論文の概要: Routine laboratory trajectories encode the onset of organ-level complications in cancer

• arxiv url: http://arxiv.org/abs/2606.08538v1
• Date: Sun, 07 Jun 2026 09:38:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:06.195498
• Title: Routine laboratory trajectories encode the onset of organ-level complications in cancer
• Title（参考訳）: 癌における臓器レベルの合併症の発症をコードする遺伝子組換え系
• Abstract要約: 多発性骨髄腫または卵巣癌患者3,905例の2,777,595人の実験室で訓練したトランスフォーマーは、治療関連合併症の2年間の発症を予測した。 グループ化された終点にまたがる非逐次的ベースラインに一致または改善し、縦断的な実験室の軌跡が、孤立した測定から到達できない、進化する合併症特異的な生理学を捉えていることを示した。
• 参考スコア（独自算出の注目度）: 4.381454562137791
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Routine laboratory panels drawn during cancer treatment constitute longitudinal physiological recordings of organ function, yet their temporal structure is discarded by single-timepoint prognostic tools. A transformer trained on 2,777,595 laboratory measurements from 3,905 patients with multiple myeloma or ovarian cancer predicted the two-year onset of 162 treatment-associated complications, including therapy-related myelodysplastic syndromes, spanning eight clinical categories, achieving 1.5- to 6.1-fold enrichment above prevalence at the group level. It matched or outperformed non-sequential baselines across grouped endpoints (AUROC gains up to +0.11), demonstrating that longitudinal laboratory trajectories capture evolving complication-specific physiology inaccessible from isolated measurements. Predictions generalised across both cancers, divergence concentrating in disease-specific complications, and biomarker masking recovered signatures consistent with established pathophysiology. External validation on MIMIC-IV and MMRF CoMMpass confirmed transferability across independent healthcare systems (AUROC up to 0.85). Routine oncological laboratory data encode organ deterioration weeks to months before clinical onset, enabling complication-specific surveillance without additional testing infrastructure.
• Abstract（参考訳）: がん治療中に描画されたルーチン実験室のパネルは、臓器機能の経時的生理的記録を構成するが、その時間構造は単一時点の予後ツールによって破棄される。 多発性骨髄腫および卵巣癌患者3,905例の2,777,595例を対象に,治療関連骨髄異形成症候群を含む162症例の2年間の発症を予測した。 グループ化された終点(AUROCは+0.11まで上昇する)にまたがる非逐次ベースラインに一致または性能が向上し、縦方向の研究室軌道が、孤立した測定から到達不可能な、合併症特異的生理学の進化を捉えていることが証明された。 両方のがんにまたがる予測が一般化し、疾患特異的な合併症に集中する分岐、バイオマーカーマスキングが確立された病態と整合した署名を回復した。 MIMIC-IVおよびMMRF CoMMpassの外部検証は、独立した医療システム(AUROC 最大 0.85 まで)間での転送性を確認した。 腫瘍実験室のデータは、臨床開始の数週間から数ヶ月前に臓器の劣化をコードし、追加の検査インフラなしで合併症特異的な監視を可能にする。

