論文の概要: Response-Aware Multimodal Learning for Post-Treatment Visual Acuity Forecasting

• arxiv url: http://arxiv.org/abs/2606.00588v1
• Date: Sat, 30 May 2026 07:36:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:28.538855
• Title: Response-Aware Multimodal Learning for Post-Treatment Visual Acuity Forecasting
• Title（参考訳）: 後視力予測のための応答型マルチモーダル学習
• Abstract要約: VEGF治療後の長期視力(VA)は、患者のカウンセリング、期待設定、追跡計画の中心である。 本稿では,ベースラインと月1OCTの構造的特徴を統合した応答対応マルチモーダルフレームワークReVAを提案する。 本研究は,早期治療応答信号の導入により,臨床的に有意な長期的視力予測が可能であることが示唆された。
• 参考スコア（独自算出の注目度）: 2.596631029172601
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Long-term visual acuity (VA) outcomes after anti-VEGF therapy are central to patient counseling, expectation setting, and follow-up planning in diabetic macular edema (DME). However, in clinical practice, physicians must often estimate long-term visual trajectories based only on early post-treatment findings, making reliable prognostication difficult. Although prior OCT-based learning approaches have largely focused on short-term response or single-endpoint prediction, modeling VA trajectories across multiple future time points from early longitudinal observations remains insufficiently explored. In this study, we assembled a real-world cohort of 188 anti-VEGF-treated DME patients with paired baseline and month-1 OCT scans, along with tabular OCT-derived biomarkers and non-imaging clinical variables. Using only these early data, we formulate a multi-horizon VA forecasting problem aimed at predicting visual outcomes at 3, 6, 12, 18, and 24 months, reflecting clinically meaningful follow-up intervals. We propose ReVA, a response-aware multimodal framework that integrates structural features from baseline and month-1 OCT with the tabular variables to capture baseline disease status and early treatment response. ReVA uses spatial attention to preserve localized prognostic imaging features and a dependency-aware tabular encoder to model interactions among clinical variables. These multimodal representations are fused to predict patient-specific long-term visual acuity trajectories. The proposed framework achieves MAE=0.1246, RMSE=0.1621, and R^2=0.6064 for 24-month VA prediction, with consistent performance across all forecast horizons. Our findings show that incorporating early treatment-response signals enables clinically meaningful long-term visual acuity forecasting, supporting data-driven decision support for routine anti-VEGF management.
• Abstract（参考訳）: 糖尿病性黄斑浮腫(DME)におけるVEGF治療後の長期視力(VA)は患者のカウンセリング、期待設定、追跡計画の中心である。 しかし, 臨床では, 治療後の早期所見のみに基づいて, 長期的視線軌跡を推定し, 診断が困難である場合が多い。 従来の OCT に基づく学習手法は,短期的応答や単一視点予測に大きく焦点を絞っているが,早期の経時的観測から,複数時点にわたるVA軌道のモデル化はいまだに不十分である。 本研究は,1対のベースラインと月-1OCTスキャンを併用した抗VEGF治療DME患者188名を対象に,表在性OCT由来のバイオマーカーと非画像的臨床変数を用いた実世界のコホートを作成した。 これらの早期データのみを用いて,3, 6, 12, 18, 24カ月の視力予後予測を目的とした多軸VA予測問題を定式化し,臨床的に有意な経過観察間隔を反映した。 本稿では,ベースラインと月1OCTの構造的特徴を表変数と統合し,ベースライン疾患のステータスと早期治療の応答をキャプチャする応答対応型マルチモーダルフレームワークReVAを提案する。 ReVAは空間的注意を用いて局所的な予後画像の特徴を保存し、臨床変数間の相互作用をモデル化するための依存性を意識した表層エンコーダである。 これらのマルチモーダル表現は、患者固有の長期的視力軌跡を予測するために融合される。 提案手法は,24ヶ月のVA予測においてMAE=0.1246,RMSE=0.1621,R^2=0.6064を達成し,全ての予測地平線を一貫した性能を示す。 本研究は,早期治療応答信号の導入により,臨床的に有意な長期的視力予測が可能であり,日常的抗VEGF管理のためのデータ駆動型意思決定支援が可能であることを示唆する。

