論文の概要: Learning from Limited and Incomplete Data: A Multimodal Framework for Predicting Pathological Response in NSCLC
- arxiv url: http://arxiv.org/abs/2603.15100v1
- Date: Mon, 16 Mar 2026 10:51:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-17 18:28:58.082371
- Title: Learning from Limited and Incomplete Data: A Multimodal Framework for Predicting Pathological Response in NSCLC
- Title（参考訳）: 限られたデータと不完全なデータから学ぶ:NSCLCにおける病的応答予測のためのマルチモーダルフレームワーク
- Authors: Alice Natalina Caragliano, Giulia Farina, Fatih Aksu, Camillo Maria Caruso, Claudia Tacconi, Carlo Greco, Lorenzo Nibid, Edy Ippolito, Michele Fiore, Giuseppe Perrone, Sara Ramella, Paolo Soda, Valerio Guarrasi,
- Abstract要約: 新アジュバント療法後の病理反応(pR)は非小細胞肺癌において臨床的に有意な結節である。
本稿では,基礎モデルに基づくCT特徴抽出と臨床変数の欠落を考慮したアーキテクチャを統合することで,これらの制約に対処する多モードディープラーニングフレームワークを提案する。
重み付き核融合機構は、イメージングと臨床モダリティの相補的な寄与を活用するために使用され、一方向イメージングと臨床ベースラインの両方を一貫して上回るマルチモーダルモデルが得られる。
- 参考スコア（独自算出の注目度）: 1.3160173536707265
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Major pathological response (pR) following neoadjuvant therapy is a clinically meaningful endpoint in non-small cell lung cancer, strongly associated with improved survival. However, accurate preoperative prediction of pR remains challenging, particularly in real-world clinical settings characterized by limited data availability and incomplete clinical profiles. In this study, we propose a multimodal deep learning framework designed to address these constraints by integrating foundation model-based CT feature extraction with a missing-aware architecture for clinical variables. This approach enables robust learning from small cohorts while explicitly modeling missing clinical information, without relying on conventional imputation strategies. A weighted fusion mechanism is employed to leverage the complementary contributions of imaging and clinical modalities, yielding a multimodal model that consistently outperforms both unimodal imaging and clinical baselines. These findings underscore the added value of integrating heterogeneous data sources and highlight the potential of multimodal, missing-aware systems to support pR prediction under realistic clinical conditions.
- Abstract（参考訳）: 新アジュバント療法後の主要な病理反応(pR)は,非小細胞肺癌において臨床的に有意な結節であり,生存率の向上と強く関連している。
しかし、pRの正確な術前予測は、特にデータ可用性の制限と不完全な臨床プロファイルを特徴とする実世界の臨床環境では、依然として困難である。
本研究では,基礎モデルに基づくCT特徴抽出と臨床変数の欠落を考慮したアーキテクチャを統合することで,これらの制約に対処する多モードディープラーニングフレームワークを提案する。
このアプローチは、従来の計算手法に頼らずに、欠落した臨床情報を明示的にモデル化しながら、小さなコホートからの堅牢な学習を可能にする。
重み付き核融合機構は、イメージングと臨床モダリティの相補的な寄与を活用するために使用され、一方向イメージングと臨床ベースラインの両方を一貫して上回るマルチモーダルモデルが得られる。
これらの知見は、異種データソースの統合の付加価値を強調し、現実的な臨床条件下でのpR予測を支援するマルチモーダル・欠落認識システムの可能性を強調した。
関連論文リスト
- Handling Missing Modalities in Multimodal Survival Prediction for Non-Small Cell Lung Cancer [28.475952006436227]
我々はCT(Computed Tomography)、WSI(Whole-Slide Histopathology)画像、および非切除性ステージII-III NSCLCにおける総合生存モデリングのための構造化された臨床変数を統合した、欠落したマルチモーダルサバイバルフレームワークを提案する。
実験結果から, 中間核融合は早期および後期核融合戦略と同様に, 単相塩基性よりも一貫して優れていた。
論文 参考訳（メタデータ） (2026-01-15T13:38:19Z) - ClinDEF: A Dynamic Evaluation Framework for Large Language Models in Clinical Reasoning [58.01333341218153]
ClinDEF(ClinDEF)は, LLMにおける臨床推論をシミュレートされた診断対話を用いて評価する動的フレームワークである。
本手法は, 患者を発症し, LLMをベースとした医師と自動患者エージェントとのマルチターンインタラクションを容易にする。
実験により、ClinDEFは最先端のLSMにおいて重要な臨床推論ギャップを効果的に露呈することが示された。
論文 参考訳（メタデータ） (2025-12-29T12:58:58Z) - Improving Cardiac Risk Prediction Using Data Generation Techniques [37.94487163156369]
本研究は,実世界の観測と整合したリアルな臨床記録の合成のためのアーキテクチャを提案する。
主な目的は、心的リスク予測モデルの性能を高めるため、利用可能なデータセットのサイズと多様性を高めることである。
論文 参考訳（メタデータ） (2025-12-19T10:17:00Z) - 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) - MeD-3D: A Multimodal Deep Learning Framework for Precise Recurrence Prediction in Clear Cell Renal Cell Carcinoma (ccRCC) [0.0]
本研究では、CT、MRI、病理組織像全体(WSI)、臨床データ、ゲノムプロファイルを含む多モードデータを統合するディープラーニング(DL)フレームワークを提案する。
このフレームワークは、特定のモダリティが欠如している場合でも推論を可能にすることで、臨床環境で共通の課題である不完全なデータを扱うように設計されている。
論文 参考訳（メタデータ） (2025-07-10T15:11:09Z) - Multimodal Doctor-in-the-Loop: A Clinically-Guided Explainable Framework for Predicting Pathological Response in Non-Small Cell Lung Cancer [0.7003240413492382]
本研究は,非小細胞肺癌に対するネオアジュバント治療中の病態応答を予測するために,マルチモーダル深層学習と固有eXplainable Artificial Intelligence技術を組み合わせた新しいアプローチを提案する。
既存の放射線学と一元的深層学習のアプローチの限界により、画像と臨床データを統合し、データモダリティ間の効率的な相互作用を可能にする中間融合戦略を導入する。
その結果、予測精度と説明可能性の向上が示され、臨床応用のための最適なデータ統合戦略に関する洞察が得られた。
論文 参考訳（メタデータ） (2025-05-02T16:57:37Z) - 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) - 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) - 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) - 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。