論文の概要: TRACE: A Concept Bottleneck Model for Longitudinal 3D Glioblastoma Response Assessment

• arxiv url: http://arxiv.org/abs/2606.30313v2
• Date: Wed, 01 Jul 2026 22:00:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-03 15:16:32.244631
• Title: TRACE: A Concept Bottleneck Model for Longitudinal 3D Glioblastoma Response Assessment
• Title（参考訳）: 経時的3次元グリオーマ反応評価のための概念的ボツネックモデルTRACE
• Abstract要約: 今回,RANO 2.0 をベースとした概念ボトルネックモデル TRACE を導入し,4-class glioblastoma response classification について検討した。 TRACEは、共通の3Dビジョンエンコーダで、ペア化されたベースラインとフォローアップされたマルチモーダルMRIスキャンを処理する。 臨床的に有意な腫瘍測定を根本概念として予測し、決定論的ルールを通じて下流RANO由来の概念を計算し、スキャン間隔と新しい遺伝情報をパススルー概念として組み込む。
• 参考スコア（独自算出の注目度）: 2.777779444362132
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Longitudinal glioblastoma response assessment requires comparing subtle tumor changes across MRI time points using structured clinical criteria such as RANO. However, most deep learning methods predict response labels directly from imaging features, which limits clinical inspection, verification, and correction. We introduce TRACE, a RANO 2.0-aligned concept bottleneck model for interpretable 4-class glioblastoma response classification on longitudinal 3D MRI. TRACE processes paired baseline and follow-up multimodal MRI scans with a shared 3D vision encoder, predicts clinically meaningful tumor measurements as root concepts, computes downstream RANO-derived concepts through deterministic rules, and incorporates scan interval and new-lesion information as passthrough concepts. This design frames response assessment as structured concept reasoning rather than direct image-to-label prediction. Using 5-fold patient-wise cross-validation on the LUMIERE dataset, TRACE achieves a 4-class macro F1 of 0.4769 and a binary progression-versus-non-progression macro F1 of 0.7085. It improves over a concept bottleneck baseline and remains within the range of published non-interpretable deep learning approaches. Ablation studies show that the expert RANO graph and intervention-consistency training are important for performance, while intervention experiments demonstrate that correcting concepts can improve downstream predictions. These results suggest that structured concept bottlenecks offer a transparent and clinically aligned direction for longitudinal glioblastoma response assessment, while highlighting the need for larger protocol-aligned datasets and external validation.
• Abstract（参考訳）: 縦断的グリオブラストーマ反応評価では, RANOなどの構造的臨床基準を用いてMRIの時間的変化を微妙に比較する必要がある。 しかし,ほとんどのディープラーニング手法は,臨床検査,検証,修正を制限した画像特徴から直接,応答ラベルを予測する。 縦3次元MRIによる4-class glioblastoma response classificationの解釈のためのRANO 2.0による概念ボトルネックモデルであるTRACEを導入する。 TRACEは、共通の3Dビジョンエンコーダを用いて、ペア化されたベースラインと後続のマルチモーダルMRIスキャンを処理し、根本概念として臨床的に意味のある腫瘍計測を予測し、決定論的ルールを通じて下流RANOの概念を計算し、スキャン間隔と新しい症状情報をパススルー概念として組み込む。 この設計は、直接的な画像からラベルへの予測ではなく、構造化された概念推論として応答アセスメントを規定する。 TRACEは、LUMIEREデータセット上の5倍の患者のクロスバリデーションを用いて、0.4769の4クラスマクロF1と0.7085のバイナリプログレッション非プログレッションマクロF1を達成する。 概念のボトルネックベースラインを越えて改善され,非解釈可能なディープラーニングアプローチの範囲内に留まる。 アブレーション研究は、専門家のRANOグラフと介入整合性トレーニングがパフォーマンスに重要であることを示し、介入実験は修正概念が下流での予測を改善することを実証している。 以上の結果から, 構造的概念ボトルネックは, 経時的グリオーマ反応評価のための透過的かつ臨床的に整合した方向を与え, より大きなプロトコル整合データセットの必要性と外部検証の必要性を強調した。

