Fugu-MT 論文翻訳(概要): Trimodal Deep Learning for Glioma Survival Prediction: A Feasibility Study Integrating Histopathology, Gene Expression, and MRI

論文の概要: Trimodal Deep Learning for Glioma Survival Prediction: A Feasibility Study Integrating Histopathology, Gene Expression, and MRI

arxiv url: http://arxiv.org/abs/2603.29968v1
Date: Tue, 31 Mar 2026 16:32:22 GMT
ステータス: 翻訳完了
システム内更新日: 2026-04-01 15:25:03.862018
Title: Trimodal Deep Learning for Glioma Survival Prediction: A Feasibility Study Integrating Histopathology, Gene Expression, and MRI
Title（参考訳）: グリオーマ生存予測のための3モーダルディープラーニング : 病理組織、遺伝子発現、MRIの統合可能性の検討
Authors: Iain Swift, JingHua Ye,
Abstract要約: このパイロット研究は、Fluid Attenuated Inversion Recovery (FLAIR) MRIを第3のモダリティとして組み込むことにより、バイモーダルフレームワークを拡張した。 TCGA-GBMLGGコホート (664例) を用いて, 早期, 後期, 関節融合戦略の3つの一乗モデル, 9つの二乗構成, 3つの三乗構成を評価した。 MRIは妥当な一乗判別(CS = 0.755)を達成しているが、バイモーダルペアは大幅に改善せず、3方向の組み合わせで測定可能なアップリフトを提供する。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Multimodal deep learning has improved prognostic accuracy for brain tumours by integrating histopathology and genomic data, yet the contribution of volumetric MRI within unified survival frameworks remains unexplored. This pilot study extends a bimodal framework by incorporating Fluid Attenuated Inversion Recovery (FLAIR) MRI from BraTS2021 as a third modality. Using the TCGA-GBMLGG cohort (664 patients), we evaluate three unimodal models, nine bimodal configurations, and three trimodal configurations across early, late, and joint fusion strategies. In this small cohort setting, trimodal early fusion achieves an exploratory Composite Score (CS = 0.854), with a controlled $Δ$CS of +0.011 over the bimodal baseline on identical patients, though this difference is not statistically significant (p = 0.250, permutation test). MRI achieves reasonable unimodal discrimination (CS = 0.755) but does not substantially improve bimodal pairs, while providing measurable uplift in the three-way combination. All MRI containing experiments are constrained to 19 test patients, yielding wide bootstrap confidence intervals (e.g. [0.400,1.000]) that preclude definitive conclusions. These findings provide preliminary evidence that a third imaging modality may add prognostic value even with limited sample sizes, and that additional modalities require sufficient multimodal context to contribute effectively.
Abstract（参考訳）: マルチモーダル深層学習は、病理組織学とゲノムデータを統合することで、脳腫瘍の予後精度を向上させるが、統一生存フレームワークにおけるボリュームMRIの寄与は未解明のままである。このパイロット研究は、BraTS2021からのFluid Attenuated Inversion Recovery (FLAIR) MRIを第3のモダリティとして組み込むことにより、バイモーダルフレームワークを拡張した。 TCGA-GBMLGGコホート (664例) を用いて, 早期, 後期, 関節融合戦略の3つの一乗モデル, 9つの二乗構成, 3つの三乗構成を評価した。この小さなコホートでは、トリモーダルアーリーフュージョンは、同じ患者のバイモーダルベースライン上の$0.011の$Δ$CSで探索的複合スコア(CS = 0.854)を達成するが、この差は統計的に有意ではない(p = 0.250, permutation test)。 MRIは妥当な一乗判別(CS = 0.755)を達成しているが、バイモーダルペアは大幅に改善せず、3方向の組み合わせで測定可能なアップリフトを提供する。実験を含むすべてのMRIは、19人の検査患者に拘束され、決定的な結論を導かない広範囲なブートストラップ信頼区間(例えば、[0.400,1.000])が得られる。これらの結果から, 3番目の画像モダリティは, サンプルサイズが限定された場合でも予後に有意な値を与える可能性があり, 追加のモダリティは, 効果的に寄与するために十分なマルチモーダルコンテキストを必要とすることが示唆された。

