論文の概要: Clinical-Injection Transformer with Domain-Adapted MAE for Lupus Nephritis Prognosis Prediction

• arxiv url: http://arxiv.org/abs/2603.05535v1
• Date: Wed, 04 Mar 2026 03:38:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-09 13:17:44.095115
• Title: Clinical-Injection Transformer with Domain-Adapted MAE for Lupus Nephritis Prognosis Prediction
• Title（参考訳）: ループス腎炎予後予測のための領域適応MAEを用いた臨床注入変圧器
• Authors: Yuewen Huang, Zhitao Ye, Guangnan Feng, Fudan Zheng, Xia Gao, Yutong Lu,
• Abstract要約: ループス腎炎 (LN) は全身性エリテマトーデスの重篤な合併症である。 小児LNにおける3クラス治療応答予測のための最初のマルチモーダル・コンピューティング・パロジ・フレームワークを提案する。 本手法は3クラス精度90.1%,AUC89.4%を実現し,高精度で費用対効果の高い予後ツールとしての可能性を示した。
• 参考スコア（独自算出の注目度）: 8.313395301960762
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Lupus nephritis (LN) is a severe complication of systemic lupus erythematosus that affects pediatric patients with significantly greater severity and worse renal outcomes compared to adults. Despite the urgent clinical need, predicting pediatric LN prognosis remains unexplored in computational pathology. Furthermore, the only existing histopathology-based approach for LN relies on multiple costly staining protocols and fails to integrate complementary clinical data. To address these gaps, we propose the first multimodal computational pathology framework for three-class treatment response prediction (complete remission, partial response, and no response) in pediatric LN, utilizing only routine PAS-stained biopsies and structured clinical data. Our framework introduces two key methodological innovations. First, a Clinical-Injection Transformer (CIT) embeds clinical features as condition tokens into patch-level self-attention, facilitating implicit and bidirectional cross-modal interactions within a unified attention space. Second, we design a decoupled representation-knowledge adaptation strategy using a domain-adapted Masked Autoencoder (MAE). This strategy explicitly separates self-supervised morphological feature learning from pathological knowledge extraction. Additionally, we introduce a multi-granularity morphological type injection mechanism to bridge distilled classification knowledge with downstream prognostic predictions at both the instance and patient levels. Evaluated on a cohort of 71 pediatric LN patients with KDIGO-standardized labels, our method achieves a three-class accuracy of 90.1% and an AUC of 89.4%, demonstrating its potential as a highly accurate and cost-effective prognostic tool.
• Abstract（参考訳）: ループス腎炎 (LN) は全身性エリテマトーデスの重篤な合併症である。 急激な臨床ニーズにもかかわらず、小児LN予後の予測は計算病理学では未解明のままである。 さらに、LNの既存の病理組織学的アプローチは、複数のコストのかかる染色プロトコルに依存しており、相補的な臨床データを統合できない。 これらのギャップに対処するために,小児LNにおける3段階の治療応答予測(完全寛解,部分応答,無応答)のための最初のマルチモーダル計算病理フレームワークを提案する。 私たちのフレームワークは2つの重要な方法論的革新を導入します。 第一に、CIT(Citial-Injection Transformer)は、条件トークンとして臨床特徴をパッチレベルの自己注意に組み込み、統一された注意空間内の暗黙的および双方向な相互モーダル相互作用を促進する。 第2に,ドメイン適応型Masked Autoencoder (MAE) を用いた非結合型表現知識適応戦略を設計する。 この戦略は、自己教師型形態的特徴学習を病理知識抽出から明確に分離する。 また,多粒性モルフォロジー型注入機構を導入し,実例および患者レベルで下流の予後予測を用いて蒸留した分類知識を橋渡しする。 KDIGO標準化ラベルを用いた71名の小児LN患者のコホートを用いて, 精度90.1%, AUC89.4%を達成し, 高精度で費用対効果の高い予後診断ツールとしての可能性を示した。

