論文の概要: LLM Augmented Intervenable Multimodal Adaptor for Post-operative Complication Prediction in Lung Cancer Surgery

• arxiv url: http://arxiv.org/abs/2601.14154v1
• Date: Tue, 20 Jan 2026 16:58:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:23.420896
• Title: LLM Augmented Intervenable Multimodal Adaptor for Post-operative Complication Prediction in Lung Cancer Surgery
• Title（参考訳）: 肺癌術後合併症予測のためのLLM拡張型インターベンショナルマルチモーダルアダプタ
• Authors: Shubham Pandey, Bhavin Jawade, Srirangaraj Setlur, Venu Govindaraju, Kenneth Seastedt,
• Abstract要約: 肺癌術後合併症のリスクを予測するための深層学習アーキテクチャであるMIRACLEを提案する。 MIRACLEはヘテロジニアス入力の超球面埋め込み空間融合を採用し、堅牢で差別的な特徴の抽出を可能にする。 我々は,Roswell Park Comprehensive Cancer Centerで手術を受けた3,094人の肺癌患者を対象とした実世界のPOC-Lに対するアプローチを検証した。
• 参考スコア（独自算出の注目度）: 7.921472998621774
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Postoperative complications remain a critical concern in clinical practice, adversely affecting patient outcomes and contributing to rising healthcare costs. We present MIRACLE, a deep learning architecture for prediction of risk of postoperative complications in lung cancer surgery by integrating preoperative clinical and radiological data. MIRACLE employs a hyperspherical embedding space fusion of heterogeneous inputs, enabling the extraction of robust, discriminative features from both structured clinical records and high-dimensional radiological images. To enhance transparency of prediction and clinical utility, we incorporate an interventional deep learning module in MIRACLE, that not only refines predictions but also provides interpretable and actionable insights, allowing domain experts to interactively adjust recommendations based on clinical expertise. We validate our approach on POC-L, a real-world dataset comprising 3,094 lung cancer patients who underwent surgery at Roswell Park Comprehensive Cancer Center. Our results demonstrate that MIRACLE outperforms various traditional machine learning models and contemporary large language models (LLM) variants alone, for personalized and explainable postoperative risk management.
• Abstract（参考訳）: 術後合併症は, 患者の予後に悪影響を及ぼし, 医療費の上昇に寄与している。 MIRACLEは,術前臨床および放射線学的データを統合することで,肺癌術後合併症のリスクを予測するための深層学習アーキテクチャである。 MIRACLEは、ヘテロジニアス入力の超球面埋め込み空間融合を用いて、構造化された臨床記録と高次元放射線画像の両方から堅牢で差別的な特徴を抽出することができる。 予測の透明性と臨床的有用性を高めるため,MIRACLEに介入型深層学習モジュールを組み込んだ。 我々は,Roswell Park Comprehensive Cancer Centerで手術を受けた3,094人の肺癌患者を対象とした実世界のPOC-Lに対するアプローチを検証した。 MIRACLEは、パーソナライズされた、説明可能な術後リスク管理のために、従来の機械学習モデルや現代大規模言語モデル(LLM)のみよりも優れていることを示す。

関連論文リスト

• Enhancing Lung Cancer Treatment Outcome Prediction through Semantic Feature Engineering Using Large Language Models [5.778370321351782]
  GKC(Goal-oriented Knowledge Curators)として,LLM(Large Language Models)を用いたフレームワークを導入する。 GKCは、実験室、ゲノム、薬品のデータを高忠実でタスク整合性のある特徴に変換する。 我々はGKCを専門家が設計した機能、直接テキスト埋め込み、エンドツーエンドのトランスフォーマーと比較した。
  論文  参考訳（メタデータ） (2025-12-01T23:56:45Z)
• A Narrative Review on Large AI Models in Lung Cancer Screening, Diagnosis, and Treatment Planning [8.431488361911754]
  肺がんは世界中で最も流行し、致命的な疾患の1つである。 大規模AIモデルの最近の進歩は、医療画像理解と臨床的意思決定を大幅に強化した。 本稿では, 肺がん検診, 診断, 予後, 治療における大規模AIモデルの適用状況について, 系統的に検討する。
  論文  参考訳（メタデータ） (2025-06-08T17:42:24Z)
• Multimodal Doctor-in-the-Loop: A Clinically-Guided Explainable Framework for Predicting Pathological Response in Non-Small Cell Lung Cancer [0.7003240413492382]
  本研究は,非小細胞肺癌に対するネオアジュバント治療中の病態応答を予測するために,マルチモーダル深層学習と固有eXplainable Artificial Intelligence技術を組み合わせた新しいアプローチを提案する。 既存の放射線学と一元的深層学習のアプローチの限界により、画像と臨床データを統合し、データモダリティ間の効率的な相互作用を可能にする中間融合戦略を導入する。 その結果、予測精度と説明可能性の向上が示され、臨床応用のための最適なデータ統合戦略に関する洞察が得られた。
  論文  参考訳（メタデータ） (2025-05-02T16:57:37Z)
• Doctor-in-the-Loop: An Explainable, Multi-View Deep Learning Framework for Predicting Pathological Response in Non-Small Cell Lung Cancer [0.6800826356148091]
  非小細胞肺癌(NSCLC)はいまだに世界的な健康上の課題である。 専門家主導のドメイン知識と説明可能な人工知能技術を統合する新しいフレームワークであるDoctor-in-the-Loopを提案する。 アプローチでは段階的なマルチビュー戦略を採用し,より広いコンテキスト特徴からより微細で病変特異的な詳細まで,モデルの焦点を段階的に洗練する。
  論文  参考訳（メタデータ） (2025-02-21T16:35:30Z)
• 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)
• End-to-End Breast Cancer Radiotherapy Planning via LMMs with Consistency Embedding [47.360760580820966]
  放射線腫瘍学の分野に適した包括的大規模マルチモーダルモデル(LMM)であるRO-LMMを提案する。 このモデルは臨床ワークフロー内の一連のタスクを効果的に管理し、臨床コンテキストの要約、放射線治療計画の提案、計画誘導されたターゲットボリュームセグメンテーションを含む。 クリーン入力処理の整合性を維持しつつ,LMMのノイズ入力に対する堅牢性を向上する,CEFTune(Consistency Embedding Fine-Tuning)技術を提案する。
  論文  参考訳（メタデータ） (2023-11-27T14:49:06Z)
• Prediction of Post-Operative Renal and Pulmonary Complications Using Transformers [69.81176740997175]
  術後急性腎不全,肺合併症,院内死亡の予測におけるトランスフォーマーモデルの有用性について検討した。 以上の結果から,トランスフォーマーモデルにより術後合併症の予測や従来の機械学習モデルよりも優れた性能が得られることが示された。
  論文  参考訳（メタデータ） (2023-06-01T14:08:05Z)
• Enhancing Clinical Support for Breast Cancer with Deep Learning Models using Synthetic Correlated Diffusion Imaging [66.63200823918429]
  深層学習モデルを用いた乳癌に対する臨床支援の強化について検討した。 我々は、体積畳み込みニューラルネットワークを利用して、前処理コホートから深い放射能特徴を学習する。 提案手法は, グレードと処理後応答予測の両方において, より良い性能を実現することができる。
  論文  参考訳（メタデータ） (2022-11-10T03:02:12Z)

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。