Fugu-MT 論文翻訳(概要): Graph Representation Learning of Longitudinal Medical Imaging Trajectories for Treatment Response Prediction

論文の概要: Graph Representation Learning of Longitudinal Medical Imaging Trajectories for Treatment Response Prediction

arxiv url: http://arxiv.org/abs/2607.04912v1
Date: Mon, 06 Jul 2026 10:39:14 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-07 22:26:30.113454
Title: Graph Representation Learning of Longitudinal Medical Imaging Trajectories for Treatment Response Prediction
Title（参考訳）: 治療反応予測のための縦型医用画像軌跡のグラフ表現学習
Abstract要約: 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。
参考スコア（独自算出の注目度）: 2.9823166626381212
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In patients with breast cancer, pathological complete response (pCR) has been established as a clinically meaningful surrogate marker for long-term outcomes. While commonly treated with neoadjuvant chemotherapy (NACT), effective treatment decision-making remains challenging, as therapeutic response can vary substantially across patients, calling for predictive models capable of accurately estimating individualized treatment response. To address this, we propose an imaging-based 3D spatio-temporal framework for treatment response prediction that integrates a state-of-the-art graph neural network with relational modeling of temporal interactions across timepoints alongside three novel complementary self-supervised treatment trajectory representation learning objectives. Experiments across a cohort of 585 patients from the public ISPY-2 dataset demonstrate that our method substantially outperforms both vision and self-supervised learning baselines across several classification metrics. Alongside establishing a breast cancer pCR prediction benchmark, we include a principled ablation of our method and further introduce and empirically assess the impact of the available number of DCE-MRI timepoints per patient trajectory and the inclusion of inter-scan time-differences. Overall, our study substantiates the utility of clinically meaningful longitudinal medical imagaging modeling for predicting NACT-induced pCR. We will publicly share our code repository and a user-friendly PyPI library for dataset curation upon publication, effectively promoting reproducible open-source research.
Abstract（参考訳）: 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。一般的にネオアジュバント化学療法(NACT)で治療されるが、治療効果は患者によって大きく異なり、個別の治療反応を正確に推定できる予測モデルが要求されるため、効果的な治療決定は依然として困難である。そこで本研究では,最新のグラフニューラルネットワークと時間点間の時間的相互作用のリレーショナルモデリングを統合し,新たな3つの補足的自己教師付き処理トラジェクトリ表現学習目標を併用した,治療応答予測のための画像ベース3次元時空間フレームワークを提案する。 ISPY-2データセットから得られた585人のコホートにまたがる実験は、我々の手法が視覚と自己教師付き学習のベースラインを、いくつかの分類指標で大幅に上回っていることを実証している。乳癌pCR予測ベンチマークの確立とともに,本手法の原理的アブレーションと,患者軌跡当たりのDCE-MRIタイムポイント数の影響と,スキャン間時間差の影響を実験的に検討した。本研究は,NACT誘発pCRの予測に臨床的に有意な縦断的医用画像モデリングの有用性を実証した。コードリポジトリとユーザフレンドリなPyPIライブラリを公開時に公開し、再現可能なオープンソース研究を効果的に推進します。