関連論文リスト

• Concept-Grounded Reasoning with Prompt-Driven Localization for Interpretable Structured Report Generation [66.62662330558906]
  CORALは、空間的接地と概念レベルの監督を統一的な推論プロセスに統合するマルチモーダルフレームワークである。 コーラルは、疾患の局所化とコンセプション・ボトルネックモジュールによる多クラス臨床属性の予測のために、プロンプト駆動型医療セグメンテーションモデルを採用している。 BUS-CoTとIU X線データセットの実験では、診断精度、概念整合性、報告品質が強力な汎用および医療MLLMよりも一貫した改善が示されている。
  論文  参考訳（メタデータ） (2026-09-14T10:21:23Z)
• How Good are Foundation Models in Longitudinal MRI Disease Progression Reasoning? [49.14050864978079]
  我々は,マルチビュー解剖学的入力を統一する評価フレームワークであるTime-Aware Multi-View MRI Benchmarkを紹介した。 このベンチマークは、3200の縦断MRIのタイムポイントにまたがる890人の患者から得られた、専門家が検証した質問応答ペア3,920名からなる。
  論文  参考訳（メタデータ） (2026-08-13T14:35:20Z)
• Graph Representation Learning of Longitudinal Medical Imaging Trajectories for Treatment Response Prediction [2.9823166626381212]
  乳癌患者では, 長期予後の指標として, 病理学的完全反応 (pCR) が確立されている。 本稿では,最先端のニューラルグラフと時間的モデリングを統合した,治療応答予測のための画像ベースの3次元時間的フレームワークを提案する。 NACT誘発pCRの予測に臨床的に有意な縦断的医療画像モデリングの有用性について検討した。
  論文  参考訳（メタデータ） (2026-07-06T10:39:14Z)
• ClinRAG-GRAPH: Clinical-prior Retrieval-Augmented Graph Model with Domain Adversarial Learning for Breast pCR Prediction [27.661246388005384]
  ClinRAG-GRAPHは,pCR(pre-treatment pathological complete response)予測のためのフレームワークである。 ClinRAG-GRAPHは、患者内臨床・プライアグラフを構築し、構造化マルチモーダル表現学習のための事前ガイダンス付き関係対応グラフ畳み込みネットワークを適用した。 ClinRAG-GRAPHは内部テストセットで0.815、外部テストセットで0.774/0.712のAUCを達成し、センター全体で堅牢なpCR予測を実証している。
  論文  参考訳（メタデータ） (2026-07-01T11:28:01Z)
• A physics-informed foundation model for quantitative diffusion MRI [46.74037857287099]
  物理インフォームド・ジェネレーティブ・マイクロ構造ネットワーク(PIGMENT)は、人間の脳の微細構造に先立って普遍的な生成を学習し、被験者の計測データにゼロショットで適応し、被験者固有のマップを復元する。 PIGMENT は,10倍加速スキャンによる小脳皮質微細構造パターンと幼少期の白質発達軌跡を保存し,強い生物学的妥当性を示した。 これらの結果は、PIGMENTを物理インフォームド基礎モデルとして確立し、定量的拡散MRIを、伝統的に不安定で不均一、あるいは信頼性のある分析に制約された状態に拡張する。
  論文  参考訳（メタデータ） (2026-05-29T07:26:35Z)
• PRIME: Prototype-Driven Multimodal Pretraining for Cancer Prognosis with Missing Modalities [86.63247982275396]
  PRIMEは、欠落を認識したマルチモーダルな自己教師型事前トレーニングフレームワークである。 部分的に観察されたコホートから頑健で伝達可能な表現を学ぶ。 The Cancer Genome AtlasのPRIMEを32種類の癌に対してラベルフリープレトレーニングで評価した。
  論文  参考訳（メタデータ） (2026-04-05T21:14:27Z)
• TumorChain: Interleaved Multimodal Chain-of-Thought Reasoning for Traceable Clinical Tumor Analysis [46.04720262017957]
  tumorChainは、3Dイメージングエンコーダ、臨床テキスト理解、臓器レベルの視覚言語アライメントを密結合するマルチモーダルインターリーブ推論フレームワークである。 実験では、病変検出、印象生成、病理分類において、強いベースラインよりも一貫した改善が見られ、DeepTumorVQAベンチマークで強い一般化が示されている。
  論文  参考訳（メタデータ） (2026-03-06T03:42:22Z)
