論文の概要: Longitudinal Risk Prediction in Mammography with Privileged History Distillation

• arxiv url: http://arxiv.org/abs/2603.15814v1
• Date: Mon, 16 Mar 2026 18:45:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-18 17:42:06.949861
• Title: Longitudinal Risk Prediction in Mammography with Privileged History Distillation
• Title（参考訳）: マンモグラフィーにおける主観的履歴蒸留による縦断的リスク予測
• Authors: Banafsheh Karimian, Alexis Guichemerre, Soufiane Belharbi, Natacha Gillet, Luke McCaffrey, Mohammadhadi Shateri, Eric Granger,
• Abstract要約: 縦断的マンモグラフィーリスク予測モデルにより, 検診による乳がんリスク予測が改善する。 しかし、経年的な歴史は、しばしば不完全、不規則、または不適切であり、スクリーニングの欠如、初診、異質な取得スケジュール、または考古学的制約のために利用できない。 本研究では,マンモグラフィー履歴を訓練中の特権情報として利用し,その予後を学生モデルに抽出する縦型リスク予測手法を提案する。
• 参考スコア（独自算出の注目度）: 16.37789024020491
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Breast cancer remains a leading cause of cancer-related mortality worldwide. Longitudinal mammography risk prediction models improve multi-year breast cancer risk prediction based on prior screening exams. However, in real-world clinical practice, longitudinal histories are often incomplete, irregular, or unavailable due to missed screenings, first-time examinations, heterogeneous acquisition schedules, or archival constraints. The absence of prior exams degrades the performance of longitudinal risk models and limits their practical applicability. While substantial longitudinal history is available during training, prior exams are commonly absent at test time. In this paper, we address missing history at inference time and propose a longitudinal risk prediction method that uses mammography history as privileged information during training and distills its prognostic value into a student model that only requires the current exam at inference time. The key idea is a privileged multi-teacher distillation scheme with horizon-specific teachers: each teacher is trained on the full longitudinal history to specialize in one prediction horizon, while the student receives only a reconstructed history derived from the current exam. This allows the student to inherit horizon-dependent longitudinal risk cues without requiring prior screening exams at deployment. Our new Privileged History Distillation (PHD) method is validated on a large longitudinal mammography dataset with multi-year cancer outcomes, CSAW-CC, comparing full-history and no-history baselines to their distilled counterparts. Using time-dependent AUC across horizons, our privileged history distillation method markedly improves the performance of long-horizon prediction over no-history models and is comparable to that of full-history models, while using only the current exam at inference time.
• Abstract（参考訳）: 乳がんはいまだに世界中のがん関連死亡の原因となっている。 縦断的マンモグラフィーリスク予測モデルにより, 検診による乳がんリスク予測が改善する。 しかし、現実的な臨床実践では、経年的歴史はしばしば不完全、不規則、または不適切であり、スクリーニングの欠如、初診、異質な取得スケジュール、または考古学的制約のために利用できない。 事前試験の欠如は、縦型リスクモデルの性能を低下させ、実用性を制限する。 訓練中は長い歴史があるが、予備試験はテスト時に欠席することが多い。 本稿では,推定時刻における失明履歴に対処し,マンモグラフィー履歴を訓練中の特権情報として用いた縦断リスク予測手法を提案する。 各教師は、1つの予測地平線を専門とする完全な長手歴史を訓練し、生徒は現在の試験から得られた再構築された歴史のみを受け取る。 これにより、学生は、デプロイ時に事前のスクリーニング試験を必要とせず、水平方向に依存した縦方向のリスクキューを継承することができる。 今回提案したPrivileged History Distillation (PHD) 法は,多年にわたる癌予後を示す多年連続マンモグラフィーデータセットであるCSAW-CCを用いて,全史的,非歴史的ベースラインと蒸留されたマンモグラフィーデータセットを用いて検証した。 地平線を横断する時間依存型AUCを用いて,非歴史モデルの長期水平予測性能を著しく向上させるとともに,推定時の現在試験のみを使用しながら,フル歴史モデルに匹敵する。

