論文の概要: Predicting the risk of colorectal anastomotic leak based on preoperative mapping of the blood supply of the bowel

• arxiv url: http://arxiv.org/abs/2606.02156v1
• Date: Mon, 01 Jun 2026 12:20:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:31.987104
• Title: Predicting the risk of colorectal anastomotic leak based on preoperative mapping of the blood supply of the bowel
• Title（参考訳）: 術前の腸血行動態図による大腸肛門解離の危険度予測
• Authors: Zahra Tabatabaei, Jon Sporring, Mark Bremholm Ellebæk, Alaa El-Hussuna,
• Abstract要約: 大腸癌術後最も重篤な合併症の1つである。 術前に無症候性漏出のリスクを予測するためのCT法は存在しない。
• 参考スコア（独自算出の注目度）: 0.5833117322405447
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Anastomotic leak remains one of the most serious complications following colorectal cancer surgery, substantially affecting patient outcomes, recovery trajectories, and healthcare costs. Despite advances in imaging technology, current preoperative assessment relies only on clinical assessment, a process that is subjective, error-prone, and highly dependent on individual expertise. To date, no validated CT-based method exists to predict anastomotic leak risk prior to surgery. This protocol paper outlines a comprehensive framework for developing and validating an AI-driven system for preoperative risk assessment using pre- and post-contrast CT imaging. The study describes the stages of data collection, ethical handling, and preprocessing of patient data in accordance with GDPR, image preprocessing, and the exploration of deep learning architectures designed to generate clinically interpretable outputs. Two integrated tools constitute the main deliverables of this workflow: 1) a risk assessment module, which quantifies the likelihood of leakage by analyzing vascular and tissue features in CT scans, and 2) a Content-Based Medical Image Retrieval (CBMIR) module, which identifies and displays similar historical cases to support evidence-based surgical decision making. The protocol paper requires close collaboration between hospitals and universities; this protocol demonstrates that such a system is technically feasible and clinically implementable within existing healthcare infrastructures. By following the proposed methodological stages and regulatory principles, other institutions can reproduce this workflow to develop analogous decision-support tools. Ultimately, this interdisciplinary framework aims to enhance surgical planning, reduce leak incidence, and contribute to a broader paradigm shift toward explainable, data-driven precision surgery.
• Abstract（参考訳）: 大腸癌術後で最も重篤な合併症の1つは, 患者の予後, 回復軌跡, 医療費に大きく影響している。 画像技術の進歩にもかかわらず、現在の術前評価は臨床評価にのみ依存しており、それは主観的であり、エラーを起こし、個々の専門知識に大きく依存するプロセスである。 従来, 術前に無症候性漏出リスクを予測するためのCT法は存在しなかった。 本稿では, コントラスト前・後CT画像を用いた術前リスク評価のためのAI駆動システムの開発と検証のための包括的枠組みを概説する。 本研究は、GDPR、画像前処理、臨床解釈可能なアウトプットを生成するために設計されたディープラーニングアーキテクチャの探索に基づいて、データ収集、倫理的ハンドリング、患者データの事前処理の段階について述べる。 このワークフローの主な成果物は2つの統合ツールである。 1)CTスキャンにおける血管および組織の特徴を分析して漏洩の可能性を定量化するリスク評価モジュール 2)CBMIR(Content-Based Medical Image Retrieval)モジュールは,証拠に基づく外科的意思決定を支援するために,同様の歴史的事例を特定し,表示する。 本プロトコルは, 病院と大学との緊密な連携を必要とし, 既存の医療インフラにおいて, 技術的に実現可能で, 臨床的に実施可能であることを実証するものである。 提案された方法論的段階と規制原則に従うことで、他の機関はこのワークフローを再現し、類似の意思決定支援ツールを開発することができる。 最終的に、この学際的な枠組みは、手術計画の強化、漏れの発生率の低減、説明可能なデータ駆動精密手術への幅広いパラダイムシフトへの貢献を目的としている。

