論文の概要: Digitally enriching a screening population for pancreatic cancer using routine blood-based measures and clinical histories

• arxiv url: http://arxiv.org/abs/2605.30275v1
• Date: Thu, 28 May 2026 17:32:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-30 02:45:56.631455
• Title: Digitally enriching a screening population for pancreatic cancer using routine blood-based measures and clinical histories
• Title（参考訳）: 定期的血液測定法と臨床病理組織を用いた膵癌検診人口のデジタル化
• Authors: Chris Varghese, Leo Y. Li-Han, Richa Bisht, Ellen Larson, Frank Lee, Ryan M. Carr, Tanios S. Bekaii-Saab, Shounak Majumder, John D. Halamka, Mark Truty, Ajit H. Goenka, Hojjat Salehinejad, Cornelius A. Thiels,
• Abstract要約: 膵癌の早期発見は、治癒治療とがん死の減少を可能にする鍵となる。 本研究は,膵癌の治療的管理へのアクセスを拡大するための,最初の人口レベルのデジタルエンリッチメントツールの基礎となるものである。
• 参考スコア（独自算出の注目度）: 4.031714810466203
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Earlier detection of pancreatic cancer is key to enabling wider access to curative treatment and reducing cancer deaths; however, screening is presently not viable. Latent indicators of pathology are evident in an individual's disease and blood test trajectories and may predict the development of pancreatic cancer. Longitudinal sequences of coded diagnoses and blood test values accrued by patients throughout their clinical interactions were used to train a custom Transformer-based neural network with a multi-head attention mechanism to predict risk of pancreatic cancer with a multi-year lead time and risk-stratify populations for targeted screening. The cohort comprised 6,017 adults with pancreatic cancer and 177,081 controls (overall median age 75, 45% female) with median 12 years (interquartile range 6.9-16.2) of medical history prior to pancreatic cancer diagnosis. External validation via leave-one-site-out, out-of-sample testing predicting pancreatic cancer 1-, 2-, and 3-years prior to diagnosis demonstrated mean area under the receiver operating characteristic of 0.837 (95% confidence interval 0.827-0.848), 0.797 (95% confidence interval 0.782-0.813), and 0.760 (95% confidence interval 0.745-0.776), respectively. Estimated pancreatic cancer risks were well-calibrated (calibration plot slope 1.08, intercept of -0.077; Brier score 0.025), and a Bayesian population pancreatic cancer prevalence update allows estimated cancer risk outputs to be transportable across settings. At testing, a screening threshold of >3.3% risk of pancreatic cancer in 1-year offered a diagnostic odds ratio of 18.2. Our work therefore lays the foundation for a first population-level digital enrichment tool to widen access to curative-intent management of pancreatic cancer.
• Abstract（参考訳）: 膵癌の早期発見は、治癒治療への広範なアクセスとがん死の減少を可能にする鍵となるが、現在、スクリーニングは不可能である。 病理の潜在指標は、個人の疾患や血液検査の軌跡で明らかであり、膵癌の発生を予測する可能性がある。 患者が臨床相互作用を通じて獲得したコード診断および血液検査値の経時的配列を用いて, 膵がんのリスクを複数年リードタイムで予測し, ターゲットスクリーニングのためのリスクストラテジファイド人口を予測するために, マルチヘッドアテンション機構を備えたトランスフォーマーベースのニューラルネットワークをトレーニングした。 膵癌6,017名,膵癌177,081名 (全中央値75,45%女性) で, 膵癌診断前の12年中央値(6.9～16.2) であった。 膵癌1-, 2-, 3年経過前の膵癌1-, 2-, 3年経過前の膵癌1-, 2-, 3年後の膵癌1-, 膵癌1-, 膵癌1-, 膵癌1-, 膵癌1-, 膵癌1-, 膵癌1-, 膵癌1-, 膵癌1-, 膵癌1-, 膵癌1-, 膵癌1-, 膵癌1-, 膵癌1-, 膵癌1-, 膵癌1-, 膵癌1-, 膵癌1-, 膵癌2, 膵癌1-, 膵癌1-, 膵癌1-, 膵癌1-, 膵癌1-, 膵癌2, 膵癌1。 推定膵癌リスクは校正された(校正プロットスロープ1.08、インターセプト-0.077、ブライアスコア0.025)。 検査では1年間の膵癌リスクは3.3%であり、診断確率比は18.2であった。 そこで本研究は,膵癌の治療的管理へのアクセスを拡大するための,最初の人口レベルのデジタルエンリッチメントツールの基礎を築いた。

