論文の概要: Predicting Response to Neoadjuvant Chemotherapy in Ovarian Cancer from CT Baseline Using Multi-Loss Deep Learning
- arxiv url: http://arxiv.org/abs/2605.14991v1
- Date: Thu, 14 May 2026 15:53:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-15 21:45:34.92717
- Title: Predicting Response to Neoadjuvant Chemotherapy in Ovarian Cancer from CT Baseline Using Multi-Loss Deep Learning
- Title（参考訳）: マルチロスディープラーニングを用いたCTベースラインからの卵巣癌に対するネオアジュバント化学療法の適応予測
- Authors: Francesco Pastori, Francesca Fati, Marina Rosanu, Luigi De Vitis, Lucia Ribero, Gabriella Schivardi, Giovanni Damiano Aletti, Nicoletta Colombo, Jvan Casarin, Francesco Multinu, Elena De Momi,
- Abstract要約: ネオアジュバント化学療法に対する非反応剤の早期同定は重要なアンメットの必要性である。
本研究は, 術前造影CTを用いた非侵襲的深層学習フレームワークを提案する。
訓練は、分類損失と教師付きコントラスト正則化とハードネガティブマイニングを組み合わせることで、曖昧な応答者と非応答者の分離を改善する。
- 参考スコア（独自算出の注目度）: 3.7830216516108646
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Ovarian cancer is the most lethal gynecologic malignancy: around 60% of patients are diagnosed at an advanced stage, with an associated 5-year survival rate of about 30%. Early identification of non-responders to neoadjuvant chemotherapy remains a key unmet need, as it could prevent ineffective therapy and avoid delays in optimal surgical management. This work proposes a non-invasive deep learning framework to predict neoadjuvant chemotherapy response from pre-treatment contrast-enhanced CT by leveraging automatically derived 3D lesion masks. The approach encodes axial slices with a partially fine-tuned pretrained image encoder and aggregates slice-level representations into a volumetric embedding through an attention-based module. Training combines classification loss with supervised contrastive regularization and hard-negative mining to improve separation between ambiguous responders and non-responders. The method was developed on a retrospective single-center cohort from the European Institute of Oncology (Milan, IT), including 280 eligible patients (147 responder, 133 non-responder). On the test cohort, the model achieved a ROC-AUC of 0.73 (95% CI: 0.58-0.86) and an F1-score of 0.70 (95% CI: 0.56-0.82). Overall, these results suggest that the proposed architecture learns clinically relevant predictive patterns and provides a robust foundation for an imaging-based stratification tool.
- Abstract（参考訳）: 卵巣癌は最も致命的な婦人科悪性腫瘍であり、約60%の患者が進行期に診断され、5年生存率は約30%である。
ネオアジュバント化学療法に対する非対応薬の早期発見は、非有効治療を予防し、外科的外科的治療の遅れを回避できるため、依然として重要ではない。
本研究は, 自動抽出3次元病変マスクを用いて, 治療前造影CTからネオアジュバント化学療法反応を予測する非侵襲的深層学習フレームワークを提案する。
このアプローチは、部分的に微調整された事前訓練されたイメージエンコーダで軸方向スライスを符号化し、スライスレベルの表現をアテンションベースのモジュールを通じてボリューム埋め込みに集約する。
訓練は、分類損失と教師付きコントラスト正則化とハードネガティブマイニングを組み合わせることで、曖昧な応答者と非応答者の分離を改善する。
この方法を開発したのは、欧州腫瘍学研究所 (Milan, IT) の振り返りシングルセンターコホートで、280名(応答者147名、非応答者133名)を対象とする。
テストコホートでは、ROC-AUCは0.73(95% CI: 0.58-0.86)、F1スコアは0.70(95% CI: 0.56-0.82)に達した。
これらの結果から,提案アーキテクチャは臨床的に関連性のある予測パターンを学習し,画像ベースの階層化ツールの堅牢な基盤を提供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) - Enhancing Renal Tumor Malignancy Prediction: Deep Learning with Automatic 3D CT Organ Focused Attention [10.478289475369644]
従来のアプローチは、しばしば手動のセグメンテーションに依存して腫瘍領域を分離し、ノイズを低減し、予測性能を高める。
本研究では,OFA(Organ Focused Attention)ロス関数を用いて,画像パッチの注目度を変化させる深層学習フレームワークを開発した。
ノイズ低減のためのセグメンテーションに基づく作付けに依存する従来のモデルの性能を上回った。
論文 参考訳（メタデータ） (2026-02-25T20:26:57Z) - Developing Predictive and Robust Radiomics Models for Chemotherapy Response in High-Grade Serous Ovarian Carcinoma [0.9165796164519936]
ネオアジュバント化学療法 (Neoadjuvant chemotherapy, NACT) は、手術前に腫瘍の負担を軽減するためにしばしば用いられるが、約40%の患者は反応が限られている。
放射能と機械学習(ML)を組み合わせることで、NAT応答を予測するための有望な非侵襲的手法を提供する。
本研究は,異なる特徴選択法を用いてNACTを施行したHGSOC患者の応答予測を改善することを目的とした。
論文 参考訳（メタデータ） (2026-01-13T11:29:02Z) - 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) - LGE-Guided Cross-Modality Contrastive Learning for Gadolinium-Free Cardiomyopathy Screening in Cine CMR [51.11296719862485]
CMRを用いたガドリニウムフリー心筋症スクリーニングのためのコントラシブラーニングおよびクロスモーダルアライメントフレームワークを提案する。
CMRとLate Gadolinium Enhancement (LGE) 配列の潜伏空間を整列させることにより, 本モデルでは線維症特異的な病理組織をCMR埋め込みにエンコードする。
論文 参考訳（メタデータ） (2025-08-23T07:21:23Z) - 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) - Developing a Novel Image Marker to Predict the Clinical Outcome of Neoadjuvant Chemotherapy (NACT) for Ovarian Cancer Patients [1.7623658472574557]
ネオアジュバント化学療法(ネオアジュバントセラピー、Neoadjuvant chemotherapy, NACT)は、卵巣がんの進行期における治療法の一つ。
NACTに対する部分的反応は、近位部破裂手術を引き起こす可能性があり、予後不良を引き起こす。
我々は,NATの早期に高精度な予後予測を実現するために,新しい画像マーカーを開発した。
論文 参考訳（メタデータ） (2023-09-13T16:59:50Z) - 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) - Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on
2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。
合計320回の試験(平均6回の試験)と28回の試験が行われた。
ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
論文 参考訳（メタデータ） (2020-05-27T20:44:38Z)
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。