論文の概要: GD-MIL: Grade-Disentangled Multiple Instance Learning for Multimodal Biochemical Recurrence Prediction in Prostate Cancer

• arxiv url: http://arxiv.org/abs/2606.09453v1
• Date: Mon, 08 Jun 2026 12:59:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:07.079048
• Title: GD-MIL: Grade-Disentangled Multiple Instance Learning for Multimodal Biochemical Recurrence Prediction in Prostate Cancer
• Title（参考訳）: GD-MILによる前立腺癌における多段階生化学的再発予測
• Authors: Dasari Naga Raju,
• Abstract要約: GD-MIL(GD-Disentangled MIL)は,逆行性逆行性逆行性逆行性を持つゲートアテンション型MILエンコーダである。 GD-MILはC-index 0.704を達成し、臨床ベースラインと最高の画像のみのモデルの両方を著しく上回っている。 中央のリスク分割は、BCRのない生存において、対数 p 0.0001 の分離をもたらす。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Biochemical recurrence (BCR) after radical prostatectomy is a critical endpoint in prostate cancer, yet risk stratification relies almost entirely on variables dominated by Gleason grade. Whether H&E whole slide images (WSIs) carry prognostic signal beyond grade, and whether multiple instance learning (MIL) can recover it, remains unsettled. A key obstacle is that many pipelines select model checkpoints on the evaluation fold, artificially inflating concordance. We construct a rigorous benchmark on TCGA-PRAD (487 patients, 101 BCR events) using strict out-of-fold scoring over five-fold cross-validation repeated across five seeds. The choice of MIL aggregator (ABMIL, CLAM, TransMIL, PatchGCN) has little effect (C-index 0.61-0.64 with UNI2-h), while the feature extractor is the dominant factor (ResNet50 0.566 versus pathology foundation models up to 0.639). A clinical Cox model on grade, stage, and age reaches 0.687; no imaging-only model significantly outperforms it (p > 0.10). We introduce Grade-Disentangled MIL (GD-MIL), a gated-attention MIL encoder trained with a gradient-reversal grade adversary that encourages the slide representation to be invariant to Gleason grade before late fusion with clinical variables. GD-MIL achieves C-index 0.704, significantly outperforming both the clinical baseline (delta-c = +0.029, p = 0.0005) and the best imaging-only model (delta-c = +0.062, p = 0.039), suggesting H&E morphology contains prognostic information complementary to grade. A median risk split yields log-rank p < 0.0001 separation in BCR-free survival (~20% vs ~70% at five years).
• Abstract（参考訳）: 前立腺癌における根治的前立腺切除術後の生化学的再発(BCR)は重要なエンドポイントであるが、リスク層化はほとんどがGleasonグレードに支配される変数に依存している。 H&E全体のスライド画像(WSI)は、グレードを超える予後信号を持ち、MIL(Multiple Case Learning)が回復できるかどうかは未定のままである。 重要な障害は、多くのパイプラインが評価フォルダ上でモデルチェックポイントを選択し、人工的に膨らませていることだ。 TCGA-PRAD (487例, BCRイベント101例) の厳密な評価基準を構築し, 5種にまたがって5倍のクロスバリデーションを繰り返した。 MILアグリゲータ (ABMIL, CLAM, TransMIL, PatchGCN) の選択は、ほとんど効果がない(C-index 0.61-0.64 with UNI2-h)が、特徴抽出器は支配的な要因である(ResNet50 0.566 vs.639)。 臨床のCoxモデルでは、成績、ステージ、年齢が0.687に達し、画像のみのモデルでは0.10よりも優れていない(p>0.10)。 我々は,GD-MIL(GD-Disentangled MIL)を導入し,GD-MIL(GD-MIL)エンコーダ(GD-MIL)を導入し,GD-MILは,GD-逆行性逆行性逆行性逆行性逆行性逆行性逆行性逆行性逆行性逆行性逆行性逆行性逆行性逆行性逆行性逆行性MILエンコーダ(GD-MIL)を訓練した。 GD-MIL は C-index 0.704 を達成し、臨床ベースライン (delta-c = +0.029, p = 0.0005) と最高のイメージング専用モデル (delta-c = +0.062, p = 0.039) の両方を著しく上回っている。 中央値のリスク分割は、BCRのない生存(5年で約20%対70%)において、ログランクp < 0.0001の分離をもたらす。

