論文の概要: ClinRAG-GRAPH: Clinical-prior Retrieval-Augmented Graph Model with Domain Adversarial Learning for Breast pCR Prediction

• arxiv url: http://arxiv.org/abs/2607.00798v1
• Date: Wed, 01 Jul 2026 11:28:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-02 19:56:07.8712
• Title: ClinRAG-GRAPH: Clinical-prior Retrieval-Augmented Graph Model with Domain Adversarial Learning for Breast pCR Prediction
• Title（参考訳）: ClinRAG- Graph: 胸部pCR予測のためのドメイン逆学習を用いた臨床前立腺検索グラフモデル
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 27.661246388005384
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Neoadjuvant chemotherapy (NAC) response prediction is clinically important for treatment stratification in breast cancer. However, robust pre-treatment pathological complete response (pCR) prediction remains challenging due to insufficient cross-modal modeling, multicenter imaging heterogeneity, and weak evidence-grounded interpretability. We propose ClinRAG-GRAPH, a Clinically informed Retrieval-Augmented Generation Graph framework, for pre-treatment pCR prediction from DCE-MRI, structured clinical variables, and biopsy-derived pathological biomarkers. ClinRAG-GRAPH constructs an intra-patient clinical-prior graph and applies a prior-guided relation-aware graph convolutional network for structured multimodal representation learning. To improve cross-center robustness, we introduce a dual-branch domain-adversarial learning strategy to suppress protocol-related MRI bias while preserving pCR-relevant features. To enhance interpretability, we further incorporate large language model (LLM)-driven subgraph RAG module that retrieves clinically analogous historical cases and integrates retrieved evidence for pCR inference. We assemble a large-scale multicenter NAC breast cancer cohort for extensive validation, drawing from two public sources and three in-house centers.Results show that ClinRAG-GRAPH achieves AUCs of 0.815 on the internal test set and 0.774/0.712 on two external test sets, demonstrating robust pre-treatment pCR prediction across centers. The code is available at the anonymized https://github.com/miccai26-1181/ClinRAG-GRAPH.
• Abstract（参考訳）: 乳がん治療におけるネオアジュバント化学療法(NAC)の反応予測は臨床的に重要である。 しかし, クロスモーダルモデリングの不十分, マルチセンターイメージングの不均一性, 弱いエビデンス・グラウンドの解釈容易性などにより, 頑健なpCR予測はいまだに困難である。 我々は,DCE-MRIによるpCR予測,構造的臨床変数,生検由来の生検由来のバイオマーカーに対するClinRAG-GRAPHを提案する。 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。 pCR関連機能を保ちつつ、プロトコル関連MRIバイアスを抑制するための二重分岐ドメイン逆学習戦略を導入する。 解釈可能性を高めるため,臨床に類似した歴史的症例を検索し,pCR推論の証拠を収集する大規模言語モデル(LLM)によるサブグラフRAGモジュールも組み込んだ。 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予測を実証した。 コードは匿名のhttps://github.com/miccai26-1181/ClinRAG-GRAPHで入手できる。

