論文の概要: Pulmonary Embolism Risk Stratification from CTPA and Medical Records: Vascular Graphs Are Not All You Need

• arxiv url: http://arxiv.org/abs/2606.25956v2
• Date: Fri, 26 Jun 2026 12:48:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-29 13:57:07.326533
• Title: Pulmonary Embolism Risk Stratification from CTPA and Medical Records: Vascular Graphs Are Not All You Need
• Title（参考訳）: CTPAと医療記録による肺塞栓症リスクの階層化:血管グラフがすべてではない
• Authors: Nathan Painchaud, Tristan Habémont, Morgane des Ligneris, Allan Serva, Pierre Croisille, Laurent Bertoletti, Thomas Lampert, Johannes F. Lutzeyer, Odyssée Merveille,
• Abstract要約: ストラティフィケーションガイドラインは、患者の医療記録、CTPA(Computed tomography lung angiography)から測定されたパラメータ、血液検査に基づいている。 本研究は,画像から抽出した医療記録とバイオマーカーのみから,最先端のモデルがリスク階層化を正確に分類できるかどうかを考察する。
• 参考スコア（独自算出の注目度）: 4.5353681991520824
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Risk stratification for pulmonary embolism (PE) is critical for clinical decision-making. Stratification guidelines are based on patient medical records, parameters measured from computed tomography pulmonary angiography (CTPA), and blood tests. However, blood tests are often missing in routine practice. This work studies whether state-of-the-art models can accurately classify risk stratification from only medical records and biomarkers extracted from CTPA images. We benchmark different approaches to combine medical records and cardiac biomarkers with rich pulmonary vascular information; we add vascular biomarkers to tabular models and apply graph neural networks (GNNs) on the vascular tree's intrinsic graph representation. We use a private dataset (n=353) with uniquely complete data for PE risk stratification. Our results show that, among global features, medical records and cardiac biomarkers are the most significant predictors, while vascular biomarkers do not further improve stratification. Even more surprising, even GNNs on vascular graphs fail to outperform strong tabular baseline on global features. We consider hypotheses, on both models and data, that could explain this suboptimal performance. Our investigation suggests that, counter-intuitively, vascular graphs might hold no discriminative information for PE risk stratification. Code is available from https://github.com/creatis-myriad/GENESIS.
• Abstract（参考訳）: 肺塞栓症(PE)のリスク階層化は臨床的意思決定に重要である。 ストラティフィケーションガイドラインは、患者の医療記録、CTPA(Computed tomography lung angiography)から測定されたパラメータ、血液検査に基づいている。 しかし、血液検査は日常的に欠落することが多い。 本研究は,CTPA画像から抽出した医療記録とバイオマーカーのみから,最先端のモデルがリスク階層化を正確に分類できるかどうかを考察する。 血管内生マーカーをグラフモデルに追加し,血管内生グラフ表現にグラフニューラルネットワーク(GNN)を適用した。 PEリスク階層化のための一意に完全なデータを持つプライベートデータセット(n=353)を使用する。 以上の結果から, 血管バイオマーカーは, 世界的特徴の中で, 医療記録や心臓バイオマーカーが最も重要な予測因子であるのに対し, 血管バイオマーカーは層状化をさらに改善しないことが示唆された。 さらに驚くべきことに、血管グラフ上のGNNでさえ、グローバルな機能において強力なタブ状のベースラインを上回りません。 我々は、モデルとデータの両方において、この準最適性能を説明する仮説を考察する。 本研究は,血管グラフがPEリスク層化の識別情報を持たないことを示唆している。 コードはhttps://github.com/creatis-myriad/GENESISから入手できる。

関連論文リスト

• A Patient-Specific Pulmonary Arterial Tree Digital Twin to Extract Pulmonary Embolism Biomarkers [0.6918765258376026]
  肺塞栓症は、血栓による肺動脈の閉塞であり、急性心血管症候群の主要な原因の1つである。 本研究では,肺動脈の直接グラフ表現をモデル化し,その階層構造をラベル付けし,肺塞栓症を特徴付ける自動パイプラインを提案する。
  論文  参考訳（メタデータ） (2026-05-27T09:33:11Z)
• MARVEL: Universal Murray's Law-informed Vessel Tree Segmentation and Topology Estimation [75.40785674602147]
  血管セグメンテーションのための深層学習法は、しばしば生物物理学的な制約を無視している。 これは生理的に不確実な分岐と誤分類の血管木につながる。 バイオ物理の先駆体を血管樹抽出に組み込んだ背骨非依存フレームワークMARVELについて紹介する。
  論文  参考訳（メタデータ） (2026-05-25T02:32:29Z)
• A Graph-Based Framework for Interpretable Whole Slide Image Analysis [86.37618055724441]
  我々は,全スライディング画像を生物学的にインフォームドされたグラフ表現に変換するフレームワークを開発した。 我々のアプローチは、任意の格子ではなく、自然構造を尊重する組織領域からグラフノードを構築する。 がんのステージングと生存予測の課題に強いパフォーマンスを示す。
  論文  参考訳（メタデータ） (2025-03-14T20:15:04Z)
• Finetuning and Quantization of EEG-Based Foundational BioSignal Models on ECG and PPG Data for Blood Pressure Estimation [46.36100528165335]
  光胸腺撮影と心電図は、連続血圧モニタリング(BP)を可能にする可能性がある。 しかし、データ品質と患者固有の要因の変化のため、正確で堅牢な機械学習(ML)モデルは依然として困難である。 本研究では,1つのモータリティで事前学習したモデルを効果的に利用して,異なる信号タイプの精度を向上させる方法について検討する。 本手法は, 拡張期BPの最先端精度を約1.5倍に向上し, 拡張期BPの精度を1.5倍に向上させる。
  論文  参考訳（メタデータ） (2025-02-10T13:33:12Z)
• Interpretable Multimodal Learning for Cardiovascular Hemodynamics Assessment [5.854275745400326]
  肺動脈圧 (PAWP) は心不全の診断に必須の指標である。 本稿では,PAWPマーカーを予測するマルチモーダル学習パイプラインを提案する。
  論文  参考訳（メタデータ） (2024-04-06T19:42:25Z)
• Tertiary Lymphoid Structures Generation through Graph-based Diffusion [54.37503714313661]
  本研究では,最先端のグラフベース拡散モデルを用いて生物学的に意味のある細胞グラフを生成する。 本研究では, グラフ拡散モデルを用いて, 3次リンパ構造(TLS)の分布を正確に学習できることを示す。
  論文  参考訳（メタデータ） (2023-10-10T14:37:17Z)
• 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)
• Survival Analysis for Idiopathic Pulmonary Fibrosis using CT Images and Incomplete Clinical Data [17.162038700963418]
  特発性肺線維症(IPF)は線維性肺疾患である。 肺のCTスキャンはIPF患者の臨床的評価を通知し、疾患の進行に関する関連する情報を含む。 臨床および画像データを用いたIPF患者の生存率を予測するために,ニューラルネットワークとメモリバンクを用いたマルチモーダル手法を提案する。
  論文  参考訳（メタデータ） (2022-03-21T23:48:47Z)

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。