論文の概要: Breast Cancer Neoadjuvant Chemotherapy Treatment Response Prediction Using Aligned Longitudinal MRI and Clinical Data

• arxiv url: http://arxiv.org/abs/2512.17759v1
• Date: Fri, 19 Dec 2025 16:32:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-22 19:25:54.485782
• Title: Breast Cancer Neoadjuvant Chemotherapy Treatment Response Prediction Using Aligned Longitudinal MRI and Clinical Data
• Title（参考訳）: 正常縦隔MRIと臨床データを用いた乳腺癌のネオアジュバント化学療法治療反応予測
• Authors: Rahul Ravi, Ruizhe Li, Tarek Abdelfatah, Stephen Chan, Xin Chen,
• Abstract要約: 目的は、病理学的完全応答(PCRバイナリ分類)と5年間の再発のない生存状態(RFSバイナリ分類)を予測する機械学習モデルを開発することである。 提案するフレームワークは、腫瘍のセグメンテーション、画像登録、特徴抽出、予測モデリングを含む。 画像登録に基づく特徴抽出は予測モデルを一貫して改善する。
• 参考スコア（独自算出の注目度）: 6.850780131537867
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Aim: This study investigates treatment response prediction to neoadjuvant chemotherapy (NACT) in breast cancer patients, using longitudinal contrast-enhanced magnetic resonance images (CE-MRI) and clinical data. The goal is to develop machine learning (ML) models to predict pathologic complete response (PCR binary classification) and 5-year relapse-free survival status (RFS binary classification). Method: The proposed framework includes tumour segmentation, image registration, feature extraction, and predictive modelling. Using the image registration method, MRI image features can be extracted and compared from the original tumour site at different time points, therefore monitoring the intratumor changes during NACT process. Four feature extractors, including one radiomics and three deep learning-based (MedicalNet, Segformer3D, SAM-Med3D) were implemented and compared. In combination with three feature selection methods and four ML models, predictive models are built and compared. Results: The proposed image registration-based feature extraction consistently improves the predictive models. In the PCR and RFS classification tasks logistic regression model trained on radiomic features performed the best with an AUC of 0.88 and classification accuracy of 0.85 for PCR classification, and AUC of 0.78 and classification accuracy of 0.72 for RFS classification. Conclusions: It is evidenced that the image registration method has significantly improved performance in longitudinal feature learning in predicting PCR and RFS. The radiomics feature extractor is more effective than the pre-trained deep learning feature extractors, with higher performance and better interpretability.
• Abstract（参考訳）: 本研究は, 乳がん患者に対するネオアジュバント化学療法(NACT)に対する治療反応の予測について, 経時的造影MRI画像(CE-MRI)と臨床データを用いて検討した。 目的は、病理学的完全応答(PCRバイナリ分類)と5年間の再発のない生存状態(RFSバイナリ分類)を予測する機械学習(ML)モデルを開発することである。 方法: 提案するフレームワークは, 腫瘍のセグメンテーション, 画像登録, 特徴抽出, 予測モデリングを含む。 画像登録法を用いて、MRI画像の特徴を、異なる時点の原腫瘍部位から抽出し、比較することができるので、NATプロセス中の腫瘍内変化をモニタリングすることができる。 1つの放射能と3つのディープラーニングベース(MedicalNet, Segformer3D, SAM-Med3D)を含む4つの特徴抽出器を実装し比較した。 3つの特徴選択法と4つのMLモデルを組み合わせて、予測モデルを構築し、比較する。 結果: 画像登録に基づく特徴抽出は, 常に予測モデルを改善する。 PCR, RFS分類では, 放射能特性を訓練したロジスティック回帰モデルが最も良く, AUCは0.88, PCR分類は0.85, AUCは0.78, RFS分類は0.72であった。 結論: PCR および RFS の予測において, 画像登録法が長手特徴学習における性能を著しく向上したことが証明された。 放射能特徴抽出器は、事前訓練された深層学習特徴抽出器よりも有効であり、高い性能と高い解釈性を有する。

関連論文リスト

• MRI-Based Brain Tumor Detection through an Explainable EfficientNetV2 and MLP-Mixer-Attention Architecture [0.0]
  脳腫瘍は、死亡率が高いため早期診断を必要とする深刻な健康問題である。 自動診断システムの必要性は日々増している。 脳腫瘍の分類のための頑健で説明可能なディープラーニングモデルを提案する。
  論文  参考訳（メタデータ） (2025-09-08T14:08:21Z)
• 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)
• Developing a Novel Image Marker to Predict the Clinical Outcome of Neoadjuvant Chemotherapy (NACT) for Ovarian Cancer Patients [1.7623658472574557]
  ネオアジュバント化学療法(ネオアジュバントセラピー、Neoadjuvant chemotherapy, NACT)は、卵巣がんの進行期における治療法の一つ。 NACTに対する部分的反応は、近位部破裂手術を引き起こす可能性があり、予後不良を引き起こす。 我々は,NATの早期に高精度な予後予測を実現するために,新しい画像マーカーを開発した。
  論文  参考訳（メタデータ） (2023-09-13T16:59:50Z)
• Recurrence-Free Survival Prediction for Anal Squamous Cell Carcinoma Chemoradiotherapy using Planning CT-based Radiomics Model [5.485361086613949]
  非転移性肛門扁平上皮癌(SCC)患者の約30%が化学療法後の再発を経験する 我々は,放射線前処置計画CTから抽出した情報を利用して,CRT後のSCC患者における再発無生存(RFS)を予測するモデルを開発した。
  論文  参考訳（メタデータ） (2023-09-05T20:22:26Z)
• Classification of lung cancer subtypes on CT images with synthetic pathological priors [41.75054301525535]
  同症例のCT像と病理像との間には,画像パターンに大規模な関連性が存在する。 肺がんサブタイプをCT画像上で正確に分類するための自己生成型ハイブリッド機能ネットワーク(SGHF-Net)を提案する。
  論文  参考訳（メタデータ） (2023-08-09T02:04:05Z)
• Improved Prognostic Prediction of Pancreatic Cancer Using Multi-Phase CT by Integrating Neural Distance and Texture-Aware Transformer [37.55853672333369]
  本稿では, 異なる患者のCT像における腫瘍と血管の正確な関係を記述した, 学習可能なニューラル距離を提案する。 発達したリスクマーカーは, 術前因子の生存率の予測因子として最強であった。
  論文  参考訳（メタデータ） (2023-08-01T12:46:02Z)
• Domain-specific transfer learning in the automated scoring of tumor-stroma ratio from histopathological images of colorectal cancer [1.2264932946286657]
  腫瘍-ストローマ比 (TSR) は多くの種類の固形腫瘍の予後因子である。 この方法は、大腸癌組織を分類するために訓練された畳み込みニューラルネットワークに基づいている。
  論文  参考訳（メタデータ） (2022-12-30T12:27:27Z)
• Improving Classification Model Performance on Chest X-Rays through Lung Segmentation [63.45024974079371]
  本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。 提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
  論文  参考訳（メタデータ） (2022-02-22T15:24:06Z)
• Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based Sparse PCA Network [93.22587316229954]
  ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。 我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
  論文  参考訳（メタデータ） (2021-10-27T19:28:36Z)
• 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。