関連論文リスト

• How Good are Foundation Models in Longitudinal MRI Disease Progression Reasoning? [49.14050864978079]
  我々は,マルチビュー解剖学的入力を統一する評価フレームワークであるTime-Aware Multi-View MRI Benchmarkを紹介した。 このベンチマークは、3200の縦断MRIのタイムポイントにまたがる890人の患者から得られた、専門家が検証した質問応答ペア3,920名からなる。
  論文  参考訳（メタデータ） (2026-08-13T14:35:20Z)
• TRACE-PCa: Predicting Prostate Cancer Progression from Longitudinal MRI During Active Surveillance [3.0383869408727864]
  アクティブな監視は、リスクの高い前立腺がんにとって好ましい戦略である。 現在のプロトコルは、スケジュールされた繰り返し生検に依存しており、そのほとんどは進行を示さず、不要である。 病変分節を伴わないASの病態進行を予測するために, 終端時間・多モーダルモデルを提案する。
  論文  参考訳（メタデータ） (2026-07-15T07:00:50Z)
• Graph Representation Learning of Longitudinal Medical Imaging Trajectories for Treatment Response Prediction [2.9823166626381212]
  乳癌患者では, 長期予後の指標として, 病理学的完全反応 (pCR) が確立されている。 本稿では,最先端のニューラルグラフと時間的モデリングを統合した,治療応答予測のための画像ベースの3次元時間的フレームワークを提案する。 NACT誘発pCRの予測に臨床的に有意な縦断的医療画像モデリングの有用性について検討した。
  論文  参考訳（メタデータ） (2026-07-06T10:39:14Z)
• Neural Architecture for Fast and Reliable Coagulation Assessment in Clinical Settings: Leveraging Thromboelastography [11.141462411413059]
  リアルタイム凝固モニタリングは、早期発見とリスクの即時修復を可能にする。 従来のトロンボエラストグラフィー(TEG)は、1時間近く測定した後にしかそのような出力が得られない。 本稿では,個人間の動的変化のアドバンテージを考慮に入れた新しいアルゴリズムPSRを提案する。
  論文  参考訳（メタデータ） (2026-01-12T15:03:53Z)
• Epistemic-aware Vision-Language Foundation Model for Fetal Ultrasound Interpretation [83.02147613524032]
  医療用AIシステムFetalMindについて報告する。 本稿では、専門家による2部グラフをモデルに注入し、ビュー・ディスリーズ関連を分離するSED(Salient Epistemic Disentanglement)を提案する。 FetalMindはすべての妊娠期のオープンソースおよびクローズドソースベースラインを上回り、平均利得は+14%、臨界条件では+61.2%高い。
  論文  参考訳（メタデータ） (2025-10-14T19:57:03Z)
• AI-based response assessment and prediction in longitudinal imaging for brain metastases treated with stereotactic radiosurgery [1.3844235712582453]
  脳転移(Brain Metastases, BM)は、がん患者の死亡率に大きく寄与する。 SRS(Stereotactic Radiosurgery)で治療し,MRI(Magnetic Resonance Imaging)で治療ガイドラインに従って経過観察する。 成長軌跡をよりよく理解し、治療の成功や毒性をできるだけ早く予測するために、縦断画像における治療に対する反応が研究されている。 本研究では, 約2カ月間隔で約360日以上観察された177例のSRS治療データを経時的に収集する自動パイプラインを構築し, 約896 BMのコホートを施行した。
  論文  参考訳（メタデータ） (2025-09-08T07:29:45Z)
• CTPD: Cross-Modal Temporal Pattern Discovery for Enhanced Multimodal Electronic Health Records Analysis [50.56875995511431]
  マルチモーダルEHRデータから有意な時間的パターンを効率的に抽出するために,CTPD(Cross-Modal Temporal Pattern Discovery)フレームワークを導入する。 提案手法では,時間的セマンティックな埋め込みを生成するためにスロットアテンションを用いて改良された時間的パターン表現を提案する。
  論文  参考訳（メタデータ） (2024-11-01T15:54:07Z)
• Harnessing the power of longitudinal medical imaging for eye disease prognosis using Transformer-based sequence modeling [49.52787013516891]
  今回提案した Longitudinal Transformer for Survival Analysis (LTSA, Longitudinal Transformer for Survival Analysis, LTSA) は, 縦断的医用画像から動的疾患の予後を予測できる。 時間的注意分析により、最新の画像は典型的には最も影響力のあるものであるが、以前の画像は追加の予後に価値があることが示唆された。
  論文  参考訳（メタデータ） (2024-05-14T17:15:28Z)
• Visual Acuity Prediction on Real-Life Patient Data Using a Machine Learning Based Multistage System [0.40151799356083057]
  視力(VA)の予測と実生活環境下での劣化の早期検出は、不均一データや不完全データにより困難である。 本稿では,ドイツの最大医療病院の眼科領域の異なるITシステムを融合した研究対応型データコーパスを開発するためのワークフローを提案する。 マクロ平均F1スコアの最終的な予測精度は、57.8と50 +-10.7%の眼科医と同じ範囲でありながら、69 %のマクロ平均F1スコアが得られる。
  論文  参考訳（メタデータ） (2022-04-25T21:20:27Z)
• MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
  本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。 我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。 我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
  論文  参考訳（メタデータ） (2020-10-08T15:30:17Z)
• BiteNet: Bidirectional Temporal Encoder Network to Predict Medical Outcomes [53.163089893876645]
  本稿では,患者の医療旅行におけるコンテキスト依存と時間的関係を捉える,新たな自己注意機構を提案する。 エンド・ツー・エンドの双方向時間エンコーダネットワーク(BiteNet)が患者の旅路の表現を学習する。 実世界のEHRデータセットを用いた2つの教師付き予測と2つの教師なしクラスタリングタスクにおける手法の有効性を評価した。
  論文  参考訳（メタデータ） (2020-09-24T00:42:36Z)

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。