関連論文リスト

• A Multimodal Foundation Model for Longitudinal Patient Representation and Scalable Insight Generation in Oncology [2.4534049320113227]
  我々は,170万人のがん患者の実世界の腫瘍学コホート上で開発された基礎モデルであるoFMを紹介した。 oFMは、毎日の臨床および分子エピソードを符号化し、それらを時間をかけて統合し、患者の状態の埋め込みを生成する。 予後ベンチマークでは、oFMは治療反応、進行のない生存、全体的な生存のためにAUCを改善した。
  論文  参考訳（メタデータ） (2026-08-25T15:17:12Z)
• A cross-modal generative model for incomplete and degraded prostate MRI with multicentre clinical validation [48.14053205497089]
  MSCNetは、入手できないコントラストを再構築し、劣化したコントラストを復元するためのシーケンス条件のクロスモーダル生成フレームワークである。 画像の画質は、DWI, ADC, T2Wの既定不等式基準を満たしたが、T1Wは満たされなかった。
  論文  参考訳（メタデータ） (2026-08-17T08:11:25Z)
• Predicting Response to Neoadjuvant Chemotherapy in Ovarian Cancer from CT Baseline Using Multi-Loss Deep Learning [3.7830216516108646]
  ネオアジュバント化学療法に対する非反応剤の早期同定は重要なアンメットの必要性である。 本研究は, 術前造影CTを用いた非侵襲的深層学習フレームワークを提案する。 訓練は、分類損失と教師付きコントラスト正則化とハードネガティブマイニングを組み合わせることで、曖昧な応答者と非応答者の分離を改善する。
  論文  参考訳（メタデータ） (2026-05-14T15:53:57Z)
• Interpretable Machine Learning for Antepartum Prediction of Pregnancy-Associated Thrombotic Microangiopathy Using Routine Longitudinal Laboratory Data [20.314650315287775]
  P-TMAでは, 早期のリスク予測が困難である。 本研究は機械学習を用いて長期臨床検査から潜伏時間依存型リスクシグネチャを抽出した。 モデルは0.872のAUROCと0.883のAUPRCを保持試験コホートで達成し、感度は0.750、特異度は0.812である。
  論文  参考訳（メタデータ） (2026-05-13T17:07:00Z)
• Simulating clinical interventions with a generative multimodal model of human physiology [49.828582089394445]
  HealthFormerは、人間の生理的軌道を生成的にモデル化するデコーダのみのトランスフォーマーである。 7つの領域にまたがる667個の測定値に対して,各被験者の健康軌道をトークン化する。 HealthFormerは、30のインシデント障害および死亡エンドポイントのうち27の予測を改善し、各比較で確立された臨床リスクスコアを超えた。
  論文  参考訳（メタデータ） (2026-04-30T14:10:30Z)
• 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)
• Organ-Agents: Virtual Human Physiology Simulator via LLMs [66.40796430669158]
  オルガン-エージェント(Organ-Agents)は、LDM駆動のエージェントを介して人間の生理学をシミュレートする多エージェントフレームワークである。 症例は7,134例,コントロール7,895例で,9系統および125変数にわたる高分解能トラジェクトリを作成した。 臓器抗原は4,509人の保留患者に対して高いシミュレーション精度を達成し, システムごとのMSE0.16とSOFA系重症度層間の堅牢性を示した。
  論文  参考訳（メタデータ） (2025-08-20T01:58:45Z)
• Predicting Length of Stay in Neurological ICU Patients Using Classical Machine Learning and Neural Network Models: A Benchmark Study on MIMIC-IV [49.1574468325115]
  本研究は、MIMIC-IVデータセットに基づく神経疾患患者を対象とした、ICUにおけるLOS予測のための複数のMLアプローチについて検討する。 評価されたモデルには、古典的MLアルゴリズム(K-Nearest Neighbors、Random Forest、XGBoost、CatBoost)とニューラルネットワーク(LSTM、BERT、テンポラルフュージョントランス)が含まれる。
  論文  参考訳（メタデータ） (2025-05-23T14:06:42Z)
• Multimodal Integration of Longitudinal Noninvasive Diagnostics for Survival Prediction in Immunotherapy Using Deep Learning [0.8428580558402998]
  我々は,新しいニューラルネットワークアーキテクチャ,マルチモーダルトランスフォーマーに基づくシンプルな時間的注意(MMTSimTA)ネットワークを開発した。 免疫療法を施行した694人の大膵コホートから, 術前および治療中の血液測定, 処方薬およびCTベースの臓器量を統合し, 死亡率を予測した。 以上の結果より,新しいアーキテクチャを用いた非侵襲的経時的データの統合は,特に短期生存予測において,マルチモーダル予後の向上をもたらすことが示唆された。
  論文  参考訳（メタデータ） (2024-11-27T11:44:06Z)
• Enhancing Glucose Level Prediction of ICU Patients through Hierarchical Modeling of Irregular Time-Series [4.101915841246237]
  本研究は, ICU患者における血糖値の予測を目的としたMulti-source Irregular Time-Series Transformer (MITST) を提案する。 MITSTは様々な臨床データ(検査結果、薬品、バイタルサインを含む)を事前に定義された集計なしで統合する。 MITSTは、AUROCで1.7ポイント(pp)、AUPRCで1.8ppという統計学的に有意な(p 0.001 )改善を達成している。
  論文  参考訳（メタデータ） (2024-11-03T03:03:11Z)
• Analysis of the 2024 BraTS Meningioma Radiotherapy Planning Automated Segmentation Challenge [45.3253187215396]
  2024年脳腫瘍髄膜腫放射線療法(BraTS-MEN-RT)は、自動セグメンテーションアルゴリズムの進歩を目的とした課題である。 我々はBraTS-MEN-RTチャレンジの設計と結果について述べる。
  論文  参考訳（メタデータ） (2024-05-28T17:25:43Z)
• Risk Classification of Brain Metastases via Radiomics, Delta-Radiomics and Machine Learning [7.165205048529115]
  放射線学と機械学習 (ML) を用いて, 進行の進行のリスクが高い転移は, 腫瘍発生前の経過観察中に同定できると仮定した。 この分類は、最大関連最小冗長(MRMR)技術とサポートベクトルマシン(SVM)により実現される。 以上の結果から,SRT後フォローアップにおける放射能および機械学習に基づくBMのリスク階層化は,良好な精度で可能であり,SRT後フォローアップのパーソナライズと改善のためにさらに追求すべきであることが示唆された。
  論文  参考訳（メタデータ） (2023-02-17T10:55:18Z)

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。