論文の概要: Multi-Modal Machine Learning for Breast Cancer Recurrence Prediction

• arxiv url: http://arxiv.org/abs/2606.02892v1
• Date: Mon, 01 Jun 2026 21:06:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-03 22:00:04.609235
• Title: Multi-Modal Machine Learning for Breast Cancer Recurrence Prediction
• Title（参考訳）: 乳がん再発予測のためのマルチモーダル機械学習
• Authors: Jiahao Shao, Xudong Wang, Anam Nawaz Khan, Christopher Brett, Xueping Li, Bing Yao,
• Abstract要約: 乳がんの再発は、生存者の長期死亡の主な原因である。 従来の予測モデルは、しばしば構造化データまたは非構造化データのみに限定され、完全な臨床コンテキストを捉えるのに苦労する。 本研究は, 治療記録, 病理報告, 臨床ノートなどの多段階臨床データの統合が再発予測に及ぼす影響について検討した。
• 参考スコア（独自算出の注目度）: 13.264276237086731
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Breast cancer recurrence, a leading cause of long-term mortality among survivors, requires timely and accurate risk assessment to guide follow-up care and treatment planning. Traditional predictive models, often limited to either structured or unstructured data alone, struggle to capture the full clinical context. This study examines the impact of integrating multi-modal clinical data, including treatment records, pathology reports, and clinician notes, on recurrence prediction. By integrating a rule-based regular expression extraction mechanism with a rigorous precedence-based conflict reconciliation strategy, our approach effectively recovers definitive tumor characteristics from free-text pathology narratives to augment structured records. We also benchmark performance against commonly used feature sets from prior breast cancer studies to assess the added value of multi-modal integration. Single-source and multi-modal inputs are evaluated across a range of machine learning models. Results show that multi-modal integration consistently improves predictive accuracy compared to single-modal methods.
• Abstract（参考訳）: 乳がんの再発は、生存者の長期死亡の主な原因であり、フォローアップケアと治療計画の指針として、タイムリーかつ正確なリスク評価が必要である。 従来の予測モデルは、しばしば構造化データまたは非構造化データのみに限定され、完全な臨床コンテキストを捉えるのに苦労する。 本研究は, 治療記録, 病理報告, 臨床ノートなどの多段階臨床データの統合が再発予測に及ぼす影響について検討した。 規則に基づく正規表現抽出機構を厳密な先行性に基づく競合和合戦略と統合することにより,本手法は,自由文の病的記述から構造化記録の拡張に至るまで,決定的な腫瘍特性を効果的に回復する。 また, 乳がん以前の研究でよく用いられる機能セットに対して, マルチモーダル統合の付加価値を評価するために, 性能をベンチマークした。 シングルソースおよびマルチモーダル入力は、機械学習モデルの範囲で評価される。 その結果,マルチモーダル統合は単一モーダル法に比べて予測精度を一貫して向上させることがわかった。

関連論文リスト

• Multimodal Stepwise Clinically-Guided Attention Learning for Pathological Complete Response Prediction in Breast Cancer [4.6719795751452295]
  病理学的完全反応 (pCR) は, 乳がん患者にネオアジュバント療法を施行する鍵となる予後因子である。 乳房磁気共鳴画像(MRI)を用いたpCR予測のための臨床誘導型注意学習フレームワークを提案する。 このフレームワークは、異種MRIコホート間の外部検証によって評価される。
  論文  参考訳（メタデータ） (2026-05-08T10:34:27Z)
• PRIME: Prototype-Driven Multimodal Pretraining for Cancer Prognosis with Missing Modalities [86.63247982275396]
  PRIMEは、欠落を認識したマルチモーダルな自己教師型事前トレーニングフレームワークである。 部分的に観察されたコホートから頑健で伝達可能な表現を学ぶ。 The Cancer Genome AtlasのPRIMEを32種類の癌に対してラベルフリープレトレーニングで評価した。
  論文  参考訳（メタデータ） (2026-04-05T21:14:27Z)
• impuTMAE: Multi-modal Transformer with Masked Pre-training for Missing Modalities Imputation in Cancer Survival Prediction [75.43342771863837]
  我々は,効率的なマルチモーダル事前学習戦略を備えた新しいトランスフォーマーに基づくエンドツーエンドアプローチである impuTMAE を紹介する。 マスクされたパッチを再構築することで、モダリティの欠如を同時に示唆しながら、モダリティ間の相互作用とモダリティ内相互作用を学習する。 本モデルは,TGA-GBM/LGGとBraTSデータセットを用いたグリオーマ生存予測のために,異種不完全データに基づいて事前訓練を行った。
  論文  参考訳（メタデータ） (2025-08-08T10:01:16Z)
• Continually Evolved Multimodal Foundation Models for Cancer Prognosis [50.43145292874533]
  がん予後は、患者の予後と生存率を予測する重要なタスクである。 これまでの研究では、臨床ノート、医療画像、ゲノムデータなどの多様なデータモダリティを統合し、補完的な情報を活用している。 既存のアプローチには2つの大きな制限がある。まず、各病院の患者記録など、各種のトレーニングに新しく到着したデータを組み込むことに苦慮する。 第二に、ほとんどのマルチモーダル統合手法は単純化された結合やタスク固有のパイプラインに依存しており、モダリティ間の複雑な相互依存を捉えることができない。
  論文  参考訳（メタデータ） (2025-01-30T06:49:57Z)
• 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)
• Cross-modality Attention-based Multimodal Fusion for Non-small Cell Lung Cancer (NSCLC) Patient Survival Prediction [0.6476298550949928]
  非小細胞肺癌(NSCLC)における患者生存予測のためのモダリティ特異的知識の統合を目的としたマルチモーダル核融合パイプラインを提案する。 組織画像データとRNA-seqデータのみを用いてc-index0.5772と0.5885を達成した単一モダリティと比較して, 提案した融合法はc-index0.6587を達成した。
  論文  参考訳（メタデータ） (2023-08-18T21:42:52Z)
• 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)

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。