論文の概要: Leveraging Large Language Models and Survival Analysis for Early Prediction of Chemotherapy Outcomes
- arxiv url: http://arxiv.org/abs/2603.11594v1
- Date: Thu, 12 Mar 2026 06:25:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-13 14:46:25.927046
- Title: Leveraging Large Language Models and Survival Analysis for Early Prediction of Chemotherapy Outcomes
- Title（参考訳）: 大規模言語モデルの導入と化学療法の早期予後予測のための生存分析
- Authors: Muhammad Faisal Shahid, Asad Afzal, Abdullah Faiz, Muhammad Siddiqui, Arbaz Khan Shehzad, Fatima Aftab, Muhammad Usamah Shahid, Muddassar Farooq,
- Abstract要約: がん治療の化学療法は費用がかかり、重度の副作用が伴う。
実世界のデータを用いた化学療法結果の予測モデルは課題に直面している。
本研究では,Large Language Models(LLM)とオントロジーに基づく手法を用いて,これらの課題に対処する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Chemotherapy for cancer treatment is costly and accompanied by severe side effects, highlighting the critical need for early prediction of treatment outcomes to improve patient management and informed decision-making. Predictive models for chemotherapy outcomes using real-world data face challenges, including the absence of explicit phenotypes and treatment outcome labels such as cancer progression and toxicity. This study addresses these challenges by employing Large Language Models (LLMs) and ontology-based techniques for phenotypes and outcome label extraction from patient notes. We focused on one of the most frequently occurring cancers, breast cancer, due to its high prevalence and significant variability in patient response to treatment, making it a critical area for improving predictive modeling. The dataset included features such as vitals, demographics, staging, biomarkers, and performance scales. Drug regimens and their combinations were extracted from the chemotherapy plans in the EMR data and shortlisted based on NCCN guidelines, verified with NIH standards, and analyzed through survival modeling. The proposed approach significantly reduced phenotypes sparsity and improved predictive accuracy. Random Survival Forest was used to predict time-to-failure, achieving a C-index of 73%, and utilized as a classifier at a specific time point to predict treatment outcomes, with accuracy and F1 scores above 70%. The outcome probabilities were validated for reliability by calibration curves. We extended our approach to four other cancer types. This research highlights the potential of early prediction of treatment outcomes using LLM-based clinical data extraction enabling personalized treatment plans with better patient outcomes.
- Abstract（参考訳）: がん治療の化学療法は費用がかかり、重篤な副作用が伴い、患者の管理と情報的意思決定を改善するために治療結果の早期予測に重要な必要性が浮き彫りになる。
実世界のデータを用いた化学療法結果の予測モデルは、明示的な表現型やがん進行や毒性などの治療結果ラベルの欠如など、課題に直面している。
本研究では,大言語モデル(LLM)とオントロジーに基づく表現型および患者ノートからの成果ラベル抽出技術を用いて,これらの課題に対処する。
再発率が高く,治療効果に有意な変動がみられ,最も頻度の高いがんである乳癌に焦点をあて,予測モデルの改善に欠かせない領域となった。
データセットには、バイタル、人口統計、ステージング、バイオマーカー、パフォーマンススケールといった機能が含まれていた。
NCCNガイドラインに基づいて, EMRデータ中の化学療法計画から薬剤とそれらの組み合わせを抽出し, NIH基準で検証し, 生存モデルを用いて分析した。
提案手法は表現型を著しく減少させ,予測精度を向上させる。
ランダム・サバイバル・フォレスト(Random Survival Forest)は、73%のCインデックスを達成し、特定の時点における治療結果の予測に分類器として利用し、精度とF1スコアを70%以上とした。