関連論文リスト

• MorphDistill: Distilling Unified Morphological Knowledge from Pathology Foundation Models for Colorectal Cancer Survival Prediction [3.2844015242965927]
  複数の病理基盤モデルから補完的知識を抽出し,CRC固有のエンコーダに変換するフレームワークであるMorphDistillを提案する。 第1段階では,学生エンコーダは,大規模大腸データセット上でのコントラスト正規化を監督したディメンション非依存型マルチティーチンガー蒸留を用いて訓練される。 ステージIIでは、エンコーダが全スライド画像からパッチレベルの特徴を抽出し、注意に基づく複数インスタンス学習を通じて集約し、5年間の生存を予測する。
  論文  参考訳（メタデータ） (2026-04-07T19:21:18Z)
• Detecting Neurovascular Instability from Multimodal Physiological Signals Using Wearable-Compatible Edge AI: A Responsible Computational Framework [0.0]
  ウェアラブル互換の生理信号から神経血管不安定性(NVI)を検出するためのマルチモーダルMLフレームワークであるMeraguardを提案する。 毎年1220万回のインシデントストロークで、連続したマルチモーダルな生理的モニタリングは、コミュニティスケールのスクリーニングへの実践的なパスを提供する。
  論文  参考訳（メタデータ） (2026-03-20T19:17:46Z)
• Suppressing Prior-Comparison Hallucinations in Radiology Report Generation via Semantically Decoupled Latent Steering [94.37535002230504]
  本研究では,Semantically Decoupled Latent Steeringと呼ばれる学習自由な推論時間制御フレームワークを開発した。 提案手法は,大言語モデル (LLM) による意味分解による意味のない介入ベクトルを構築する。 本手法は歴史的幻覚の可能性を著しく低下させることを示す。
  論文  参考訳（メタデータ） (2026-02-27T04:49:01Z)
• Performance of a Deep Learning-Based Segmentation Model for Pancreatic Tumors on Public Endoscopic Ultrasound Datasets [2.925528117330222]
  膵癌は最も攻撃的ながんの1つであり、生存率も低い。 本研究では, 膵腫瘍に対するVision Transformerを用いたディープラーニングセグメンテーションモデルについて検討した。
  論文  参考訳（メタデータ） (2026-01-09T16:48:50Z)
• Hide-and-Seek Attribution: Weakly Supervised Segmentation of Vertebral Metastases in CT [68.09387763135236]
  脊椎レベルの健康・悪性のラベルにのみ、病変マスクを伴わずに訓練を施した弱い指導方法を提案する。 マスクの監視がないにも関わらず,強い爆発・解析性能を達成する。
  論文  参考訳（メタデータ） (2025-12-07T14:03:28Z)
• MeCaMIL: Causality-Aware Multiple Instance Learning for Fair and Interpretable Whole Slide Image Diagnosis [40.3028468133626]
  MIL(Multiple Case Learning)は、コンピュータ病理学における全スライド画像(WSI)解析の主流パラダイムとして登場した。 因果関係を意識したMILフレームワークである textbfMeCaMIL は、構造化因果グラフを通じて、階層的共同創設者を明示的にモデル化する。 MeCaMILは優れた公正性を達成する -- 人口格差の分散は、属性全体の平均で65%以上減少する。
  論文  参考訳（メタデータ） (2025-11-14T06:47:21Z)
• NeuroRAD-FM: A Foundation Model for Neuro-Oncology with Distributionally Robust Training [12.168374910250572]
  既存の基礎モデル(FM)は、異常な分子マーカーを予測するのに不十分である。 我々は,腫瘍の表現型を正確に推定できる分布的ロバストな損失関数を有する神経腫瘍学特異的FMを開発した。 CUIMC 0.592 から 0.597 に、UPenn 0.647 から 0.672 に、UCSF 0.600 から 0.627 に改良された。
  論文  参考訳（メタデータ） (2025-09-18T20:43:08Z)
• 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)
• CIMIL-CRC: a clinically-informed multiple instance learning framework for patient-level colorectal cancer molecular subtypes classification from H\&E stained images [42.771819949806655]
  CIMIL-CRCは、事前学習した特徴抽出モデルと主成分分析(PCA)を効率よく組み合わせ、全てのパッチから情報を集約することで、MSI/MSS MIL問題を解決するフレームワークである。 我々は,TCGA-CRC-DXコホートを用いたモデル開発のための5倍のクロスバリデーション実験装置を用いて,曲線下平均面積(AUC)を用いてCIMIL-CRC法の評価を行った。
  論文  参考訳（メタデータ） (2024-01-29T12:56:11Z)

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。