関連論文リスト

• A Breast Vision Pathology Foundation Model for Real-world Clinical Utility [65.57568187389113]
  a bfBRAVE, a breast-adaptive pathology foundation model developed and evaluation using a total resources of 101,638 breast wholeslide images。 臨床ワークフローにおけるBRAVEの実践的役割は、通常のAI支援による第2レビューから低リスクのケースを安全に排除すること、そしてさらなる評価のためのケースの優先順位付けなどである。
  論文  参考訳（メタデータ） (2026-05-06T07:44:39Z)
• Early and Prediagnostic Detection of Pancreatic Cancer from Computed Tomography [46.596419554048225]
  膵管腺癌 (PDAC) は遅発性, 手術不能な症例が多い。 ePAI(早期膵癌検出と人工知能)という自動システムを開発した。 ePAIは159例中75例においてPDACの検出と局所化に成功し, 平均リード時間は347日であった。
  論文  参考訳（メタデータ） (2026-01-29T18:55:23Z)
• Cyst-X: A Federated AI System Outperforms Clinical Guidelines to Detect Pancreatic Cancer Precursors and Reduce Unnecessary Surgery [17.390996506076004]
  Cyst-Xは、764人の患者の1,461のMRIスキャンのユニークなマルチセンターデータセットに基づいてトレーニングされたIPMNリスク予測のためのAIフレームワークである。 Cystic-Xは、確立された京都のガイドラインと専門家の放射線技師よりはるかに高い精度(AUC = 0.82)を達成する。 Cystic-Xは膵嚢胞分析のための最初の大規模なマルチセンターMRIリソースを提供する。
  論文  参考訳（メタデータ） (2025-07-29T17:06:22Z)
• Deep learning-based identification of patients at increased risk of cancer using routine laboratory markers [2.482109221766753]
  がんスクリーニングは、スクリーニング方法と頻度を決定するために、最初のリスク階層化ステップを含む。 ほとんどのスクリーニングプログラムでは、年齢や家族歴などの臨床リスク要因は、最初のリスク階層化アルゴリズムの一部である。 本研究は, 大腸癌, 肝癌, 肺癌のリスクのある患者を鑑別するために, 血液計数や完全代謝パネルなどの簡便な血液検査を併用できることを実証した。
  論文  参考訳（メタデータ） (2024-10-25T15:50:27Z)
• Boosting Medical Image-based Cancer Detection via Text-guided Supervision from Reports [68.39938936308023]
  本研究では, 高精度ながん検出を実現するための新しいテキスト誘導学習法を提案する。 本手法は,大規模プレトレーニングVLMによる臨床知識の活用により,一般化能力の向上が期待できる。
  論文  参考訳（メタデータ） (2024-05-23T07:03:38Z)
• A new algorithm for Subgroup Set Discovery based on Information Gain [58.720142291102135]
  Information Gained Subgroup Discovery (IGSD)は、パターン発見のための新しいSDアルゴリズムである。 IGSDと最先端の2つのSDアルゴリズム(FSSDとSSD++)を比較した。 IGSDはFSSDやSSD++よりもOR値が優れており、パターンとターゲットへの依存度が高い。
  論文  参考訳（メタデータ） (2023-07-26T21:42:34Z)
• Cluster-Induced Mask Transformers for Effective Opportunistic Gastric Cancer Screening on Non-contrast CT Scans [38.46196471197819]
  世界第3位の死因は胃癌である。 既存の方法は侵襲的であり、高価であり、早期胃癌を特定する感度が欠如している。 マルチタスク方式で腫瘍を共同分割し異常を分類する新規なクラスタ誘導型マスクトランスを提案する。
  論文  参考訳（メタデータ） (2023-07-10T12:49:36Z)
• Cancer-Net BCa-S: Breast Cancer Grade Prediction using Volumetric Deep Radiomic Features from Synthetic Correlated Diffusion Imaging [82.74877848011798]
  乳がんの流行は成長を続けており、2023年には米国で約30万人の女性に影響を及ぼした。 金標準のScarff-Bloom-Richardson(SBR)グレードは、化学療法に対する患者の反応を一貫して示すことが示されている。 本稿では,合成相関拡散(CDI$s$)画像を用いた乳がん鑑定における深層学習の有効性について検討する。
  論文  参考訳（メタデータ） (2023-04-12T15:08:34Z)
• Segmentation for Classification of Screening Pancreatic Neuroendocrine Tumors [72.65802386845002]
  本研究は,腹部CTで膵神経内分泌腫瘍(PNET)を早期に検出するための包括的結果を提示する。 我々の知る限りでは、このタスクは以前まで計算タスクとして研究されていなかった。 我々の手法は最先端のセグメンテーションネットワークより優れ、感度は89.47%、特異性は81.08%である。
  論文  参考訳（メタデータ） (2020-04-04T21:21:44Z)

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。