関連論文リスト

• Graph-Supervised Hierarchical Clinical Alignment for Radiology Report Generation with Large Language Models [46.202482780666635]
  Graph-Hierarchicald Supervised Clinical Alignmentは、階層的な臨床アライメント問題としてイメージレポートの監督を再構築する。 本手法は, このアライメントを, 管理を2つのレベルに分解した疾患条件付きプロセスとして構成する。 MIMIC-CXR,IU-Xray,COV-CTRを用いた実験により,本手法は従来と臨床の両方の指標における性能を一貫して改善することが示された。
  論文  参考訳（メタデータ） (2026-08-25T06:32:26Z)
• EchoSonar-R: A Multi-View Reasoning-Enabled Model for Disease Classification and Report Generation in Echocardiography [4.445909648625997]
  疾患分類と報告生成を共同で行う多視点推論対応視覚対応モデルであるEchoSonar-Rを提案する。 EchoSonar-Rは2つの段階で訓練されている: 推論アノテート対象に関する教師付き微細言語エンコーダ (SFT) と、タスク固有の報酬を伴うグループ相対ポリシー最適化 (O) である。 EchoSonar-Rではマクロバランスの精度が17.1%向上し、MIMICQAでは6.1%向上した。
  論文  参考訳（メタデータ） (2026-06-26T14:58:45Z)
• Multimodal Stepwise Clinically-Guided Attention Learning for Pathological Complete Response Prediction in Breast Cancer [4.6719795751452295]
  病理学的完全反応 (pCR) は, 乳がん患者にネオアジュバント療法を施行する鍵となる予後因子である。 乳房磁気共鳴画像(MRI)を用いたpCR予測のための臨床誘導型注意学習フレームワークを提案する。 このフレームワークは、異種MRIコホート間の外部検証によって評価される。
  論文  参考訳（メタデータ） (2026-05-08T10:34:27Z)
• Graph-Augmented Topological Internalization with Dual-Stream Classifiers for Medical Report Generation [3.3887144970801555]
  トポロジカル内部化を用いたグラフ拡張型デュアルストリーム医療レポート生成法(GDMRG)を提案する。 本フレームワークでは,グローバルな疾患の共起を前提としたパラメータ化重み行列を生成するトポロジカル・ナレッジ・インサイナライゼーション・モジュールであるTKIを導入する。 MIMIC-CXRデータセットの実験は、GDMRGが自然言語の流速を維持しながら競争力のある臨床効果CEを達成することを示した。
  論文  参考訳（メタデータ） (2026-05-04T09:17:27Z)
• 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)
• A Semantically Enhanced Generative Foundation Model Improves Pathological Image Synthesis [82.01597026329158]
  本稿では,組織合成のための相関調整フレームワーク(CRAFTS)について紹介する。 CRAFTSは、生物学的精度を確保するためにセマンティックドリフトを抑制する新しいアライメント機構を組み込んでいる。 本モデルは,30種類の癌にまたがる多彩な病理像を生成する。
  論文  参考訳（メタデータ） (2025-12-15T10:22:43Z)
• LGE-Guided Cross-Modality Contrastive Learning for Gadolinium-Free Cardiomyopathy Screening in Cine CMR [51.11296719862485]
  CMRを用いたガドリニウムフリー心筋症スクリーニングのためのコントラシブラーニングおよびクロスモーダルアライメントフレームワークを提案する。 CMRとLate Gadolinium Enhancement (LGE) 配列の潜伏空間を整列させることにより, 本モデルでは線維症特異的な病理組織をCMR埋め込みにエンコードする。
  論文  参考訳（メタデータ） (2025-08-23T07:21:23Z)
• A Clinically-Grounded Two-Stage Framework for Renal CT Report Generation [4.408787333571913]
  本稿では,自動腎CTレポート作成のための枠組みを提案する。 ステージ1では、マルチタスク学習モデルが、各2次元画像から構造化された臨床特徴を検出する。 ステージ2では、視覚言語モデルが画像と検出された特徴に条件付けされた自由テキストレポートを生成する。
  論文  参考訳（メタデータ） (2025-06-30T07:45:02Z)
• PD-DWI: Predicting response to neoadjuvant chemotherapy in invasive breast cancer with Physiologically-Decomposed Diffusion-Weighted MRI machine-learning model [0.0]
  DWIと臨床データからpCRを予測するための生理学的に分解されたDWI機械学習モデルPD-DWIを紹介する。 我々のモデルは、現在のリーダーボードの最良の結果と比較して、曲線下(AUC)の面積を大幅に改善します。
  論文  参考訳（メタデータ） (2022-06-12T08:59:49Z)
• Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based Sparse PCA Network [93.22587316229954]
  ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。 我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
  論文  参考訳（メタデータ） (2021-10-27T19:28:36Z)

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。