルと主成分分析(PCA)を効率よく組み合わせ、全てのパッチから情報を集約することで、MSI/MSS MIL問題を解決するフレームワークである。 我々は,TCGA-CRC-DXコホートを用いたモデル開発のための5倍のクロスバリデーション実験装置を用いて,曲線下平均面積(AUC)を用いてCIMIL-CRC法の評価を行った。
  論文  参考訳（メタデータ） (2024-01-29T12:56:11Z)
• Deep learning-based approach to reveal tumor mutational burden status from whole slide images across multiple cancer types [41.61294299606317]
  腫瘍突然変異負担(TMB)は、免疫療法の潜在的なゲノムバイオマーカーである。 ゲノムシークエンシングによって検出されたTMBは、低リソース環境での臨床透過性を欠いている。 本研究では,日常的に使用されているスライド画像からTMB状態を検出するための大規模ディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-04-07T07:02:32Z)
• Deep Orthogonal Fusion: Multimodal Prognostic Biomarker Discovery Integrating Radiology, Pathology, Genomic, and Clinical Data [0.32622301272834525]
  グリオーマ患者の生存率 (OS) を, 深層直交核融合モデルを用いて予測した。 このモデルは、MRI検査、生検に基づくモダリティ、臨床変数から得た情報を総合的なマルチモーダルリスクスコアに組み合わせることを学ぶ。 グリオーマ患者を臨床的サブセット内でOSにより明らかに層分けし、予後不良な臨床グレーディングと分子サブタイプにさらに粒度を付加する。
  論文  参考訳（メタデータ） (2021-07-01T17:59:01Z)
• A multi-stage machine learning model on diagnosis of esophageal manometry [50.591267188664666]
  このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。 これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
  論文  参考訳（メタデータ） (2021-06-25T20:09:23Z)
• Comparison of Machine Learning Classifiers to Predict Patient Survival and Genetics of GBM: Towards a Standardized Model for Clinical Implementation [44.02622933605018]
  放射線モデルは、グリオ芽腫(GBM)の結果予測のための臨床データを上回ることが示されています。 GBM患者の生存率(OS),IDH変異,O-6-メチルグアニン-DNA-メチルトランスフェラーゼ(MGMT)プロモーターメチル化,EGFR(EGFR)VII増幅,Ki-67発現の9種類の機械学習分類器を比較した。 xgb は os (74.5%), ab for idh 変異 (88%), mgmt メチル化 (71,7%), ki-67 発現 (86,6%), egfr増幅 (81。
  論文  参考訳（メタデータ） (2021-02-10T15:10:37Z)

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。