関連論文リスト

A Systematic Benchmark of GAN Architectures for MRI-to-CT Synthesis [38.31064949197421]
MRIからCTへの変換にはGANアーキテクチャが提案されている。我々は,3つの解剖学的領域にわたるSynthRAD2025データセットを用いて評価した10のGANのベンチマークを示す。
論文参考訳（メタデータ） (2026-03-13T18:54:20Z)
Quantitative mapping from conventional MRI using self-supervised physics-guided deep learning: applications to a large-scale, clinically heterogeneous dataset [32.995373978092665]
本研究では,T1,T2,およびプロトン密度マップを推定する物理誘導深層学習フレームワークを提案する。このフレームワークは、大規模な、臨床的に不均一なデータセットで訓練され、評価された。
論文参考訳（メタデータ） (2026-01-08T16:08:58Z)
Placenta Accreta Spectrum Detection using Multimodal Deep Learning [0.6192567865226507]
Placenta Accreta Spectrum (PAS)は、子宮壁への異常な胎盤浸潤を伴う、生命の危険を伴う合併症である。本研究の目的は,複数の画像モダリティを統合することによってPAS検出を向上させるディープラーニングフレームワークの開発と評価である。
論文参考訳（メタデータ） (2025-12-31T23:55:56Z)
Pattern-Aware Diffusion Synthesis of fMRI/dMRI with Tissue and Microstructural Refinement [34.55493442995441]
パターン認識型2次元モーダル3次元拡散フレームワークであるPSDを提案する。また, 組織微細化ネットワークと高効率な組織微細化を一体化して, 組織微細化と微細化の維持を図っている。 PSNR/SSIMスコアはfMRI合成では29.83dB/90.84%、dMRI合成では30.00dB/77.55%である。
論文参考訳（メタデータ） (2025-11-07T03:51:00Z)
Evaluation of Machine Learning Reconstruction Techniques for Accelerated Brain MRI Scans [0.0]
DeepFoqus-Accelerateは、75%のスキャン時間で堅牢な4倍の脳MRI加速を可能にする。以上の結果から,DeepFoqus-Accelerateは,75%のスキャン時間で頑健な4倍の脳MRI加速を可能にした。
論文参考訳（メタデータ） (2025-09-08T20:20:24Z)
$M^{2}$Fusion: Bayesian-based Multimodal Multi-level Fusion on Colorectal Cancer Microsatellite Instability Prediction [37.210658002943525]
大腸癌 (CRC) による病理組織像のマイクロサテライト不安定性 (MSI) 予測は, 弱い教師付き学習課題である。 M2$Fusion: CRC MSI予測のためのベイズ型マルチモーダル多層核融合パイプラインを提案する。提案手法は,352例のクロスバリデーションで検証され,特徴レベル (0.8177 vs. 0.7908) と決定レベル融合戦略 (0.8177 vs. 0.7289) のどちらよりも優れていた。
論文参考訳（メタデータ） (2024-01-15T17:28:58Z)
M3AE: Multimodal Representation Learning for Brain Tumor Segmentation with Missing Modalities [29.455215925816187]
マルチモーダルMRI(Multimodal magnetic resonance imaging)は、脳腫瘍のサブリージョン解析に補完的な情報を提供する。画像の破損、アーティファクト、取得プロトコル、コントラストエージェントへのアレルギー、あるいは単にコストによって1つ以上のモダリティが欠落することが一般的である。そこで本研究では,脳腫瘍切除のための新しい2段階の枠組みを提案する。
論文参考訳（メタデータ） (2023-03-09T14:54:30Z)
Moving from 2D to 3D: volumetric medical image classification for rectal cancer staging [62.346649719614]
術前T2期とT3期を区別することは直腸癌治療における最も困難かつ臨床的に重要な課題である。直腸MRIでT3期直腸癌からT2を正確に判別するための体積畳み込みニューラルネットワークを提案する。
論文参考訳（メタデータ） (2022-09-13T07:10:14Z)
Perfusion imaging in deep prostate cancer detection from mp-MRI: can we take advantage of it? [0.0]
深部神経アーキテクチャにおける灌流画像からの情報を統合するための戦略を評価する。ダイナミックコントラスト造影MR検査からの灌流マップでは,PCa病変のセグメンテーションとグレーディング性能に正の影響が認められた。
論文参考訳（メタデータ） (2022-07-06T07:55:46Z)
Severity classification in cases of Collagen VI-related myopathy with Convolutional Neural Networks and handcrafted texture features [0.34998703934432684]
コラーゲンVI関連ミオパチーにおける標的筋の分類法として3つの方法が提案されている。最も良い結果がハイブリッドモデルで得られ、その結果、全世界での精度は93.8%となった。
論文参考訳（メタデータ） (2022-02-28T15:09:42Z)

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。