論文の概要: BioFact-MoE: Biologically Factorized Mixture of Experts for Vision-Language Prognostic Modeling in Hepatocellular Carcinoma
- arxiv url: http://arxiv.org/abs/2605.26376v1
- Date: Mon, 25 May 2026 22:53:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-27 17:51:41.496512
- Title: BioFact-MoE: Biologically Factorized Mixture of Experts for Vision-Language Prognostic Modeling in Hepatocellular Carcinoma
- Title（参考訳）: BioFact-MoE: 肝細胞癌におけるビジョン・ランゲージ予後モデリングの専門家のバイオファクト-MoE
- Authors: Junlin Yang, Tian Yu, Nicha C. Dvornek, Yuexi Du, Peiyu Duan, Annabella Shewarega, Lawrence H. Staib, James S. Duncan, Julius Chapiro,
- Abstract要約: 肝臓と腫瘍の因子を特異的に分解するバイオファクト-MoEを生物分解したMixture of Experts (MoE) フレームワークとして紹介する。
N=588患者のHCCコホート(4,582枚のMRI画像報告ペア)では、BioFact-MoEはすべてのベースラインでの生存予測を一貫して改善する。
- 参考スコア（独自算出の注目度）: 14.302477380932059
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Hepatocellular carcinoma (HCC) is biologically heterogeneous, shaped by the interplay between hepatic functional reserve and tumor-related oncologic factors; thus, similar survival outcomes may reflect fundamentally different underlying biological processes. Prognostic modeling in HCC is informed by rich multimodal information from multiparametric MRI and radiology reports from routine clinical practice. Existing prognostic vision-language models (VLMs) learn a single entangled latent representation that blends hepatic and tumor-related factors, limiting both accuracy and biological interpretability. We present BioFact-MoE, a biologically factorized Mixture of Experts (MoE) framework that explicitly decomposes liver and tumor factors via biologically supervised experts within a residual MoE survival architecture. On a HCC cohort of N=588 patients (pretrained on 4,582 3D MRI image-report pairs), BioFact-MoE consistently improves survival prediction over all baselines across time horizons, achieving 12-, 18-, and 24-month AUCs of 75.33%, 75.85%, and 73.96%. Beyond scalar risk prediction, gated expert weights enable phenotype-aware risk stratification. Pathway-informed gating uncovers clinically meaningful treatment-associated survival heterogeneity. In held-out validation, hepatic and tumor embeddings show selective associations with liver function and tumor burden markers, respectively (p<0.05), without supervision. The code is available at https://github.com/jy-639/BioFact-MoE.
- Abstract（参考訳）: 肝細胞癌(HCC)は、肝機能予備と腫瘍関連腫瘍学的因子との相互作用によって形成される、生物学的に異質である。
HCCにおける予後モデリングは, マルチパラメトリックMRIによる多変量情報と, 定期診療からの放射線検査報告から, リッチ・マルチモーダル・インフォメーションによって通知される。
既存の予後視覚言語モデル(VLM)は、肝および腫瘍関連因子をブレンドし、正確性と生物学的解釈性の両方を制限する、単一の絡み合った潜伏表現を学習する。
バイオファクト・モエ(BioFact-MoE, BioFact-MoE)は, 肝臓と腫瘍の因子を特異的に分解するバイオファクト・モエ(MioFact-MoE)フレームワークである。
N=588患者のHCCコホート(4,582個のMRI画像レポートペア)では、BioFact-MoEは時間的地平線をまたいだ全てのベースラインの生存予測を継続的に改善し、75.33%、75.85%、73.96%の24ヶ月のAUCを達成している。
