論文の概要: Prediction of Rectal Cancer Regrowth from Longitudinal Endoscopy

• arxiv url: http://arxiv.org/abs/2605.12855v1
• Date: Wed, 13 May 2026 01:02:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-14 23:30:27.742581
• Title: Prediction of Rectal Cancer Regrowth from Longitudinal Endoscopy
• Title（参考訳）: 縦断内視鏡による直腸癌進展の予測
• Authors: Jorge Tapias Gomez, Despoina Kanata, Aneesh Rangnekar, Christina Lee, Hannah Williams, Hannah Thompson, J. Joshua Smith, Francisco Sanchez-Vega, Mert R. Sabuncu, Julio Garcia-Aguilar, Harini Veeraraghavan,
• Abstract要約: 直腸癌監視中の患者において早期に局所的な腫瘍再発を検出する客観的に正確な方法はない。 経時的直腸内視鏡的クロスアテンション (TREX) は, 経時的深層学習のアプローチであり, CRとLRを区別するために, 回復時に取得した画像と後続画像を組み合わせた。 TREXは高い感度が97%$pm$ 6%、バランスの取れた精度が90%$pm$ 3%であった。
• 参考スコア（独自算出の注目度）: 4.441994284170737
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Clinical trial studies indicate benefit of watch-and-wait (WW) surveillance for patients with rectal cancer showing a complete or near clinical response (CR) directly after treatment (restaging). However, there are no objectively accurate methods to early detect local tumor regrowth (LR) in patients undergoing WW from follow-up exams. Hence, we developed Temporal Rectal Endoscopy Cross-attention (TREX), a longitudinal deep learning approach that combines pairs of images acquired at restaging and follow-up to distinguish CR from LR. TREX uses pretrained Swin Transformers in a siamese setting to extract features from longitudinal images and dual cross-attention to combine the features without spatial co-registration between image pairs. TREX and Swin-based baselines were trained under two settings: (a) detecting LR or CR at the last available follow-up and (b) early detection of LR at 3--6, 6--12, and 12--24 months before clinical confirmation. TREX achieved the highest accuracy in detecting LR with a high sensitivity of 97% $\pm$ 6% and a balanced accuracy of 90% $\pm$ 3%, and outperformed all baselines in early detection at both 3--6 (74% $\pm$ 1%) and 6--12 months (62% $\pm$ 4%) prior to clinical detection. Clinical validation via a surgeon survey showed that TREX matched attending-level overall accuracy (TREX: 86.21% vs.\ Clinicians: 87.84% $\pm$ 1.28%). Finally, we explored TREX's ability to predict treatment response by combining pre-treatment (pre-TNT) and restaging endoscopies, achieving a balanced accuracy of 73% $\pm$ 12%. These results show that longitudinal deep learning analysis of endoscopy may improve surveillance and enable earlier identification of rectal cancer regrowth.
• Abstract（参考訳）: 臨床治験では,治療後(回復期)に直接完全ないし近縁な臨床反応(CR)を示す直腸癌患者に対して,ウォッチ・アンド・ウェイト監視(WW)の有用性が示唆された。 しかし, 術後のWW患者の早期局所腫瘍再発(LR)を客観的に検出する方法は存在しない。 そこで我々は, 経時的直腸内視鏡的クロスアテンション(TREX)を開発した。これは, 回復時に取得した画像のペアを組み合わせて, CRとLRを区別する, 縦方向の深層学習手法である。 TREXは、事前訓練されたスウィントランスフォーマーをシマセッティングに使用し、縦方向の画像から特徴を抽出し、二重交叉アテンションを組み合わせ、画像ペア間の空間的共存なしに特徴を結合する。 TREXとSwinベースのベースラインは2つの設定でトレーニングされた。 (a)最後の追跡でLR又はCRを検出すること b) 3-6, 6--12, 12-24カ月前のLRの早期検出において, TREXは高感度97%$\pm$ 6%, バランスの取れた精度90%$\pm$ 3%, 3-6 (74%$\pm$ 1%) および6--12ヶ月(62%$\pm$ 4%) の早期検出において, LRを高い精度で検出し, 早期検出では3-6 (74%$\pm$ 1%) および6-12カ月 (62%$\pm$ 4%) で成績を上げた。 外科検査による臨床的検証では、TREXは参加者レベルの総合的精度(TREX:86.21% vs.)と一致した。 臨床医:87.84%$\pm$1.28%)。 最後に, TREXによる前処置(pre-TNT)と再生内視鏡の併用による治療効果の予測能力について検討し, 73%$\pm$12%のバランスの取れた精度を実現した。 以上の結果から,内視鏡の縦断的深層学習解析が監視を改善し,直腸癌再発の早期発見を可能にする可能性が示唆された。