その結果, キャリブレーション曲線による信頼性の検証を行った。
私たちは他の4種類の癌にアプローチを拡張しました。
本研究は, パーソナライズされた治療計画を患者に提供し, 治療結果の早期予測の可能性を強調した。
関連論文リスト
- Investigating the Impact of Histopathological Foundation Models on Regressive Prediction of Homologous Recombination Deficiency [52.50039435394964]
回帰に基づくタスクの基礎モデルを体系的に評価する。
我々は5つの最先端基礎モデルを用いて、スライド画像全体(WSI)からパッチレベルの特徴を抽出する。
乳房、子宮内膜、肺がんコホートにまたがるこれらの抽出された特徴に基づいて、連続したRDDスコアを予測するモデルが訓練されている。
論文 参考訳（メタデータ） (2026-01-29T14:06:50Z) - Developing Predictive and Robust Radiomics Models for Chemotherapy Response in High-Grade Serous Ovarian Carcinoma [0.9165796164519936]
ネオアジュバント化学療法 (Neoadjuvant chemotherapy, NACT) は、手術前に腫瘍の負担を軽減するためにしばしば用いられるが、約40%の患者は反応が限られている。
放射能と機械学習(ML)を組み合わせることで、NAT応答を予測するための有望な非侵襲的手法を提供する。
本研究は,異なる特徴選択法を用いてNACTを施行したHGSOC患者の応答予測を改善することを目的とした。
論文 参考訳（メタデータ） (2026-01-13T11:29:02Z) - Boosted Random Forests for Predicting Treatment Failure of Chemotherapy Regimens [0.0]
患者のプロファイルから収集したリアルワールドエビデンス(RWE)に基づいた治療失敗モデルを構築した。
最も頻度の高い治療失敗(または中止)を伴う5種類の原発性癌の症例を経験したので報告する。
論文 参考訳（メタデータ） (2025-12-10T13:49:26Z) - Prediction of Lung Metastasis from Hepatocellular Carcinoma using the SEER Database [0.9055332067000195]
肝細胞癌(HCC)は、がん関連死亡の原因である。
HCCにおける肺転移の予測モデルは、範囲と臨床応用性に限られている。
本研究では,Surveillance, Epidemiology, End Results (SEER)データベースのデータを用いて,エンドツーエンドの機械学習パイプラインの開発と検証を行う。
論文 参考訳（メタデータ） (2025-01-20T20:06:31Z) - Predicting Lung Cancer Patient Prognosis with Large Language Models [20.97970447748789]
大規模言語モデル(LLM)は、広範な学習知識に基づいてテキストを処理・生成する能力に注目されている。
肺癌患者の予後予測におけるGPT-4o miniおよびGPT-3.5の有用性について検討した。
論文 参考訳（メタデータ） (2024-08-15T06:36:27Z) - Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。
そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
論文 参考訳（メタデータ） (2024-04-26T16:39:50Z) - Semi-supervised ViT knowledge distillation network with style transfer
normalization for colorectal liver metastases survival prediction [1.283897253352624]
本稿では,H&EおよびHPSで染色した組織学的スライドを用いて,自動予後予測のためのエンドツーエンドアプローチを提案する。
まずGAN(Generative Adversarial Network)を用いてスライス正規化を行い、染色のばらつきを低減し、予測パイプラインへの入力として使用される画像の全体的な品質を向上させる。
転移性結節および周囲組織から抽出した特徴を利用して予後モデルを訓練し,同時に知識蒸留フレームワークで視覚変換器(ViT)を訓練し,予後予測の性能を再現し,向上させる。
論文 参考訳（メタデータ） (2023-11-17T03:32:11Z) - Deep learning methods for drug response prediction in cancer:
predominant and emerging trends [50.281853616905416]
がんを研究・治療するための計算予測モデルをエクスプロイトすることは、薬物開発の改善と治療計画のパーソナライズドデザインにおいて大きな可能性を秘めている。
最近の研究の波は、ディープラーニング手法を用いて、薬物治療に対するがん反応を予測するという有望な結果を示している。
このレビューは、この分野の現状をよりよく理解し、主要な課題と将来性のあるソリューションパスを特定します。
論文 参考訳（メタデータ） (2022-11-18T03:26:31Z) - MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。
我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。
我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
論文 参考訳（メタデータ） (2020-10-08T15:30:17Z) - Hemogram Data as a Tool for Decision-making in COVID-19 Management:
Applications to Resource Scarcity Scenarios [62.997667081978825]
新型コロナウイルス(COVID-19)のパンデミックは世界中の緊急対応システムに挑戦している。
本研究は, 症状患者の血液検査データから得られた機械学習モデルについて述べる。
提案されたモデルでは、新型コロナウイルスqRT-PCRの結果を、高い精度、感度、特異性で症状のある個人に予測することができる。
論文 参考訳（メタデータ） (2020-05-10T01:45:03Z)
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。