関連論文リスト

• The LongiMam model for improved breast cancer risk prediction using longitudinal mammograms [0.0]
  LongiMamは、現在と4つの先行するマンモグラムを統合したエンドツーエンドのディープラーニングモデルである。 LongiMamは、先行マンモグラフィーを含む場合の予測を継続的に改善した。 乳房密度の経時変化が観察された女性では, モデルが最も良好であった。
  論文  参考訳（メタデータ） (2025-09-23T15:57:55Z)
• STA-Risk: A Deep Dive of Spatio-Temporal Asymmetries for Breast Cancer Risk Prediction [1.600919533339807]
  STA-Risk は乳がんリスク予測のための両側および縦アシンメトリーからの微細なマンモグラフィー画像の進化を同時に捉えている。 2つの独立したマンモグラフィーデータセットを用いて広範な実験を行い、1～5年間のリスク予測のために4つの代表的なSOTAモデルよりも優れた性能を示した。
  論文  参考訳（メタデータ） (2025-05-27T19:38:23Z)
• HC-LLM: Historical-Constrained Large Language Models for Radiology Report Generation [89.3260120072177]
  本稿では,放射線学レポート生成のための歴史制約付き大規模言語モデル (HC-LLM) フレームワークを提案する。 胸部X線写真から経時的特徴と経時的特徴を抽出し,疾患の進行を捉える診断報告を行った。 特に,本手法は,テスト中の履歴データなしでも良好に動作し,他のマルチモーダル大規模モデルにも容易に適用可能である。
  論文  参考訳（メタデータ） (2024-12-15T06:04:16Z)
• Ordinal Learning: Longitudinal Attention Alignment Model for Predicting Time to Future Breast Cancer Events from Mammograms [16.06975226476176]
  OA-BreaCR は,BC のリスクおよび時間・将来の予測タスクにおいて,既存の手法よりも優れる。 以上の結果から,BC検診・予防活動の強化に向けた解釈的かつ正確なリスク評価の重要性が示唆された。
  論文  参考訳（メタデータ） (2024-09-10T22:03:26Z)
• Longitudinal Mammogram Risk Prediction [6.28887425442237]
  我々は最先端の機械学習モデルを拡張し、任意の数の縦マンモグラフィーを摂取し、将来の乳がんリスクを予測する。 以上の結果から,より長い歴史(例年4回のマンモグラム)が将来の乳癌のリスクを予測する精度を著しく向上させる可能性が示唆された。
  論文  参考訳（メタデータ） (2024-04-29T19:52:09Z)
• Interpretable Survival Analysis for Heart Failure Risk Prediction [50.64739292687567]
  現状の生存モデルと解釈可能かつ競合する新しい生存分析パイプラインを提案する。 我々のパイプラインは最先端のパフォーマンスを達成し、心不全のリスク要因に関する興味深い新しい洞察を提供する。
  論文  参考訳（メタデータ） (2023-10-24T02:56:05Z)
• A Survey of the Impact of Self-Supervised Pretraining for Diagnostic Tasks with Radiological Images [71.26717896083433]
  自己教師付き事前学習は,伝達学習における特徴表現の改善に有効であることが観察されている。 本総説ではX線, CT, 磁気共鳴, 超音波画像における使用法について概説する。
  論文  参考訳（メタデータ） (2023-09-05T19:45:09Z)
• 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)
• Long-Tailed Classification of Thorax Diseases on Chest X-Ray: A New Benchmark Study [75.05049024176584]
  胸部X線上の胸部疾患の特定領域における長期学習問題についてベンチマーク研究を行った。 我々は,自然に分布する胸部X線データから学ぶことに集中し,一般的な「頭部」クラスだけでなく,稀ながら重要な「尾」クラスよりも分類精度を最適化する。 このベンチマークは、19と20の胸郭疾患分類のための2つの胸部X線データセットで構成され、53,000のクラスと7のラベル付きトレーニング画像を含む。
  論文  参考訳（メタデータ） (2022-08-29T04:34:15Z)
• SurvLatent ODE : A Neural ODE based time-to-event model with competing risks for longitudinal data improves cancer-associated Deep Vein Thrombosis (DVT) prediction [68.8204255655161]
  本稿では,不規則なサンプルデータの下で潜在表現をパラメータ化する生成時間対イベントモデルSurvLatent ODEを提案する。 そこで,本モデルでは,事象特異的ハザード関数の形状を指定せずに,複数の競合イベントの生存時間を柔軟に推定する。 SurvLatent ODEは、DVTリスクグループを成層化するために、現在の臨床標準であるKhorana Riskスコアより優れている。
  論文  参考訳（メタデータ） (2022-04-20T17:28:08Z)
• Individual dynamic prediction of clinical endpoint from large dimensional longitudinal biomarker history: a landmark approach [0.0]
  本稿では,多種多様なマーカーの繰り返し測定を活用できる健康事象の動的予測手法を提案する。 Rで実施した手法により,繰り返しマーカーの数が多い場合でも,患者の縦断的履歴全体を用いた事象の予測が可能となった。
  論文  参考訳（メタデータ） (2021-02-02T12:36:18Z)

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。