関連論文リスト

Longitudinal 3D Foundation Modeling for Neoadjuvant Breast Cancer Response Prediction from Serial DCE-MRI [7.12410794627214]
病理組織学的完全反応(pCR)は乳癌に対するネオアジュバント化学療法(NAC)において重要なエンドポイントである。凍結した3Dファウンデーションエンコーダ(Pillar-0)とテンポラルダイナミクスネットワーク(TDN)を組み合わせた長手フレームワークを提案する。 TDNは、タイムアウェアな容積埋め込みと臨床および治療データを組み合わせてpCRを予測する。
論文参考訳（メタデータ） (2026-08-07T05:30:24Z)
Benchmarking Machine Learning Architectures for Antimicrobial Stewardship in Pediatric ICUs [1.113021697417606]
小児集中治療器(PICU)における抗微生物スチュワードシップ(AMS)の意義機械学習は、電子健康記録データから患者レベルの介入機会を特定するための有望なアプローチを提供する。公開データセットと民間機関コホートを用いたPICUにおけるAMS介入予測の系統的ベンチマークを行った。
論文参考訳（メタデータ） (2026-05-21T15:26:58Z)
From Static Risk to Dynamic Trajectories: Toward World-Model-Inspired Clinical Prediction [61.12883122613684]
本稿では, 患者固有の縦断疾患の進展を推定し, 代替治療下での軌跡変化を評価するための, 臨床AIにおける介入認識型疾患軌跡モデリングに焦点をあてる。 3つの意思決定タスク(実測,反実推定,政策評価)と3つのデータ生成機構(障害発生, 治療課題, 観察過程)によって, 識別可能性を決定する。本稿では,個別/連続時間にまたがる予測,反ファクト的軌跡,政策評価の統一的な枠組みを提案する。
論文参考訳（メタデータ） (2026-05-16T10:45:26Z)
Attend-and-Refine: Interactive keypoint estimation and quantitative cervical vertebrae analysis for bone age assessment [32.52024944963992]
小児矯正学では、効果的な治療戦略を開発するためには、成長電位の正確な推定が不可欠である。本研究は, 成長ピークを同定し, 側頭頂部X線写真のみで頚椎形態を解析することによって, この可能性を予測することを目的とする。我々は,アノテーションプロセスの合理化を目的としたユーザ対話型深層学習モデルARNetを紹介する。
論文参考訳（メタデータ） (2025-07-10T11:52:20Z)
MR-STGN: Multi-Residual Spatio Temporal Graph Network Using Attention Fusion for Patient Action Assessment [0.30693357740321775]
MR-STGN(Multi-Residual Spatio Temporal Graph Network)を用いた患者行動評価の自動化手法を提案する。 MR-STGNは患者行動のダイナミクスを捉えるように設計されている。リアルタイムの患者行動スコアを正確に予測する上で,UI-PRMDデータセットの性能を示すモデルについて検討した。
論文参考訳（メタデータ） (2023-12-21T01:09:52Z)
Exploiting segmentation labels and representation learning to forecast therapy response of PDAC patients [60.78505216352878]
化学療法に対する腫瘍反応を予測するためのハイブリッドディープニューラルネットワークパイプラインを提案する。セグメンテーションから分類への表現伝達の組み合わせと、ローカライゼーションと表現学習を利用する。提案手法は, 合計477個のデータセットを用いて, ROC-AUC 63.7% の処理応答を予測できる, 極めて効率的な手法である。
論文参考訳（メタデータ） (2022-11-08T11:50:31Z)
Disentangled Counterfactual Recurrent Networks for Treatment Effect Inference over Time [71.30985926640659]
本稿では,DCRN(Disentangled Counterfactual Recurrent Network)を提案する。時間とともに治療効果の因果構造に完全にインスパイアされたアーキテクチャでは、予測精度と疾患理解が向上する。実データとシミュレーションデータの両方において,DCRNが処理応答予測の最先端手法より優れていることを示す。
論文参考訳（メタデータ） (2021-12-07T16:40:28Z)
MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
論文参考訳（メタデータ） (2020-10-08T15:30:17Z)
BiteNet: Bidirectional Temporal Encoder Network to Predict Medical Outcomes [53.163089893876645]
本稿では,患者の医療旅行におけるコンテキスト依存と時間的関係を捉える,新たな自己注意機構を提案する。エンド・ツー・エンドの双方向時間エンコーダネットワーク(BiteNet)が患者の旅路の表現を学習する。実世界のEHRデータセットを用いた2つの教師付き予測と2つの教師なしクラスタリングタスクにおける手法の有効性を評価した。
論文参考訳（メタデータ） (2020-09-24T00:42:36Z)
Estimating Counterfactual Treatment Outcomes over Time Through Adversarially Balanced Representations [114.16762407465427]
時間とともに治療効果を推定するためにCRN(Counterfactual Recurrent Network)を導入する。 CRNは、患者履歴のバランスの取れた表現を構築するために、ドメイン敵のトレーニングを使用する。本モデルでは, 正解率の予測と適切な治療時期の選択において, 誤差の低減を図っている。
論文参考訳（メタデータ） (2020-02-10T20:47:36Z)

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。