• Concept-Enhanced Multimodal RAG: Towards Interpretable and Accurate Radiology Report Generation [12.226029763256962]
  VLM(Vision-Language Models)による放射線学レポート生成は、ドキュメントの負担軽減、レポートの一貫性の向上、臨床導入の加速を約束する。 既存の研究では、解釈可能性と精度を別々の目的として扱い、概念に基づく説明可能性技術は透明性に重点を置いている。 本稿では,視覚表現を解釈可能な臨床概念に分解する統合フレームワークであるCEMRAG(Concept-Enhanced Multimodal RAG)を提案する。
  論文  参考訳（メタデータ） (2026-02-17T15:18:07Z)
• Adapting HFMCA to Graph Data: Self-Supervised Learning for Generalizable fMRI Representations [57.054499278843856]
  機能的磁気共鳴画像(fMRI)解析は、データセットのサイズが限られ、研究間でのドメインの変動が原因で大きな課題に直面している。 コンピュータビジョンにインスパイアされた従来の自己教師付き学習手法は、正と負のサンプルペアに依存することが多い。 本稿では,最近開発された階層関数最大相関アルゴリズム(HFMCA)をグラフ構造fMRIデータに適用することを提案する。
  論文  参考訳（メタデータ） (2025-10-05T12:35:01Z)
• Automated Labeling of Intracranial Arteries with Uncertainty Quantification Using Deep Learning [2.6279333406008476]
  3D Time-of-light Magnetic Resonance Angiography (3D ToF-MRA) を用いたディープラーニングによる自動動脈ラベル作成フレームワークを提案する。 我々のフレームワークは、自動脳血管ラベリングのためのスケーラブルで正確で不確実なソリューションを提供し、下流血行動態解析をサポートし、臨床統合を容易にする。
  論文  参考訳（メタデータ） (2025-09-22T12:57:21Z)
• Temporally-Aware Diffusion Model for Brain Progression Modelling with Bidirectional Temporal Regularisation [7.097850157718258]
  現在のアプローチでは、構造変化と時間間隔の関係を明示的に把握できない。 ほとんどのアプローチは2Dスライスベースのアーキテクチャに依存しており、3D解剖学的コンテキストを完全に無視している。 我々は,MRIボリュームの脳の進行を正確に予測する3次元時間認識拡散モデル(TADM-3D)を提案する。
  論文  参考訳（メタデータ） (2025-09-03T08:51:38Z)
• From Promise to Practical Reality: Transforming Diffusion MRI Analysis with Fast Deep Learning Enhancement [35.368152968098194]
  FastFOD-Netは、FODを優れたパフォーマンスで強化し、臨床使用のためのトレーニング/推論効率を提供するエンドツーエンドのディープラーニングフレームワークである。 この研究は、拡散MRIの強化のための深層学習に基づく手法を、より広く採用し、臨床信頼を構築することを促進する。
  論文  参考訳（メタデータ） (2025-08-13T17:56:29Z)
• Towards generating more interpretable counterfactuals via concept vectors: a preliminary study on chest X-rays [46.667021835430155]
  我々は、臨床概念を生成モデルの潜在空間にマッピングし、概念活性化ベクトル(CAV)を同定する。 抽出された概念はデータセット全体にわたって安定しており、臨床的に関連する特徴を強調する視覚的説明を可能にする。 胸部X線検査の予備的結果から, 胸部X線検査は, 心筋症などの大きな病態を呈するが, より小さな病態はいまだに困難である。
  論文  参考訳（メタデータ） (2025-06-04T15:23:12Z)
• Weakly Supervised AI for Efficient Analysis of 3D Pathology Samples [6.381153836752796]
  3次元組織画像処理のためのボリュームブロック解析(MAMBA)のためのModality-Agnostic Multiple Case Learningを提案する。 3Dブロックベースのアプローチでは、MAMBAは2Dの単一スライスによる予測よりも優れた受信特性曲線(AUC)の0.86と0.74の領域を達成している。 さらに, 組織体積が大きくなることで予後が向上し, サンプリングバイアスによるリスク予測のばらつきが軽減されることが示唆された。
  論文  参考訳（メタデータ） (2023-07-27T14:48:02Z)
• An Explainable 3D Residual Self-Attention Deep Neural Network FOR Joint Atrophy Localization and Alzheimer's Disease Diagnosis using Structural MRI [22.34325971680329]
  我々は,3D Residual Attention Deep Neural Network(3D ResAttNet)を導入し,SMRIスキャンによるエンドツーエンド学習によるアルツハイマー病早期診断のためのコンピュータ支援手法を提案する。 実験結果から,提案手法は精度と一般化性の観点から,最先端モデルに対して競争上の優位性があることが示唆された。
  論文  参考訳（メタデータ） (2020-08-10T11:08:55Z)

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。