関連論文リスト

• Towards Patient-Specific Deformable Registration in Laparoscopic Surgery [1.2599533416395765]
  患者固有のノンリグッドポイントクラウド登録法について紹介する。 提案手法では,Transformerエンコーダ/デコーダアーキテクチャと重複推定と専用のマッチングモジュールを組み合わせる。 人工データと実データの両方を用いた実験結果から, 患者固有の方法が従来の手法より有意に優れていたことが判明した。
  論文  参考訳（メタデータ） (2026-04-14T18:09:32Z)
• From Redaction to Restoration: Deep Learning for Medical Image Anonymization and Reconstruction [0.0]
  本研究は、生臨床画像のボリュームを非同定分析可能なデータセットに変換するためのエンドツーエンドのディープラーニングフレームワークを提案する。 この手法は、まず、焼かれたテキストやメタデータなどの保護された健康情報(PHI)を含む可能性のある領域を検出し、再定義し、次に、生成的なディープラーニングモデルを使用して、その領域を塗り替える。 我々は,残量PHIと再作用の成功を定量化するプライバシ指向メトリクスと,復元されたボリュームの忠実度を評価する画像品質とタスクベースメトリクスの両方を用いて,アプローチを評価する。
  論文  参考訳（メタデータ） (2026-04-13T12:15:52Z)
• Improving Cardiac Risk Prediction Using Data Generation Techniques [37.94487163156369]
  本研究は,実世界の観測と整合したリアルな臨床記録の合成のためのアーキテクチャを提案する。 主な目的は、心的リスク予測モデルの性能を高めるため、利用可能なデータセットのサイズと多様性を高めることである。
  論文  参考訳（メタデータ） (2025-12-19T10:17:00Z)
• Semantic Segmentation for Preoperative Planning in Transcatheter Aortic Valve Replacement [61.573750959726475]
  経カテーテル大動脈弁置換術(TAVR)の術前計画のための医療ガイドラインを考察し,セマンティックセグメンテーションモデルを用いて支援できる課題を同定する。 まず, 細粒度のTAVR関連擬似ラベルを, 粗粒度の解剖学的情報から抽出し, セグメンテーションモデルを訓練し, スキャンでこれらの構造がどれだけよく見つかるかを定量化する。
  論文  参考訳（メタデータ） (2025-07-22T13:24:45Z)
• CPKD: Clinical Prior Knowledge-Constrained Diffusion Models for Surgical Phase Recognition in Endoscopic Submucosal Dissection [6.812360406181253]
  本稿では,拡散原理を認知することによって位相認識を再現する新しい生成フレームワークであるCPKDについて紹介する。 提案するCPKDは,最先端手法よりも優れた,あるいは同等の性能を実現する。
  論文  参考訳（メタデータ） (2025-07-04T04:54:47Z)
• Prediction of Post-Operative Renal and Pulmonary Complications Using Transformers [69.81176740997175]
  術後急性腎不全,肺合併症,院内死亡の予測におけるトランスフォーマーモデルの有用性について検討した。 以上の結果から,トランスフォーマーモデルにより術後合併症の予測や従来の機械学習モデルよりも優れた性能が得られることが示された。
  論文  参考訳（メタデータ） (2023-06-01T14:08:05Z)
• Safe Deep RL for Intraoperative Planning of Pedicle Screw Placement [61.28459114068828]
  安全な深部強化学習(DRL)に基づく訓練経路計画にリアルタイムな観察を活用するロボット脊椎手術の術中計画手法を提案する。 本手法は,ゴールドスタンダード (GS) 掘削計画に関して,90%の骨貫通を達成できた。
  論文  参考訳（メタデータ） (2023-05-09T11:42:53Z)
• Clinical Outcome Prediction from Admission Notes using Self-Supervised Knowledge Integration [55.88616573143478]
  臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。 退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。 複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
  論文  参考訳（メタデータ） (2021-02-08T10:26:44Z)

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。