論文の概要: ChronoSurv: A Clinical Pathway-Guided Graph Framework for Multimodal Survival Analysis

• arxiv url: http://arxiv.org/abs/2606.19140v1
• Date: Wed, 17 Jun 2026 14:46:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-18 17:16:51.213779
• Title: ChronoSurv: A Clinical Pathway-Guided Graph Framework for Multimodal Survival Analysis
• Title（参考訳）: ChronoSurv:マルチモーダル生存分析のための臨床パスウェイガイドグラフフレームワーク
• Authors: Hugo Miccinilli, Theo Di Piazza,
• Abstract要約: ChronoSurvは、患者ケアを、重要な診断手順に整合した有向グラフを用いて、進行を認識可能な臨床軌跡として表現する。 2つの公開データセットの実験結果は、ChronoSurvが最先端の識別性能を達成することを示した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate survival prediction is essential for personalized treatment planning in head and neck cancer, yet remains challenging due to the heterogeneous and high-dimensional nature of multimodal clinical data. While deep survival models have improved predictive performance over classical statistical approaches, existing methods typically rely on static fusion strategies or temporally agnostic modeling, limiting their ability to capture structured clinical workflows. In this work, we propose ChronoSurv, a heterogeneous hierarchical directed graph framework for multimodal survival analysis. ChronoSurv represents patient care as a progression-aware clinical trajectory using directed graphs aligned with key diagnostic steps. A hierarchical topology incorporates fine-grained, coarse, and global representations, further supporting flexible adaptation to missing modalities, while heterogeneous message passing models complex and asymmetric relationships across modalities and clinical steps. Experimental results on two public datasets demonstrate that ChronoSurv achieves state-of-the-art discriminative performance while maintaining statistically reliable calibration. Comprehensive ablation studies further confirm the contribution of each architectural component, highlighting the potential of trajectory-aware graph modeling for multimodal survival prediction.
• Abstract（参考訳）: 頭頸部癌におけるパーソナライズド・プランニングには, 正確な生存予測が不可欠である。 ディープサバイバルモデルは、古典的な統計的アプローチよりも予測性能を向上してきたが、既存の手法は通常、静的融合戦略や時間的非依存なモデリングに依存しており、構造化された臨床ワークフローをキャプチャする能力を制限する。 本研究では,マルチモーダルサバイバル分析のためのヘテロジニアスな階層指向グラフフレームワークであるChronoSurvを提案する。 ChronoSurvは、患者ケアを、重要な診断手順に整合した有向グラフを用いて、進行を認識可能な臨床軌跡として表現する。 階層的トポロジーは、細粒度、粗い、グローバルな表現を取り入れ、不均一性への柔軟な適応をさらに支援し、不均一なメッセージパッシングモデルは、モダリティと臨床段階の非対称な関係を複雑にしている。 2つの公開データセットの実験結果から、ChronoSurvは統計的に信頼性の高いキャリブレーションを維持しながら、最先端の識別性能を達成することが示された。 包括的アブレーション研究は、各アーキテクチャコンポーネントの寄与をさらに確認し、マルチモーダルサバイバル予測のための軌道対応グラフモデリングの可能性を強調した。

関連論文リスト

• Transition-Based Digital Twin Modelling for Alzheimer's Disease under Sparse Longitudinal Data [4.4427416958561405]
  アルツハイマー病(AD)の進行は非常に異質であり、通常はスパースと不規則な経時的データによって観察される。 多モード長手データを用いたAD予測とシナリオベース分析のための個人化ディジタルツインフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-06-08T15:54:10Z)
• 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)
• Integrating Genomics into Multimodal EHR Foundation Models [56.31910745104141]
  本稿では,ポリジェニックリスクスコア(PRS)を基本データモダリティとして統合した,革新的なEHR基盤モデルを提案する。 このフレームワークは、臨床データと遺伝子前置詞の複雑な関係を学習することを目的としている。 このアプローチは、病気の予測、積極的な健康管理、リスク階層化、パーソナライズされた治療戦略に対する新たな洞察を解放するために重要である。
  論文  参考訳（メタデータ） (2025-10-24T15:56:40Z)
• PISA: An AI Pipeline for Interpretable-by-design Survival Analysis Providing Multiple Complexity-Accuracy Trade-off Models [0.9851812512860351]
  生存分析は臨床研究の中心であり、患者の予後を知らせ、治療決定を導き、資源配分を最適化する。 これらのモデルが医療に関係しているためには、予測は患者固有の特徴に追従できなければならない。 従来のサバイバルモデルは非線形相互作用を捉えるのに失敗することが多いが、現代のディープラーニングアプローチは弱い解釈可能性によって制限される。 複雑性とパフォーマンスをトレードオフする複数の生存分析モデルを提供するパイプラインである、解釈可能な生存分析のためのパイプライン(PISA)を提案する。
  論文  参考訳（メタデータ） (2025-09-13T18:09:14Z)
• STG: Spatiotemporal Graph Neural Network with Fusion and Spatiotemporal Decoupling Learning for Prognostic Prediction of Colorectal Cancer Liver Metastasis [9.511932098831322]
  大腸癌肝転移(KCCM)を予測するためのマルチモーダル時間グラフニューラルネットワーク(STG)フレームワークを提案する。 我々のSTGフレームワークはCT画像と臨床データをヘテロジニアスグラフ構造に結合し,腫瘍分布エッジの同時モデリングと時間的進化を可能にする。 軽量版ではパラメータ数を78.55%削減し、最先端の性能を維持している。
  論文  参考訳（メタデータ） (2025-05-06T02:41:34Z)
• 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)
• Trajectories, bifurcations and pseudotime in large clinical datasets: applications to myocardial infarction and diabetes data [94.37521840642141]
  混合データ型と欠落値を特徴とする大規模臨床データセット分析のための半教師付き方法論を提案する。 この手法は、次元の減少、データの可視化、クラスタリング、特徴の選択と、部分的に順序付けられた観測列における測地距離(擬時)の定量化のタスクを同時に扱うことのできる弾性主グラフの適用に基づいている。
  論文  参考訳（メタデータ） (2020-07-07T21:04:55Z)

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。