論文の概要: Brain-WM: Brain Glioblastoma World Model

• arxiv url: http://arxiv.org/abs/2603.07562v1
• Date: Sun, 08 Mar 2026 09:54:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-10 15:13:14.811374
• Title: Brain-WM: Brain Glioblastoma World Model
• Title（参考訳）: 脳-WM:脳神経芽細胞腫の世界モデル
• Authors: Chenhui Wang, Boyun Zheng, Liuxin Bao, Zhihao Peng, Peter Y. M. Woo, Hongming Shan, Yixuan Yuan,
• Abstract要約: 我々は、次世代治療予測と将来のMRI生成を統一する先駆的なGBMワールドモデルであるBrain-WMを提案する。 Brain-WMは、潜在ダイナミクスを共有潜在空間に符号化し、関節自己回帰治療予測とフローベース将来のMRI生成を行う。 最終的にBrain-WMは、患者医療を最適化するための堅牢な臨床サンドボックスを提供する。
• 参考スコア（独自算出の注目度）: 56.45393372490125
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Precise prognostic modeling of glioblastoma (GBM) under varying treatment interventions is essential for optimizing clinical outcomes. While generative AI has shown promise in simulating GBM evolution, existing methods typically treat interventions as static conditional inputs rather than dynamic decision variables. Consequently, they fail to capture the complex, reciprocal interplay between tumor evolution and treatment response. To bridge this gap, we present Brain-WM, a pioneering brain GBM world model that unifies next-step treatment prediction and future MRI generation, thereby capturing the co-evolutionary dynamics between tumor and treatment. Specifically, Brain-WM encodes spatiotemporal dynamics into a shared latent space for joint autoregressive treatment prediction and flow-based future MRI generation. Then, instead of a conventional monolithic framework, Brain-WM adopts a novel Y-shaped Mixture-of-Transformers (MoT) architecture. This design structurally disentangles heterogeneous objectives, successfully leveraging cross-task synergies while preventing feature collapse. Finally, a synergistic multi-timepoint mask alignment objective explicitly anchors latent representations to anatomically grounded tumor structures and progression-aware semantics. Extensive validation on internal and external multi-institutional cohorts demonstrates the superiority of Brain-WM, achieving 91.5% accuracy in treatment planning and SSIMs of 0.8524, 0.8581, and 0.8404 for FLAIR, T1CE, and T2W sequences, respectively. Ultimately, Brain-WM offers a robust clinical sandbox for optimizing patient healthcare. The source code is made available at https://github.com/thibault-wch/Brain-GBM-world-model.
• Abstract（参考訳）: 治療介入の違いによるGlioblastoma(GBM)の正確な予後モデリングは,臨床結果の最適化に不可欠である。 生成AIはGBMの進化をシミュレートする可能性を示しているが、既存の手法は動的決定変数ではなく静的条件入力として介入を扱うのが一般的である。 その結果、腫瘍の進化と治療反応の間の複雑な相互相互作用を捉えられなかった。 このギャップを埋めるために、我々は、次世代の治療予測と将来のMRI生成を統一し、腫瘍と治療の共進化ダイナミクスを捉える、先駆的なGBM世界モデルであるBrain-WMを提案する。 具体的には、Brain-WMは時空間ダイナミクスを共有潜在空間に符号化し、関節自己回帰的治療予測とフローベース将来のMRI生成を行う。 そして、従来のモノリシックなフレームワークの代わりに、Brain-WMはY字型のMixture-of-Transformers (MoT)アーキテクチャを採用する。 この設計は異質な目的を構造的に切り離し、クロスタスクのシナジーをうまく活用し、特徴の崩壊を防ぐ。 最後に、相乗的多点マスクアライメントの目的は、解剖学的に基底とした腫瘍構造と進行認識意味論への潜在表現を明示的にアンカーする。 内部および外部の多施設コホートに対する広範囲な検証は、それぞれFLAIR, T1CE, T2W配列に対して、治療計画における91.5%の精度と0.8524, 0.8581, 0.8404のSSIMを達成し、Brain-WMの優位性を証明している。 最終的にBrain-WMは、患者医療を最適化するための堅牢な臨床サンドボックスを提供する。 ソースコードはhttps://github.com/thibault-wch/Brain-GBM-world-modelで公開されている。

