論文の概要: Multimodal Stepwise Clinically-Guided Attention Learning for Pathological Complete Response Prediction in Breast Cancer

• arxiv url: http://arxiv.org/abs/2605.07561v1
• Date: Fri, 08 May 2026 10:34:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-11 19:43:38.999178
• Title: Multimodal Stepwise Clinically-Guided Attention Learning for Pathological Complete Response Prediction in Breast Cancer
• Title（参考訳）: 乳がんの病的完全反応予測のための多段階的臨床指導型注意学習
• Authors: Alice Natalina Caragliano, Valerio Guarrasi, Michela Gravina, Carlo Sansone, Paolo Soda,
• Abstract要約: 病理学的完全反応 (pCR) は, 乳がん患者にネオアジュバント療法を施行する鍵となる予後因子である。 乳房磁気共鳴画像(MRI)を用いたpCR予測のための臨床誘導型注意学習フレームワークを提案する。 このフレームワークは、異種MRIコホート間の外部検証によって評価される。
• 参考スコア（独自算出の注目度）: 4.6719795751452295
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Pathological complete response (pCR) is a key prognostic factor in breast cancer patients undergoing neoadjuvant therapy, strongly associated with long-term survival and treatment personalization. However, accurate pre-treatment pCR prediction remains challenging due to severe class imbalance and limited generalizability across diverse clinical settings. In this work, we propose a multimodal stepwise clinically-guided attention learning framework for pCR prediction from breast magnetic resonance imaging (MRI), designed to address these limitations through medically grounded spatial guidance and multimodal integration. The approach follows a stepwise training strategy inspired by physician reasoning: the model first learns global discriminative imaging patterns, then attention mechanisms are introduced to constrain the network toward tumor regions, and finally clinical variables are integrated to refine decision-making. This guidance strategy encourages prioritization of task-relevant features, improving identification of responders despite their limited representation in the dataset. Moreover, grounding attention in anatomically consistent tumor regions reduces reliance on dataset-specific patterns, thereby enhancing cross-institutional generalization. The framework is evaluated through external validation across heterogeneous MRI cohorts. Compared to non-guided single-stage baselines, the proposed approach improves sensitivity while maintaining competitive specificity, and produces anatomically coherent attention maps that support interpretation of the model's predictions. These findings highlight the potential of clinically-guided multimodal attention learning for robust and generalizable pCR prediction in breast cancer.
• Abstract（参考訳）: 病理学的完全反応 (pCR) は, 長期生存と治療のパーソナライゼーションに強く関与し, 新アジュバント療法を施行した乳癌患者における重要な予後因子である。 しかし, 重度のクラス不均衡と多種多様な臨床環境における限定的な一般化性のため, 正確なpCR予測は依然として困難である。 本研究では,乳房磁気共鳴画像(MRI)によるpCR予測のための,段階的に段階的に臨床的に誘導された注意学習フレームワークを提案する。 モデルはまずグローバルな識別的画像パターンを学習し、次に注意機構を導入し、ネットワークを腫瘍領域に制限し、最終的に臨床変数を統合して意思決定を洗練させる。 このガイダンス戦略は、タスク関連機能の優先順位付けを促進し、データセットに限定された表現にもかかわらず、応答者の識別を改善する。 さらに、解剖学的に一貫した腫瘍領域における注目の基盤は、データセット固有のパターンへの依存を減らし、組織間一般化を促進する。 このフレームワークは、異種MRIコホート間の外部検証によって評価される。 非誘導単段階ベースラインと比較して、提案手法は競争特異性を保ちながら感度を向上し、モデルの予測の解釈を支援する解剖学的に一貫性のある注意マップを生成する。 以上の結果から,乳がんにおける多目的注意学習の有用性が示唆された。

関連論文リスト

• Clinical Cognition Alignment for Gastrointestinal Diagnosis with Multimodal LLMs [63.535652574541764]
  MLLM(Multimodal Large Language Models)は医用画像解析において顕著な可能性を示した。 消化器内視鏡におけるそれらの応用は、現在、2つの重要な限界によって妨げられている。 本稿では,これらの課題に対処する新しい臨床認知アライメント(CogAlign)フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-21T07:47:37Z)
• Learning from Limited and Incomplete Data: A Multimodal Framework for Predicting Pathological Response in NSCLC [1.3160173536707265]
  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。
  論文  参考訳（メタデータ） (2026-03-16T10:51:52Z)
• 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)
• Radiomics-guided Multimodal Self-attention Network for Predicting Pathological Complete Response in Breast MRI [3.6852491526879687]
  本研究では,ダイナミックコントラスト強調画像(DCE)とADCマップを用いた乳癌患者のpCR予測モデルを提案する。 本手法は, 腫瘍関連領域からの特徴抽出を誘導するために放射線を利用した自己注意機構を備えたエンコーダを用いて, DCE MRI と ADC から特徴抽出を行う。
  論文  参考訳（メタデータ） (2024-06-05T04:49:55Z)
• Enhancing Clinical Support for Breast Cancer with Deep Learning Models using Synthetic Correlated Diffusion Imaging [66.63200823918429]
  深層学習モデルを用いた乳癌に対する臨床支援の強化について検討した。 我々は、体積畳み込みニューラルネットワークを利用して、前処理コホートから深い放射能特徴を学習する。 提案手法は, グレードと処理後応答予測の両方において, より良い性能を実現することができる。
  論文  参考訳（メタデータ） (2022-11-10T03:02:12Z)
• 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)
• Adaptive unsupervised learning with enhanced feature representation for intra-tumor partitioning and survival prediction for glioblastoma [12.36330256366686]
  そこで本研究では, 腫瘍内パーティショニングとグリオ芽腫生存予測のための適応型非教師なし学習手法を提案する。 新規かつ問題特異的な自動エンコーダ(FAE)を開発した。 以上の結果から, 提案手法は, 堅牢で臨床的に関連のあるMRIサブリージョンと, 統計的に有意な生存予測をもたらすことが示唆された。
  論文  参考訳（メタデータ） (2021-08-21T02:47:59Z)
• Explaining Clinical Decision Support Systems in Medical Imaging using Cycle-Consistent Activation Maximization [112.2628296775395]
  ディープニューラルネットワークを用いた臨床意思決定支援は、着実に関心が高まりつつあるトピックとなっている。 臨床医は、その根底にある意思決定プロセスが不透明で理解しにくいため、この技術の採用をためらうことが多い。 そこで我々は,より小さなデータセットであっても,分類器決定の高品質な可視化を生成するCycleGANアクティベーションに基づく,新たな意思決定手法を提案する。
  論文  参考訳（メタデータ） (2020-10-09T14:39:27Z)

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。