論文の概要: Neuro-Oracle: A Trajectory-Aware Agentic RAG Framework for Interpretable Epilepsy Surgical Prognosis

• arxiv url: http://arxiv.org/abs/2604.14216v1
• Date: Fri, 10 Apr 2026 21:47:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-17 21:29:29.914936
• Title: Neuro-Oracle: A Trajectory-Aware Agentic RAG Framework for Interpretable Epilepsy Surgical Prognosis
• Title（参考訳）: Neuro-Oracle: 難治性てんかん予後診断のためのトラジェクティブ・アウェア・エージェントRAGフレームワーク
• Authors: Aizierjiang Aiersilan, Mohamad Koubeissi,
• Abstract要約: トラジェクトリベースの分類器は、シングルポイントのResNet-50ベースラインで0.793に対して0.834から0.905のAUC値を達成する。 i) 3Dシームスコントラストエンコーダを用いたコンパクトな512次元トラジェクトリベクトルへの術前MRI変化の除去、(ii)近辺探索による人口アーカイブからの歴史的に類似した外科的トラジェクトリの検索、(iii)定量化を用いて検索された証拠に基づいた自然言語的予後を合成する3段階のフレームワークであるEmphNeuro-Oracleを提案する。
• 参考スコア（独自算出の注目度）: 4.726777092009554
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Predicting post-surgical seizure outcomes in pharmacoresistant epilepsy is a clinical challenge. Conventional deep-learning approaches operate on static, single-timepoint pre-operative scans, omitting longitudinal morphological changes. We propose \emph{Neuro-Oracle}, a three-stage framework that: (i) distils pre-to-post-operative MRI changes into a compact 512-dimensional trajectory vector using a 3D Siamese contrastive encoder; (ii) retrieves historically similar surgical trajectories from a population archive via nearest-neighbour search; and (iii) synthesises a natural-language prognosis grounded in the retrieved evidence using a quantized Llama-3-8B reasoning agent. Evaluations are conducted on the public EPISURG dataset ($N{=}268$ longitudinally paired cases) using five-fold stratified cross-validation. Since ground-truth seizure-freedom scores are unavailable, we utilize a clinical proxy label based on the resection type. We acknowledge that the network representations may potentially learn the anatomical features of the resection cavities (i.e., temporal versus non-temporal locations) rather than true prognostic morphometry. Our current evaluation thus serves mainly as a proof-of-concept for the trajectory-aware retrieval architecture. Trajectory-based classifiers achieve AUC values between 0.834 and 0.905, compared with 0.793 for a single-timepoint ResNet-50 baseline. The Neuro-Oracle agent (M5) matches the AUC of purely discriminative trajectory classifiers (0.867) while producing structured justifications with zero observed hallucinations under our audit protocol. A Siamese Diversity Ensemble (M6) of trajectory-space classifiers attains an AUC of 0.905 without language-model overhead.
• Abstract（参考訳）: 薬剤耐性てんかんにおける術後発作の予測は臨床的課題である。 従来のディープラーニングアプローチは、静的な単一時間ポイント前手術スキャンで動作し、経時的形態変化を省略する。 我々は以下の3段階のフレームワークである \emph{Neuro-Oracle} を提案する。 (i)3Dシームズコントラストエンコーダを用いたコンパクトな512次元軌跡ベクトルへの術前MRI変化の消耗 二 最寄りの捜索により、人口アーカイブから歴史的に類似した外科的軌跡を回収すること。 3) 定量化Llama-3-8B推論剤を用いて, 得られた証拠に基づいた自然言語の予後を合成する。 公的EPISURGデータセット(N{=}268$長手ペアケース)を5倍層状クロスバリデーションを用いて評価した。 根治的発作フリーダムスコアは利用できないため,切除タイプに基づいた臨床プロキシラベルを利用する。 我々は, ネットワーク表現は, 真の予後形態学ではなく, 切除腔の解剖学的特徴(時間的・非時間的位置)を学習する可能性があることを認めた。 現在評価は、主に軌道認識検索アーキテクチャの概念実証として機能している。 トラジェクトリベースの分類器は、シングルポイントのResNet-50ベースラインで0.793に対して0.834から0.905のAUC値を達成する。 The Neuro-Oracle agent (M5) match the AUC of purely discriminative trajectory classifiers (0.867) while produce structured Justifications with zero observed hallucinations under our audit protocol。 軌跡空間分類器のシームズ・ダイバーシティ・アンサンブル(M6)は言語モデルオーバーヘッドなしで0.905のAUCを達成する。

