論文の概要: Cross-Attention Multimodal Learning for Predicting Response to Neoadjuvant Imatinib in Gastrointestinal Stromal Tumors: A Multicenter Retrospective Study

• arxiv url: http://arxiv.org/abs/2606.25579v1
• Date: Wed, 24 Jun 2026 08:53:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 17:05:30.284126
• Title: Cross-Attention Multimodal Learning for Predicting Response to Neoadjuvant Imatinib in Gastrointestinal Stromal Tumors: A Multicenter Retrospective Study
• Title（参考訳）: 消化管Stromal tumorにおけるNeoadjuvant Imatinib反応予測のためのクロスアテンション型マルチモーダルラーニング : 多施設比較検討
• Authors: Fariba Tohidinezhad, Douwe J. Spaanderman, Natalia Oviedo Acosta, Kaouther Mouheb, Karthik Prathaban, David F. Hanff, Dirk J. Grünhagen, Cornelis Verhoef, Joris M. van Sabben, Evelyne Roets, Jette J. Slettenhaar, Hans Gelderblom, Ingrid M. E. Desar, Anna K. L. Reyners, Neeltje Steeghs, Stefan Klein, Martijn P. A. Starmans,
• Abstract要約: 消化管間質腫瘍(GISTs)におけるネオアジュバント・イマチニブに対する反応は,高度に変動しており,確実な予測はできない。 本研究はCT(Computerd tomography)画像と臨床変数を統合したマルチモーダル学習フレームワークを開発し,評価した。
• 参考スコア（独自算出の注目度）: 0.17595857197891288
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Background: Response to neoadjuvant imatinib in gastrointestinal stromal tumors (GISTs) is highly variable and cannot be reliably predicted using current clinical or molecular markers. This study developed and evaluated an explainable multimodal deep learning framework integrating computed tomography (CT) imaging and clinical variables to predict treatment response. Methods: Patients from four tertiary centers were retrospectively included between 2000-2023 in independent pretraining (n=935) and prediction (n=213) cohorts. A cross-attention framework integrating clinical variables and tumor-centered CT imaging was developed to predict response to neoadjuvant imatinib. Two training strategies were evaluated: (1) self-supervised pretraining with low-rank adaptation and (2) training from scratch. Hyperparameters were optimized using SMAC3. Performance was assessed through internal cross-validation and external testing. Ablation analyses and attention-based explanations were used to quantify modality contributions. Results: Among 213 patients (54.5% responders), responders had larger tumors (112 vs. 89 mm, P=0.026), higher mitotic index (3 vs. 0, P<0.001), and more frequent KIT mutations (69.0% vs. 56.7%, P=0.019). Cross-attention models achieved the highest internal performance (AUC up to 0.99) but lower external performance (AUC 0.60-0.63). Clinical-only performance was moderate (AUC 0.66), whereas imaging-only models showed limited generalizability (AUC 0.56-0.66). Explainability analyses identified significant differences in feature importance between responders and non-responders, including CD117, BRAF, PDGFRA, age, sex, disease status, and comorbidities (FDR-adjusted P<=0.036). Conclusion: The cross-attention framework shows potential for improving imatinib response prediction in GIST while providing interpretable insights into multimodal determinants of treatment response.
• Abstract（参考訳）: 背景: 消化管間質性腫瘍(GISTs)におけるネオアジュバント・イマチニブに対する反応は, 高度に変動しており, 現在の臨床および分子マーカーでは確実に予測できない。 本研究では,CT(Computerd tomography)画像と臨床変数を統合し,治療効果を予測する多モード深層学習フレームワークを開発し,評価した。 方法:2000～2023年には,4つの第3次センターの患者が,独立したプレトレーニング(n=935)と予測(n=213)コホート(n=213)に振り返った。 新規アジュバント・イマチニブに対する反応を予測するため,臨床変数と腫瘍中心CTを併用したクロスアテンション・フレームワークを開発した。 1)低ランク適応による自己指導型プレトレーニングと,(2)スクラッチからのトレーニングの2つのトレーニング戦略が評価された。 ハイパーパラメータはSMAC3を用いて最適化された。 パフォーマンスは、内部のクロスバリデーションと外部テストを通じて評価された。 アブレーション分析と注意に基づく説明は、モダリティの貢献を定量化するために用いられた。 結果: 213例 (54.5%) では, 腫瘍が大きい(112対89mm, P=0.026), 有糸分裂指数が高い(3対0, P<0.001), KIT変異が多い(69.0%, 56.7%, P=0.019)。 クロスアテンションモデルは最高性能(AUC 0.99)を達成したが、外部性能(AUC 0.60-0.63)は低かった。 臨床のみのパフォーマンスは中等度(AUC 0.66)であり、画像のみのモデルは限定的な一般化性(AUC 0.56-0.66)を示した。 CD117, BRAF, PDGFRA, 年齢, 性別, 病状, 相同性(FDR調整P<=0.036。 結論: クロスアテンション・フレームワークは, GISTにおけるイマチニブの反応予測を改善する可能性を示し, 治療反応のマルチモーダル決定因子に対する解釈可能な洞察を提供する。