関連論文リスト

• DRBD-Mamba for Robust and Efficient Brain Tumor Segmentation with Analytical Insights [54.87947751720332]
  脳腫瘍の正確なセグメンテーションは、臨床診断と治療に重要である。 マンバを拠点とするState Space Modelsは、有望なパフォーマンスを示している。 本稿では,計算オーバーヘッドを最小限に抑えながら,マルチスケールの長距離依存関係をキャプチャするマルチ解像度双方向マンバを提案する。
  論文  参考訳（メタデータ） (2025-10-16T07:31:21Z)
• Unified Multimodal Coherent Field: Synchronous Semantic-Spatial-Vision Fusion for Brain Tumor Segmentation [13.108816349958659]
  脳腫瘍セグメント化のための統一多モードコヒーレントフィールド(UMCF)法を提案する。 統合された3次元空間内の視覚情報,意味情報,空間情報の同期的融合を実現する。 Brain tumor (BraTS) データセットでは、UMCF+Unn-Net がそれぞれ 0.8579 と 0.8977 の Dice を達成する。
  論文  参考訳（メタデータ） (2025-09-22T08:45:39Z)
• Mechanistic Learning with Guided Diffusion Models to Predict Spatio-Temporal Brain Tumor Growth [2.1289132027940605]
  われわれはBraTS成人と小児のグリオーマでモデルを訓練し,60軸スライスを内耳道びまん性中線グリオーマ (DMG) 症例で評価した。 本フレームワークは,空間的類似度指標に基づいて,現実的なフォローアップスキャンを生成する。 また、腫瘍成長確率マップを導入し、腫瘍成長の臨床的に関連する範囲と方向性の両方をキャプチャする。
  論文  参考訳（メタデータ） (2025-09-11T16:52:09Z)
• 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)
• MAST-Pro: Dynamic Mixture-of-Experts for Adaptive Segmentation of Pan-Tumors with Knowledge-Driven Prompts [54.915060471994686]
  MAST-Proは,ダイナミックなMixture-of-Experts(D-MoE)とパン腫瘍セグメンテーションのための知識駆動プロンプトを統合した新しいフレームワークである。 具体的には、テキストと解剖学的プロンプトは、腫瘍表現学習を導くドメイン固有の事前情報を提供し、D-MoEは、ジェネリックと腫瘍固有の特徴学習のバランスをとる専門家を動的に選択する。 マルチ解剖学的腫瘍データセットの実験では、MAST-Proは最先端のアプローチよりも優れており、トレーニング可能なパラメータを91.04%削減し、平均改善の5.20%を達成している。
  論文  参考訳（メタデータ） (2025-03-18T15:39:44Z)
• Automated ensemble method for pediatric brain tumor segmentation [0.0]
  本研究では,ONet と UNet の修正版を用いた新しいアンサンブル手法を提案する。 データ拡張により、さまざまなスキャンプロトコル間の堅牢性と精度が保証される。 以上の結果から,この高度なアンサンブルアプローチは診断精度の向上に期待できる可能性が示唆された。
  論文  参考訳（メタデータ） (2023-08-14T15:29:32Z)
• Prediction of brain tumor recurrence location based on multi-modal fusion and nonlinear correlation learning [55.789874096142285]
  深層学習に基づく脳腫瘍再発位置予測ネットワークを提案する。 まず、パブリックデータセットBraTS 2021上で、マルチモーダル脳腫瘍セグメンテーションネットワークをトレーニングする。 次に、事前訓練されたエンコーダを、リッチなセマンティックな特徴を抽出するために、プライベートデータセットに転送する。 2つのデコーダは、現在の脳腫瘍を共同に分断し、将来の腫瘍再発位置を予測するために構築されている。
  論文  参考訳（メタデータ） (2023-04-11T02:45:38Z)
• Learn-Morph-Infer: a new way of solving the inverse problem for brain tumor modeling [1.1214822628210914]
  本稿では,T1GdとFLAIR MRIから患者特異的な脳腫瘍の空間分布を推定する手法を提案する。 itLearn-Morph-Inferと組み合わせたこの手法は、広く利用可能なハードウェア上で、数分のオーダーでリアルタイムのパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2021-11-07T13:45:35Z)

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。