論文の概要: Deep Learning From Routine Histology Improves Risk Stratification for Biochemical Recurrence in Prostate Cancer

• arxiv url: http://arxiv.org/abs/2603.14187v1
• Date: Sun, 15 Mar 2026 02:22:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 16:19:35.658328
• Title: Deep Learning From Routine Histology Improves Risk Stratification for Biochemical Recurrence in Prostate Cancer
• Title（参考訳）: 前立腺癌における病理組織学からの深層学習による生化学的再発のリスクストラテジフィケーションの改善
• Authors: Clément Grisi, Khrystyna Faryna, Nefise Uysal, Vittorio Agosti, Enrico Munari, Solène-Florence Kammerer-Jacquet, Paulo Guilherme de Oliveira Salles, Yuri Tolkach, Reinhard Büttner, Sofiya Semko, Maksym Pikul, Axel Heidenreich, Jeroen van der Laak, Geert Litjens,
• Abstract要約: 根治的前立腺切除術後の生体化学的再発の持続的, 患者特異的リスクを予測できる深層学習型バイオマーカーを提案する。 CAPRA-S臨床リスクスコアと統合すると、深層学習リスクスコアはBCRの差別を一貫して改善する。
• 参考スコア（独自算出の注目度）: 2.499184782167909
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Accurate prediction of biochemical recurrence (BCR) after radical prostatectomy is critical for guiding adjuvant treatment and surveillance decisions in prostate cancer. However, existing clinicopathological risk models reduce complex morphology to relatively coarse descriptors, leaving substantial prognostic information embedded in routine histopathology underexplored. We present a deep learning-based biomarker that predicts continuous, patient-specific risk of BCR directly from H&E-stained whole-slide prostatectomy specimens. Trained end-to-end on time-to-event outcomes and evaluated across four independent international cohorts, our model demonstrates robust generalization across institutions and patient populations. When integrated with the CAPRA-S clinical risk score, the deep learning risk score consistently improved discrimination for BCR, increasing concordance indices from 0.725-0.772 to 0.749-0.788 across cohorts. To support clinical interpretability, outcome-grounded analyses revealed subtle histomorphological patterns associated with recurrence risk that are not captured by conventional clinicopathological risk scores. This multicohort study demonstrates that deep learning applied to routine prostate histopathology can deliver reproducible and clinically generalizable biomarkers that augment postoperative risk stratification, with potential to support personalized management of prostate cancer in real-world clinical settings.
• Abstract（参考訳）: 前立腺癌における根治的前立腺切除術後の生化学的再発(BCR)の正確な予測は,アジュバント治療と監視決定の指導に重要である。 しかし、既存の臨床病理学的リスクモデルでは、複雑な形態を比較的粗い記述子に還元し、定期的な病理組織学に埋め込まれた実質的な予後情報を未発見のまま残している。 我々は,H&E染色型全スライディング前立腺摘出標本から直接BCRの持続的,患者特異的リスクを予測する深層学習型バイオマーカーを提案する。 4つの独立した国際コホートにまたがって、時間から時間までの成果をエンドツーエンドにトレーニングし、そのモデルにより、機関や患者集団間で堅牢な一般化が示される。 CAPRA-S臨床リスクスコアと統合すると、深層学習リスクスコアはBCRの差別を継続的に改善し、コホート全体で0.725-0.772から0.749-0.788に一致率を高めた。 臨床診断には,従来の臨床病理学的リスクスコアでは得られない再発リスクに関連する微妙な組織学的パターンがみられた。 このマルチコホート研究は、日常的な前立腺病理に応用された深層学習が、実際の臨床環境において前立腺癌のパーソナライズされた管理を支援する可能性を秘め、術後のリスク層を増大させる再現性および臨床的に一般化可能なバイオマーカーを提供することを示した。