関連論文リスト

• Vision Transformers for Preoperative CT-Based Prediction of Histopathologic Chemotherapy Response Score in High-Grade Serous Ovarian Carcinoma [5.924316400347799]
  本稿では,事前学習したビジョントランスフォーマーエンコーダを用いて,病変密度のオーメンタルスライスを処理する2.5Dマルチモーダルディープラーニングフレームワークを提案する。 ROC-AUCは95%の精度と80%の精度で得られた。 これらの予備的な結果は、HGSOCにおけるCRSの術前予測におけるトランスフォーマーベース深層学習の可能性を示している。
  論文  参考訳（メタデータ） (2026-04-10T10:33:07Z)
• Benchmarking Multi-turn Medical Diagnosis: Hold, Lure, and Self-Correction [72.89352076103889]
  大規模言語モデル (LLM) は, 臨床情報がすべて一ターンで提供される場合に, 高い精度で診断を行う。 1,035例からなる高忠実多ターン診断ベンチマークであるMINTを導入する。 診断決定に大きな影響を及ぼす3つの永続的な行動パターンを明らかにする。
  論文  参考訳（メタデータ） (2026-04-06T00:23:10Z)
• Dual Cross-Attention Siamese Transformer for Rectal Tumor Regrowth Assessment in Watch-and-Wait Endoscopy [1.8302060641103655]
  回復・追跡時に経時的内視鏡像を合成するために,Dual Cross-Attention (SSDCA) を併用したSiamese Swin Transformerを開発した。 SSDCAは最もバランスのとれた精度(81.76%$pm$0.04)、感度(90.07%$pm$0.08)、特異性(72.86%$pm$0.05)を生み出した。 堅牢性分析では, 血液, 便, 血管拡張症, 画像品質の低下など, アーチファクトによらず, 安定した性能を示した。
  論文  参考訳（メタデータ） (2025-12-03T15:34:29Z)
• Neural Discrete Representation Learning for Sparse-View CBCT Reconstruction: From Algorithm Design to Prospective Multicenter Clinical Evaluation [64.42236775544579]
  コーンビームCT(CBCT)ガイド下穿刺は胸部腫瘍の診断・治療に確立されたアプローチとなっている。 DeepPriorCBCTは3段階のディープラーニングフレームワークであり、従来の放射線線量の6分の1しか使用せずに診断段階の再構築を実現する。
  論文  参考訳（メタデータ） (2025-11-30T12:45:02Z)
• A Disease-Centric Vision-Language Foundation Model for Precision Oncology in Kidney Cancer [54.58205672910646]
  RenalCLIPは、腎腫瘤の特徴、診断、予後のための視覚言語基盤モデルである。 腎がんの完全な臨床ワークフローにまたがる10のコアタスクにおいて、優れたパフォーマンスと優れた一般化性を実現した。
  論文  参考訳（メタデータ） (2025-08-22T17:48:19Z)
• Improving Breast Cancer Grade Prediction with Multiparametric MRI Created Using Optimized Synthetic Correlated Diffusion Imaging [71.91773485443125]
  乳がん治療計画において、グレーディングは重要な役割を担っている。 現在の腫瘍グレード法では、患者から組織を抽出し、ストレス、不快感、医療費の上昇につながる。 本稿では,CDI$s$の最適化による乳癌の診断精度の向上について検討する。
  論文  参考訳（メタデータ） (2024-05-13T15:48:26Z)
• Swin transformers are robust to distribution and concept drift in endoscopy-based longitudinal rectal cancer assessment [3.0468533447146244]
  直腸癌治療の様々な段階において内視鏡画像を用いて治療の反応と毒性を評価する。 主観評価は非常に変動しており、一部の患者では反応の程度を過小評価することができる。 深層学習の進歩は、内視鏡画像に対して一貫した客観的応答アセスメントを生成する能力を示している。
  論文  参考訳（メタデータ） (2024-05-06T18:01:13Z)
• CoRe: An Automated Pipeline for The Prediction of Liver Resection Complexity from Preoperative CT Scans [53.561797148529664]
  肝切除を複雑にするために重要な位置にある腫瘍が知られている。 CoReは、術後LRの複雑さを予測するための自動化された医療画像処理パイプラインである。
  論文  参考訳（メタデータ） (2022-10-15T15:29:24Z)
• A Convolutional Approach to Vertebrae Detection and Labelling in Whole Spine MRI [70.04389979779195]
  脊椎MRIにおける脊椎の発見と同定のための新しい畳み込み法を提案する。 これには学習ベクトル場を使用して、検出された脊椎の角を個別の脊椎にまとめる。 本手法の臨床的有用性を示すために, 腰部, 脊柱管内MRスキャンにおける側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側
  論文  参考訳（メタデータ） (2020-07-06T09:37:12Z)

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。