論文の概要: Counterfactual Understanding via Retrieval-aware Multimodal Modeling for Time-to-Event Survival Prediction

• arxiv url: http://arxiv.org/abs/2602.19987v1
• Date: Mon, 23 Feb 2026 15:53:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-24 17:42:02.89121
• Title: Counterfactual Understanding via Retrieval-aware Multimodal Modeling for Time-to-Event Survival Prediction
• Title（参考訳）: 時間と事象の生存予測のための検索対応マルチモーダルモデリングによる因果的理解
• Authors: Ha-Anh Hoang Nguyen, Tri-Duc Phan Le, Duc-Hoang Pham, Huy-Son Nguyen, Cam-Van Thi Nguyen, Duc-Trong Le, Hoang-Quynh Le,
• Abstract要約: CUREは、総合的なマルチモーダル埋め込みと潜伏検索を通じて、対物生存モデリングを促進するフレームワークである。 MetaBRICおよびTCGA-LUADデータセットの実験結果から,提案したCUREモデルは生存分析において強いベースラインを一貫して上回ることを示した。
• 参考スコア（独自算出の注目度）: 1.5713805841057418
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper tackles the problem of time-to-event counterfactual survival prediction, aiming to optimize individualized survival outcomes in the presence of heterogeneity and censored data. We propose CURE, a framework that advances counterfactual survival modeling via comprehensive multimodal embedding and latent subgroup retrieval. CURE integrates clinical, paraclinical, demographic, and multi-omics information, which are aligned and fused through cross-attention mechanisms. Complex multi-omics signals can be adaptively refined using a mixture-of-experts architecture, emphasizing the most informative omics components. Building upon this representation, CURE implicitly retrieves patient-specific latent subgroups that capture both baseline survival dynamics and treatment-dependent variations. Experimental results on METABRIC and TCGA-LUAD datasets demonstrate that proposed CURE model consistently outperforms strong baselines in survival analysis, evaluated using the Time-dependent Concordance Index ($C^{td}$) and Integrated Brier Score (IBS). These findings highlight the potential of CURE to enhance multimodal understanding and serve as a foundation for future treatment recommendation models. All code and related resources are publicly available to facilitate the reproducibility https://github.com/L2R-UET/CURE.
• Abstract（参考訳）: 本稿では,異質性や検閲データの存在下での個人化された生存結果の最適化を目的とした,時間と時間との対実的生存予測の課題に取り組む。 本稿では, 包括的マルチモーダル埋め込みと潜在サブグループ検索により, 対実的サバイバルモデリングを推し進めるCUREを提案する。 CUREは臨床、寄生虫学、人口統計学、マルチオミクス情報を統合し、これらは横断的アテンション機構を通じて整列し融合する。 複雑なマルチオミクス信号は、知識の混合アーキテクチャを用いて適応的に洗練され、最も情報に富むオミクス成分を強調する。 この表現に基づいてCUREは、患者固有の潜伏サブグループを暗黙的に回収し、ベースライン生存のダイナミクスと治療依存のバリエーションの両方をキャプチャする。 METABRICおよびTCGA-LUADデータセットによる実験結果から,提案したCUREモデルは,時間依存コンコーダンス指数(C^{td}$)と統合ブライアスコア(IBS)を用いて,サバイバル分析における強いベースラインを一貫して上回り,評価されている。 これらの知見は、CUREがマルチモーダル理解を高め、将来の治療推奨モデルの基盤となる可能性を強調している。 すべてのコードおよび関連リソースは、再現性 https://github.com/L2R-UET/CURE を促進するために公開されている。

関連論文リスト

• MedFuse: Multiplicative Embedding Fusion For Irregular Clinical Time Series [13.933658032225317]
  MuFuse モジュールをベースとした不規則な臨床時系列のフレームワーク MedFuse を提案する。 3つの実世界のデータセットの実験によると、MedFuseは、主要な予測タスクにおける最先端のベースラインを一貫して上回っている。 これらの結果は、不規則な臨床時系列をモデル化するための一般化可能なアプローチとしてMedFuseを確立している。
  論文  参考訳（メタデータ） (2025-11-12T12:10:07Z)
• Integrating Genomics into Multimodal EHR Foundation Models [56.31910745104141]
  本稿では,ポリジェニックリスクスコア(PRS)を基本データモダリティとして統合した,革新的なEHR基盤モデルを提案する。 このフレームワークは、臨床データと遺伝子前置詞の複雑な関係を学習することを目的としている。 このアプローチは、病気の予測、積極的な健康管理、リスク階層化、パーソナライズされた治療戦略に対する新たな洞察を解放するために重要である。
  論文  参考訳（メタデータ） (2025-10-24T15:56:40Z)
• ADHAM: Additive Deep Hazard Analysis Mixtures for Interpretable Survival Regression [6.7535930849356225]
  生存分析(Survival analysis)は、医療における時間から時間までの成果をモデル化するための基本的なツールである。 本稿では,解釈可能な付加的生存モデルであるAdditive Deep Hazard Analysis Mixtures (ADHAM)を提案する。 我々は,ADHAMの集団,サブグループ,個人レベルでの解釈可能性を示す総合的研究を行った。
  論文  参考訳（メタデータ） (2025-09-08T18:04:14Z)
• impuTMAE: Multi-modal Transformer with Masked Pre-training for Missing Modalities Imputation in Cancer Survival Prediction [75.43342771863837]
  我々は,効率的なマルチモーダル事前学習戦略を備えた新しいトランスフォーマーに基づくエンドツーエンドアプローチである impuTMAE を紹介する。 マスクされたパッチを再構築することで、モダリティの欠如を同時に示唆しながら、モダリティ間の相互作用とモダリティ内相互作用を学習する。 本モデルは,TGA-GBM/LGGとBraTSデータセットを用いたグリオーマ生存予測のために,異種不完全データに基づいて事前訓練を行った。
  論文  参考訳（メタデータ） (2025-08-08T10:01:16Z)
• 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)
• EMERGE: Enhancing Multimodal Electronic Health Records Predictive Modeling with Retrieval-Augmented Generation [22.94521527609479]
  EMERGEはRetrieval-Augmented Generation(RAG)駆動のフレームワークであり、マルチモーダルEHR予測モデリングを強化する。 時系列データと臨床ノートからエンティティを抽出し,LLM(Large Language Models)を誘導し,プロのPrimeKGと整合させる。 抽出した知識は、患者の健康状態のタスク関連サマリーを生成するために使用される。
  論文  参考訳（メタデータ） (2024-05-27T10:53:15Z)
• Advancing Head and Neck Cancer Survival Prediction via Multi-Label Learning and Deep Model Interpretation [7.698783025721071]
  我々は,複数のHNC生存率を同時に予測するための,解釈可能なマルチラベル・マルチモーダル・ディープ・サバイバル予測フレームワーク IMLSP を提案する。 また、深層生存モデル視覚説明のために開発された、グラディエント重み付き時間イベント活性化マッピング手法であるGrad-TEAMを提案する。
  論文  参考訳（メタデータ） (2024-05-09T01:30:04Z)
• 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)
• Ambiguous Medical Image Segmentation using Diffusion Models [60.378180265885945]
  我々は,グループ洞察の分布を学習することで,複数の可算出力を生成する単一拡散モデルに基づくアプローチを提案する。 提案モデルでは,拡散の固有のサンプリングプロセスを利用してセグメンテーションマスクの分布を生成する。 その結果,提案手法は既存の最先端曖昧なセグメンテーションネットワークよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2023-04-10T17:58:22Z)

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。