スカラーリスク予測以外にも、ゲートされた専門家の重み付けにより、表現型対応のリスク階層化が可能になる。
経路インフォームド・ゲーティングは臨床的に有意な治療関連生存不均一性を明らかにする。
肝腫瘍は肝機能と腫瘍負担マーカー(p<0.05。
コードはhttps://github.com/jy-639/BioFact-MoE.comで入手できる。
関連論文リスト
- Pan-Cancer Mapping of the Tumor Immune Landscape through Metagene Clustering and Predictive Modeling [0.40611352512781856]
免疫プロファイリングの進歩にもかかわらず、免疫表現型を誘導するメカニズムは未だ不明である。
本研究は、新規で堅牢な免疫関連遺伝子クラスター(メタゲイン)の同定を目的とする。
遺伝子は高発現群と低発現群の差分表現によってランク付けされた。
論文 参考訳（メタデータ） (2026-03-28T05:38:40Z) - Explainable histomorphology-based survival prediction of glioblastoma, IDH-wildtype [0.030922209117666726]
Glioblastoma, IDH-wildtype (GBM-IDHwt) が最も多い悪性脳腫瘍である。
病理組織学はGBM-IDHwtの統合診断において重要な要素である。
本稿では, 生存に伴う組織学的特徴の体系的解釈を支援するための, 説明可能なAIベースの手法を提案する。
論文 参考訳（メタデータ） (2026-01-16T15:35:12Z) - Biologically Disentangled Multi-Omic Modeling Reveals Mechanistic Insights into Pan-Cancer Immunotherapy Resistance [0.9787436863401008]
転写情報とゲノムデータを統合する深層生成モデルであるBDVAE(Biologically Disentangled Variational Autoencoder)を導入する。
366人のパン・カンサー・コホートに適用すると、BDVAEは治療反応を正確に予測する。
免疫抑制、代謝シフト、神経シグナル伝達などの重要な抵抗機構を明らかにする。
論文 参考訳（メタデータ） (2025-08-26T03:33:56Z) - 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) - Interpretable Graph Kolmogorov-Arnold Networks for Multi-Cancer Classification and Biomarker Identification using Multi-Omics Data [36.92842246372894]
Multi-Omics Graph Kolmogorov-Arnold Network (MOGKAN)は、メッセンジャーRNA、マイクロRNA配列、DNAメチル化サンプルを利用するディープラーニングフレームワークである。
グラフに基づく深層学習とマルチオミクスデータを統合することにより,提案手法は頑健な予測性能と解釈可能性を示す。
論文 参考訳（メタデータ） (2025-03-29T02:14:05Z) - DLSOM: A Deep learning-based strategy for liver cancer subtyping [0.0]
肝がんは世界中でがん関連死亡の原因となっている。
本研究は,1,139個の肝癌サンプルの体細胞突然変異の全体像を解析するために,積み重ねオートエンコーダを用いたディープラーニングフレームワークであるDLSOMを紹介する。
論文 参考訳（メタデータ） (2024-12-15T23:13:29Z) - Deep Learning-based Prediction of Breast Cancer Tumor and Immune Phenotypes from Histopathology [3.9270231212340354]
各患者の腫瘍に対する腫瘍および免疫性表現型を再現的に測定する方法は広くは存在しない。
原発性乳癌のヘマトキシリンおよびエオシンスライドから10種類の生物学的関連経路の活性を評価するために,MILアルゴリズムを適用した。
訓練されたモデルでは,H&Eから細胞サブ集団の生物学的に関連する空間パターンを認識できる。
論文 参考訳（メタデータ） (2024-04-25T08:15:37Z) - 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) - Deep learning-based approach to reveal tumor mutational burden status
from whole slide images across multiple cancer types [41.61294299606317]
腫瘍突然変異負担(TMB)は、免疫療法の潜在的なゲノムバイオマーカーである。
ゲノムシークエンシングによって検出されたTMBは、低リソース環境での臨床透過性を欠いている。
本研究では,日常的に使用されているスライド画像からTMB状態を検出するための大規模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） (2022-04-07T07:02:32Z) - Cancer Gene Profiling through Unsupervised Discovery [49.28556294619424]
低次元遺伝子バイオマーカーを発見するための,新しい,自動かつ教師なしのフレームワークを提案する。
本手法は,高次元中心型非監視クラスタリングアルゴリズムLP-Stabilityアルゴリズムに基づく。
私達の署名は免疫炎症および免疫砂漠の腫瘍の区別の有望な結果報告します。
論文 参考訳（メタデータ） (2021-02-11T09:04:45Z)
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。