関連論文リスト

• Decoding Future Risk: Deep Learning Analysis of Tubular Adenoma Whole-Slide Images [2.0049131811804144]
  大腸癌(CRC)は、がん関連死亡の重大な原因である。 低悪性度ポリープと診断された患者の顕著な部分は、後年CRCを発症する。 本研究では、機械学習アルゴリズム、特に畳み込みニューラルネットワーク(CNN)が、全スライディング画像の微妙な組織学的特徴を検出できるかどうかを検討する。
  論文  参考訳（メタデータ） (2026-02-09T20:00:04Z)
• AI-based Prediction of Biochemical Recurrence from Biopsy and Prostatectomy Samples [0.012216782333971603]
  根治的前立腺切除術後の生化学的再発(BCR)は,前立腺がんに対する補助的マーカーである。 我々は、BCRの患者固有のリスクを予測するために、前立腺生検スライドの診断に関するAIベースのモデルを訓練した。
  論文  参考訳（メタデータ） (2026-01-28T20:33:15Z)
• Deep Pathomic Learning Defines Prognostic Subtypes and Molecular Drivers in Colorectal Cancer [16.930050030905782]
  TDAM-CRC予測性能は、従来のステージングシステムや複数の最先端モデルよりも大幅に優れていた。 TDAM-CRCリスクスコアは多変量解析において独立した予後因子として確認された。 ミトコンドリアリボソーム蛋白L37 (MRPL37) は, 深部病原性特徴と臨床予後を関連付けるキーハブ遺伝子として同定し, 検証した。
  論文  参考訳（メタデータ） (2025-11-19T03:19:43Z)
• TopoTxR: A topology-guided deep convolutional network for breast parenchyma learning on DCE-MRIs [49.69047720285225]
  そこで本研究では,乳房側葉構造をよりよく近似するために,マルチスケールのトポロジ構造を明示的に抽出する新しいトポロジカルアプローチを提案する。 VICTREファントム乳房データセットを用いてemphTopoTxRを実験的に検証した。 本研究の質的および定量的分析は,乳房組織における画像診断におけるトポロジカルな挙動を示唆するものである。
  論文  参考訳（メタデータ） (2024-11-05T19:35:10Z)
• Computational Pathology for Accurate Prediction of Breast Cancer Recurrence: Development and Validation of a Deep Learning-based Tool [0.40205899806543505]
  Deep-BCR-Autoは、乳がん再発リスクを予測するディープラーニングベースの計算病理学アプローチである。 我々の方法論は2つの独立したコホートで検証された。 Deep-BCR-Autoは、患者を低頻度と高頻度のリスクカテゴリに分類する上で、堅牢なパフォーマンスを示した。
  論文  参考訳（メタデータ） (2024-09-23T19:22:06Z)
• Regression-based Deep-Learning predicts molecular biomarkers from pathology slides [40.24757332810004]
  我々は,画像から直接バイオマーカーを予測する自己監督型弱教師付き回帰手法を開発し,評価した。 回帰を用いて、バイオマーカー予測の精度を著しく向上させ、また、分類よりも結果の解釈可能性を向上させる。 我々のオープンソースレグレッションアプローチは、計算病理学における連続バイオマーカー解析に有望な代替手段を提供する。
  論文  参考訳（メタデータ） (2023-04-11T11:43:51Z)
• Penalized Deep Partially Linear Cox Models with Application to CT Scans of Lung Cancer Patients [42.09584755334577]
  肺がんは世界中のがん死亡の原因であり、効果的な治療法を設計するための死亡リスクを理解することの重要性を強調している。 NLST(National Lung Screening Trial)は、肺がん患者の死亡リスクを定量化するために、CTテクスチャ解析を用いている。 本稿では,SCADペナルティを組み込んで重要なテクスチャ特徴を抽出し,深層ニューラルネットワークを用いてモデルの非パラメトリック成分を推定する,Pentalized Deep partially Linear Cox Model (Penalized DPLC)を提案する。
  論文  参考訳（メタデータ） (2023-03-09T15:38:16Z)
• Mixed Supervision of Histopathology Improves Prostate Cancer Classification from MRI [0.9395521049323435]
  MRIによる非侵襲的前立腺癌検出は、患者のケアに革命をもたらす可能性がある。 患者集団に適用可能な臨床上重要な前立腺癌を予測するためのMRIによる深達度学習法を提案する。
  論文  参考訳（メタデータ） (2022-12-13T02:34:57Z)
• Exploiting segmentation labels and representation learning to forecast therapy response of PDAC patients [60.78505216352878]
  化学療法に対する腫瘍反応を予測するためのハイブリッドディープニューラルネットワークパイプラインを提案する。 セグメンテーションから分類への表現伝達の組み合わせと、ローカライゼーションと表現学習を利用する。 提案手法は, 合計477個のデータセットを用いて, ROC-AUC 63.7% の処理応答を予測できる, 極めて効率的な手法である。
  論文  参考訳（メタデータ） (2022-11-08T11:50:31Z)
• 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)

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。