関連論文リスト

• A Pathology Foundation Model for Gastric Cancer with Real-World Validation [47.19073124722865]
  本稿では,実世界評価と臨床dEcision支援のための,胃科固有の基礎モデルであるGRACEについて述べる。 GRACEは, 症例37,493例のHE-stained whole-slide画像を中心に, 48,364例の多施設で開発された。 高齢の病理医に非劣性パフォーマンスを維持するように調整された場合、AI支援のワークフローは萎縮の60.7%、腸転移の82.7%をトリアージする可能性がある。
  論文  参考訳（メタデータ） (2026-06-03T12:18:06Z)
• 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)
• A Breast Vision Pathology Foundation Model for Real-world Clinical Utility [65.57568187389113]
  a bfBRAVE, a breast-adaptive pathology foundation model developed and evaluation using a total resources of 101,638 breast wholeslide images。 臨床ワークフローにおけるBRAVEの実践的役割は、通常のAI支援による第2レビューから低リスクのケースを安全に排除すること、そしてさらなる評価のためのケースの優先順位付けなどである。
  論文  参考訳（メタデータ） (2026-05-06T07:44:39Z)
• Predicting Neuromodulation Outcome for Parkinson's Disease with Generative Virtual Brain Model [95.41752463487008]
  パーキンソン病は世界中で1千万人以上に影響している。 個人間変異は経験的治療の選択を制限し、非無視的な外科的リスクとコストを増大させる。 我々は、このギャップをトレーニング済みのファインタニングフレームワークで埋めて、静止状態fMRIから直接結果を予測する。
  論文  参考訳（メタデータ） (2026-03-31T02:36:10Z)
• Cerebra: A Multidisciplinary AI Board for Multimodal Dementia Characterization and Risk Assessment [56.62016795093786]
  CerebraはインタラクティブなマルチエージェントAIチームで、ERH、臨床ノート、医療画像分析のための特殊エージェントをコーディネートする。 構造化された表現を操作することで、プライバシ保護デプロイメントをサポートし、モダリティが不完全であれば、堅牢である。 Cerebraは、有識者のパフォーマンスを著しく改善し、前向き認知症リスク推定において精度を17.5ポイント向上させた。
  論文  参考訳（メタデータ） (2026-03-23T05:46:45Z)
• 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)
• Neural Discrete Representation Learning for Sparse-View CBCT Reconstruction: From Algorithm Design to Prospective Multicenter Clinical Evaluation [64.42236775544579]
  コーンビームCT(CBCT)ガイド下穿刺は胸部腫瘍の診断・治療に確立されたアプローチとなっている。 DeepPriorCBCTは3段階のディープラーニングフレームワークであり、従来の放射線線量の6分の1しか使用せずに診断段階の再構築を実現する。
  論文  参考訳（メタデータ） (2025-11-30T12:45:02Z)
• Exploring the added value of pretherapeutic MR descriptors in predicting breast cancer pathologic complete response to neoadjuvant chemotherapy [0.0]
  本研究の目的は、MRI記述子と完全反応(pCR)とネオアジュバント化学療法(NAC)との関連性を評価することである。 単焦点と非選択マージンは独立にpCRと関連付けられており、BC応答NACを予測するためにモデル性能を向上させることができる。
  論文  参考訳（メタデータ） (2025-11-21T11:25:32Z)
• Predicting Neoadjuvant Chemotherapy Response in Triple-Negative Breast Cancer Using Pre-Treatment Histopathologic Images [2.23127246021293]
  三重複陰性乳癌(TNBC)は、その攻撃的行動と標的療法の欠如により、主要な臨床課題である。 本報告では, 治療前のヘマトキシリンおよびエオシン含有生検スライドから直接, 病理学的完全反応(pCR)を予測するために, 注意に基づく多症例学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-20T02:06:34Z)
• Prediction of Local Failure after Stereotactic Radiotherapy in Melanoma Brain Metastases Using Ensemble Learning on Clinical, Dosimetric, and Radiomic Data [0.7536625319739964]
  本研究は悪性黒色腫脳転移症例に対する定位放射線治療後の病変特異的な予後を予測することを目的とした。 RFベースモデルは臨床モデルより優れており,ドシメトリックデータだけでは予測的ではなかった。
  論文  参考訳（メタデータ） (2024-05-31T14:18:37Z)

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。