関連論文リスト

• PRIME: Prototype-Driven Multimodal Pretraining for Cancer Prognosis with Missing Modalities [86.63247982275396]
  PRIMEは、欠落を認識したマルチモーダルな自己教師型事前トレーニングフレームワークである。 部分的に観察されたコホートから頑健で伝達可能な表現を学ぶ。 The Cancer Genome AtlasのPRIMEを32種類の癌に対してラベルフリープレトレーニングで評価した。
  論文  参考訳（メタデータ） (2026-04-05T21:14:27Z)
• Interpretable Aneurysm Classification via 3D Concept Bottleneck Models: Integrating Morphological and Hemodynamic Clinical Features [0.6445605125467574]
  本稿では,高次元神経画像の特徴を,大動脈瘤の同定のための形態的および血行力学的概念の離散セットにマッピングする,エンドツーエンドの3Dコンセプト・ボトルネックフレームワークを提案する。 本研究では,ResNet-34アーキテクチャでは93.33%+/-4.5%,DenseNet-121モデルでは91.43%+/-8%のピークタスク分類精度を示した。
  論文  参考訳（メタデータ） (2026-03-08T01:03:48Z)
• Beyond Anatomy: Explainable ASD Classification from rs-fMRI via Functional Parcellation and Graph Attention Networks [6.923757075165361]
  解剖学的脳解析は rs-fMRI に基づく自閉症スペクトラム障害 (ASD) の分類を支配している。 ABIDE Iデータセット上の解剖学的(AAL)と機能的(MSDL)パーセレーション戦略を比較したグラフベースのディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-03T02:05:20Z)
• Suppressing Prior-Comparison Hallucinations in Radiology Report Generation via Semantically Decoupled Latent Steering [94.37535002230504]
  本研究では,Semantically Decoupled Latent Steeringと呼ばれる学習自由な推論時間制御フレームワークを開発した。 提案手法は,大言語モデル (LLM) による意味分解による意味のない介入ベクトルを構築する。 本手法は歴史的幻覚の可能性を著しく低下させることを示す。
  論文  参考訳（メタデータ） (2026-02-27T04:49:01Z)
• AttentiveGRUAE: An Attention-Based GRU Autoencoder for Temporal Clustering and Behavioral Characterization of Depression from Wearable Data [46.262619407930266]
  本稿では,時間的クラスタリングと縦型ウェアラブルデータによる結果の予測を目的とした,新しい注意型ゲートリカレントユニット(GRU)オートエンコーダであるAttentiveGRUAEを提案する。 372名(GLOBEM 2018-2019)の長期睡眠データからAttentiveGRUAEを評価する。 これは、クラスタリングの品質と抑うつの分類の両方において、ベースラインクラスタリング、ドメイン指向の自己教師付きモデル、および改善されたモデルよりも優れたパフォーマンスを示す。
  論文  参考訳（メタデータ） (2025-10-02T20:52:16Z)
• A Novel Attention-Augmented Wavelet YOLO System for Real-time Brain Vessel Segmentation on Transcranial Color-coded Doppler [49.03919553747297]
  我々は,脳動脈を効率よく捉えることができるAIを利用したリアルタイムCoW自動分割システムを提案する。 Transcranial Color-coded Doppler (TCCD) を用いたAIによる脳血管セグメンテーションの事前研究は行われていない。 提案したAAW-YOLOは, 異方性および対側性CoW容器のセグメンテーションにおいて高い性能を示した。
  論文  参考訳（メタデータ） (2025-08-19T14:41:22Z)
• Explainable Anatomy-Guided AI for Prostate MRI: Foundation Models and In Silico Clinical Trials for Virtual Biopsy-based Risk Assessment [3.5408411348831232]
  MRIによる前立腺癌(PCa)のリスク階層化のための,完全に自動化された,解剖学的に指導されたディープラーニングパイプラインを提案する。 パイプラインは、前立腺とそのゾーンを軸方向のT2強調MRI上にセグメント化するためのnnU-Netモジュール、オプションの解剖学的先行と臨床データで3Dパッチに微調整されたDiceedPT Swin Transformer基盤モデルに基づく分類モジュール、決定駆動画像領域をローカライズする反ファクトなヒートマップを生成するVAE-GANフレームワークの3つの重要なコンポーネントを統合する。
  論文  参考訳（メタデータ） (2025-05-23T14:40:09Z)
• A weakly-supervised deep learning model for fast localisation and delineation of the skeleton, internal organs, and spinal canal on Whole-Body Diffusion-Weighted MRI (WB-DWI) [0.0]
  3DパッチをベースとしたResidual U-Netアーキテクチャに基づいた,ディープラーニングの自動パイプラインを開発した。 進行前立腺癌 (APC) と多発性骨髄腫 (MM) の532検体を含む多心性WB-DWIデータセットを用いた。 オートマチックとマニュアルフルボディのADCの相対的な中央値差は10%以下であった。 モデルはアトラスベース登録アルゴリズムの12倍高速であった。
  論文  参考訳（メタデータ） (2025-03-26T17:03:46Z)
• Building Brains: Subvolume Recombination for Data Augmentation in Large Vessel Occlusion Detection [56.67577446132946]
  この戦略をデータから学ぶためには、標準的なディープラーニングベースのモデルに対して、大規模なトレーニングデータセットが必要である。 そこで本研究では, 異なる患者から血管木セグメントを組換えることで, 人工的なトレーニングサンプルを生成する方法を提案する。 拡張スキームに則って,タスク固有の入力を入力した3D-DenseNetを用いて,半球間の比較を行う。
  論文  参考訳（メタデータ） (2022-05-05T10:31:57Z)
• A self-supervised learning strategy for postoperative brain cavity segmentation simulating resections [46.414990784180546]
  畳み込みニューラルネットワーク(CNN)は最先端の画像セグメンテーション技術である。 CNNはトレーニングに大量の注釈付きデータセットを必要とする。 自己教師型学習戦略は、トレーニングにラベルのないデータを活用することができる。
  論文  参考訳（メタデータ） (2021-05-24T12:27:06Z)

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。