関連論文リスト

• Toxicity Assessment in Preclinical Histopathology via Class-Aware Mahalanobis Distance for Known and Novel Anomalies [10.430313289285158]
  薬物による毒性は、先天的な発達と初期の臨床試験の失敗の主因である。 組織学的全スライディング画像(WSI)のためのAIベースの異常検出フレームワークを,毒性研究から紹介した。 このシステムは、トレーニングデータが利用可能である健康な組織と既知の病理(アナマリー)を特定する。 アウト・オブ・ディストリビューション(OOD:out-of-distribution)の所見として、トレーニングデータなしで希少な病理を検出できる。
  論文  参考訳（メタデータ） (2026-02-02T14:07:33Z)
• One-shot synthesis of rare gastrointestinal lesions improves diagnostic accuracy and clinical training [45.49415063761575]
  EndoRareは、単一の参照画像から多種多様な高忠実度病変を合成する、ワンショットでリトレーニング不要な生成フレームワークである。 われわれはこの枠組みを4つの稀な病理から検証した。 これらの結果は, コンピュータ支援診断と臨床教育の両方において, 希少なギャップを埋める実践的でデータ効率のよい方法を確立している。
  論文  参考訳（メタデータ） (2025-12-30T15:07:09Z)
• Towards Accurate and Interpretable Neuroblastoma Diagnosis via Contrastive Multi-scale Pathological Image Analysis [16.268045905735818]
  病理画像分類に適したコントラスト学習に基づくマルチスケール機能融合モデルであるCMSwinKANを提案する。 マルチスケールの特徴を融合させ、対照的な学習戦略を活用することで、CMSwinKANは臨床医の包括的なアプローチを模倣する。 その結果、CMSwinKANは、既存の最先端の病理モデルよりも、大規模なデータセットで事前訓練されたモデルよりもパフォーマンスがよいことが示された。
  論文  参考訳（メタデータ） (2025-04-18T15:39:46Z)
• 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)
• Zero-Shot Clinical Trial Patient Matching with LLMs [40.31971412825736]
  大規模言語モデル(LLM)は、自動スクリーニングの有望なソリューションを提供する。 我々は,患者の診療歴を非構造的臨床テキストとして考慮し,その患者が包括的基準を満たしているかどうかを評価するLCMベースのシステムを構築した。 提案システムは,n2c2 2018コホート選択ベンチマークにおいて,最先端のスコアを達成している。
  論文  参考訳（メタデータ） (2024-02-05T00:06:08Z)
• Tissue Classification During Needle Insertion Using Self-Supervised Contrastive Learning and Optical Coherence Tomography [53.38589633687604]
  針先端で取得した複雑なCT信号の位相および強度データから組織を分類するディープニューラルネットワークを提案する。 トレーニングセットの10%で、提案した事前学習戦略により、モデルが0.84のF1スコアを達成するのに対して、モデルが0.60のF1スコアを得るのに対して、モデルが0.84のF1スコアを得るのに役立ちます。
  論文  参考訳（メタデータ） (2023-04-26T14:11:04Z)
• Meta-information-aware Dual-path Transformer for Differential Diagnosis of Multi-type Pancreatic Lesions in Multi-phase CT [41.199716328468895]
  膵病変の分類と分節の可能性を活用するために, デュアルパストランスフォーマーを開発した。 提案手法は, CNN-based segmentation path (S-path) と Transformer-based classification path (C-path) から構成される。 以上の結果から,膵病変の完全分類の正確な分類と分類が可能であることが示唆された。
  論文  参考訳（メタデータ） (2023-03-02T03:34:28Z)
• A Pathology-Based Machine Learning Method to Assist in Epithelial Dysplasia Diagnosis [0.0]
  上皮性Dysplasia(ED)は口腔癌に先行する病変にみられる組織変化である。 本研究では, 変形性上皮の検出を支援するために, 計算コストの低い分類システムを設計する手法を提案する。
  論文  参考訳（メタデータ） (2022-04-07T16:45:28Z)
• SpineOne: A One-Stage Detection Framework for Degenerative Discs and Vertebrae [54.751251046196494]
  SpineOneと呼ばれる一段階検出フレームワークを提案し、MRIスライスから変性椎骨と椎骨を同時に局在化・分類する。 1)キーポイントの局所化と分類を促進するためのキーポイント・ヒートマップの新しい設計、2)ディスクと脊椎の表現をよりよく区別するためのアテンション・モジュールの使用、3)後期訓練段階における複数の学習目標を関連付けるための新しい勾配誘導客観的アソシエーション機構。
  論文  参考訳（メタデータ） (2021-10-28T12:59:06Z)
• Using machine learning techniques to predict hospital admission at the emergency department [0.0]
  救急部門(ED)における最も重要な課題の一つは、病院入院の恩恵を受ける患者を迅速に特定することである。 機械学習(ML)技術は、医療における診断支援として有望であることを示している。 本研究は,病院入院の予測における業績について,以下の特徴について考察した。
  論文  参考訳（メタデータ） (2021-06-23T16:37:37Z)
• Inheritance-guided Hierarchical Assignment for Clinical Automatic Diagnosis [50.15205065710629]
  臨床診断は、臨床ノートに基づいて患者に診断符号を割り当てることを目的としており、臨床意思決定において重要な役割を担っている。 本稿では,臨床自動診断のための継承誘導階層と共起グラフの伝播を組み合わせた新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2021-01-27T13:16:51Z)

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。