論文の概要: TRAPS: Therapeutic Response Analysis via Pathway-informed Stratification

• arxiv url: http://arxiv.org/abs/2606.09898v1
• Date: Fri, 05 Jun 2026 04:59:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-10 15:40:58.027083
• Title: TRAPS: Therapeutic Response Analysis via Pathway-informed Stratification
• Title（参考訳）: TRAPS:パスウェイインフォームド・ストラテフィケーションによる治療的反応解析
• Authors: Sujoy Banik, Sayantan Chakraborty, Boishakhi Das Toma, Zainab Ghafoor, Ushashi Bhattacharjee, Koushik Howlader, Tirtho Roy,
• Abstract要約: 経路誘導治療応答モデリングのための最初の統一ベンチマークを示す。 The Cancer Genome Atlasの5つの癌コホートでBINN, GraphPath, PATHを評価した。
• 参考スコア（独自算出の注目度）: 1.2117611469472138
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cancer treatment planning requires decisions across multiple clinical dimensions at once. Clinicians must determine whether a patient should receive targeted molecular therapy, radiation therapy, and whether they are likely to survive beyond six months. Existing pathway-informed deep learning models have been developed and tested in isolation, making fair comparison across architectures impossible. We present the first unified benchmark for pathway-guided therapy response modeling, evaluating three biologically informed architectures, BINN, GraphPath, and PATH, across five cancer cohorts drawn from The Cancer Genome Atlas, representing 2,622 patients encoded using Reactome pathway activity scores. Each model is trained jointly on all three clinical outcomes under identical data and evaluation conditions, the first study to treat pathway-structured deep learning as a combined therapy and survival prediction problem. Our results show that no single architecture wins across all tasks: PATH performs best for targeted molecular therapy prediction overall, BINN is most reliable for survival prediction, and no model produces useful predictions for radiation therapy, as the key drivers of that decision are clinical variables not captured in gene expression data. Most strikingly, GraphPath achieves an AUROC of 0.92 on prostate targeted molecular therapy prediction, the highest score in the entire benchmark, demonstrating that lateral co-regulation structure produces exceptional discriminative power when matched to a cohort with a narrow targetable driver programme, even under conditions of extreme class imbalance at only 11\% positive prevalence.
• Abstract（参考訳）: がん治療計画には、複数の臨床的側面を同時に決定する必要がある。 臨床医は、患者が標的となる分子療法、放射線治療を受けるべきかどうか、および6ヶ月以上生き残る可能性が高いかどうかを判断しなければならない。 既存の経路インフォームドディープラーニングモデルは独立して開発、テストされており、アーキテクチャ間での公正な比較は不可能である。 The Cancer Genome Atlasから抽出された5つのがんコホートのうち、BINN, GraphPath, PATHの3つの生物学的に情報を得た3つのアーキテクチャを、Reactomeの経路活性スコアを用いてコード化した2,622人を対象に評価した。 各モデルは、同一のデータと評価条件下での3つの臨床結果の全てを共同で訓練し、経路構造化深層学習を治療と生存予測の併用として扱う最初の研究である。 PATHは標的分子療法の予測に最適であり,BINNは生存予測に最も信頼性があり,放射線治療に有用な予測を生成できない。 最も注目すべきは、GraphPathが前立腺系標的分子療法予測において0.92のAUROCを達成したことである。これはベンチマーク全体の最高スコアであり、横方向の共調節構造は、極度のクラス不均衡の条件下であっても、狭い目標ドライバプログラムとコホートと一致した場合に、例外的な識別力を生み出すことを実証している。

関連論文リスト

• Leveraging Large Language Models and Survival Analysis for Early Prediction of Chemotherapy Outcomes [0.0]
  がん治療の化学療法は費用がかかり、重度の副作用が伴う。 実世界のデータを用いた化学療法結果の予測モデルは課題に直面している。 本研究では,Large Language Models(LLM)とオントロジーに基づく手法を用いて,これらの課題に対処する。
  論文  参考訳（メタデータ） (2026-03-12T06:25:12Z)
• Investigating the Impact of Histopathological Foundation Models on Regressive Prediction of Homologous Recombination Deficiency [52.50039435394964]
  回帰に基づくタスクの基礎モデルを体系的に評価する。 我々は5つの最先端基礎モデルを用いて、スライド画像全体(WSI)からパッチレベルの特徴を抽出する。 乳房、子宮内膜、肺がんコホートにまたがるこれらの抽出された特徴に基づいて、連続したRDDスコアを予測するモデルが訓練されている。
  論文  参考訳（メタデータ） (2026-01-29T14:06:50Z)
• AI-based Prediction of Biochemical Recurrence from Biopsy and Prostatectomy Samples [0.012216782333971603]
  根治的前立腺切除術後の生化学的再発(BCR)は,前立腺がんに対する補助的マーカーである。 我々は、BCRの患者固有のリスクを予測するために、前立腺生検スライドの診断に関するAIベースのモデルを訓練した。
  論文  参考訳（メタデータ） (2026-01-28T20:33:15Z)
• Boosted Random Forests for Predicting Treatment Failure of Chemotherapy Regimens [0.0]
  患者のプロファイルから収集したリアルワールドエビデンス(RWE)に基づいた治療失敗モデルを構築した。 最も頻度の高い治療失敗(または中止)を伴う5種類の原発性癌の症例を経験したので報告する。
  論文  参考訳（メタデータ） (2025-12-10T13:49:26Z)
• Semi-Supervised Learning for Dose Prediction in Targeted Radionuclide: A Synthetic Data Study [42.75913504373651]
  TRT(Targeted Radionuclide Therapy)は、がん細胞に特異的に強力な放射線照射を投与することを目的とした、放射線腫瘍学の現代的な戦略である。 深層学習はRTをパーソナライズすることを約束する。 現在の方法では大量のSPECT画像撮影が必要であるが、日常的な臨床実践では達成できない。
  論文  参考訳（メタデータ） (2025-03-07T12:21:09Z)
• A Large Language Model Pipeline for Breast Cancer Oncology [0.0]
  最先端のOpenAIモデルは、2つの重要ながん治療因子に対する臨床データセットと臨床ガイドラインテキストコーパスに基づいて微調整された。 乳癌に対するアジュバント放射線療法と化学療法の分類において高い精度(0.85+)が得られた。
  論文  参考訳（メタデータ） (2024-06-10T16:44:48Z)
• Pathology-and-genomics Multimodal Transformer for Survival Outcome Prediction [43.1748594898772]
  大腸癌生存予測に病理学とゲノム学的知見を統合したマルチモーダルトランスフォーマー(PathOmics)を提案する。 ギガピクセル全スライド画像における組織ミクロ環境間の内在的相互作用を捉えるための教師なし事前訓練を強調した。 我々は,TCGA大腸癌と直腸癌コホートの両方に対するアプローチを評価し,提案手法は競争力があり,最先端の研究より優れていることを示す。
  論文  参考訳（メタデータ） (2023-07-22T00:59:26Z)
• Learning to diagnose cirrhosis from radiological and histological labels with joint self and weakly-supervised pretraining strategies [62.840338941861134]
  そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。 我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。 この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
  論文  参考訳（メタデータ） (2023-02-16T17:06:23Z)
• 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。