Fugu-MT 論文翻訳(概要): Longitudinal Multi-View Breast Cancer Risk Prediction

論文の概要: Longitudinal Multi-View Breast Cancer Risk Prediction

arxiv url: http://arxiv.org/abs/2607.11343v1
Date: Mon, 13 Jul 2026 10:06:04 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-14 17:47:21.42338
Title: Longitudinal Multi-View Breast Cancer Risk Prediction
Title（参考訳）: 縦断的多視点乳がんリスク予測
Abstract要約: LMV-Netは長手多視点乳がんリスク予測モデルである。解剖学的に相補的なCCとMLOのビューを、明示的に整列された縦長のフレームワーク内で共同で解析する。我々のモデルは、全体的なリスク予測性能において、既存のアプローチを一貫して上回ります。
参考スコア（独自算出の注目度）: 20.98092150618352
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Accurate breast cancer risk prediction from screening mammography is critical for enabling personalized screening intervals and early detection. Recent deep learning methods have shown the value of longitudinal data and explicit temporal alignment. However, existing approaches either perform explicit alignment using a single mammographic view or model multiple views without explicit longitudinal alignment, limiting their ability to exploit the complementary spatial-temporal information used in clinical practice. To address this gap, we propose LMV-Net, a longitudinal multi-view breast cancer risk prediction model that jointly analyzes anatomically complementary CC and MLO views within an explicitly aligned longitudinal framework. We evaluate our approach on the public EMBED and CSAW-CC datasets, comparing it to state-of-the-art breast cancer risk prediction methods. Our model consistently outperforms existing approaches in overall risk prediction performance and across different breast density and cancer subgroups. Importantly, these improvements highlight the potential of longitudinal multi-view modeling to enhance risk stratification, paving the way for future work on personalized screening, earlier identification of high-risk patients, and more efficient screening resource allocation. The code is available at https://github.com/sot176/LMV-Net.
Abstract（参考訳）: マンモグラフィーによる乳癌の正確なリスク予測は、パーソナライズされたスクリーニング間隔と早期発見を可能にするために重要である。近年の深層学習法では, 時系列データの価値と時間的アライメントが明らかになっている。しかし、既存のアプローチでは、単一のマンモグラフィービューを用いて明示的なアライメントを行うか、あるいは、明示的なアライメントを伴わずに複数のビューをモデル化し、臨床で使用される補完的な時空間情報を活用する能力を制限する。このギャップに対処するために,解剖学的に相補的なCCとMLOのビューを協調的に分析する縦長多視点乳がんリスク予測モデル LMV-Net を提案する。 EMBEDおよびCSAW-CCデータセットに対する我々のアプローチを,現在最先端の乳がんリスク予測手法と比較した。本モデルは, 乳腺密度および癌サブグループ間でのリスク予測性能において, 既存のアプローチを一貫して上回っている。これらの改善は、リスク階層化を高めるための縦型多視点モデリングの可能性を強調し、パーソナライズされたスクリーニング、リスクの高い患者の早期発見、リソース割り当ての効率化に寄与する。コードはhttps://github.com/sot176/LMV-Netで公開されている。

関連論文リスト

X-ray Insights Unleashed: Pioneering the Enhancement of Multi-Label Long-Tail Data [86.52299247918637]
胸部X線撮影における長期肺腫瘍の診断は困難であった。尾部病変の表現力を高める拡散法は近年進歩しているが, 稀な病変例では, それらの発生能が低下している。そこで本研究では,従来のX線を併用して尾部病変を増大させる新しいデータ合成パイプラインを提案する。
論文参考訳（メタデータ） (2025-12-24T06:14:55Z)
The LongiMam model for improved breast cancer risk prediction using longitudinal mammograms [0.0]
LongiMamは、現在と4つの先行するマンモグラムを統合したエンドツーエンドのディープラーニングモデルである。 LongiMamは、先行マンモグラフィーを含む場合の予測を継続的に改善した。乳房密度の経時変化が観察された女性では, モデルが最も良好であった。
論文参考訳（メタデータ） (2025-09-23T15:57:55Z)
Deep Survival Analysis in Multimodal Medical Data: A Parametric and Probabilistic Approach with Competing Risks [47.19194118883552]
単一リスクシナリオと競合リスクシナリオの両方をモデル化可能な生存分析のためのマルチモーダルディープラーニングフレームワークを提案する。生存予測のための新しいディープラーニングアーキテクチャであるSAMVAE(Survival Analysis Multimodal Variational Autoencoder)を提案する。
論文参考訳（メタデータ） (2025-07-10T14:29:48Z)
VMRA-MaR: An Asymmetry-Aware Temporal Framework for Longitudinal Breast Cancer Risk Prediction [9.279703528115139]
我々は,Vision Mamba RNN (VMRNN) と状態空間モデル (SSM) とLSTMライクな記憶機構を併用し,乳房組織進化の微妙な傾向を捉えることを提案する。臨床的に関連する2つの相違点を特定するために,空間非対称性検出器(SAD)と縦方向非対称性追跡器(LAT)を組み込んだ。この統合された枠組みは、特に高密度の乳がん症例において、がん発症の予測において顕著な改善を示す。
論文参考訳（メタデータ） (2025-06-20T18:17:19Z)
STA-Risk: A Deep Dive of Spatio-Temporal Asymmetries for Breast Cancer Risk Prediction [1.600919533339807]
STA-Risk は乳がんリスク予測のための両側および縦アシンメトリーからの微細なマンモグラフィー画像の進化を同時に捉えている。 2つの独立したマンモグラフィーデータセットを用いて広範な実験を行い、1～5年間のリスク予測のために4つの代表的なSOTAモデルよりも優れた性能を示した。
論文参考訳（メタデータ） (2025-05-27T19:38:23Z)
Extrapolating Prospective Glaucoma Fundus Images through Diffusion Model in Irregular Longitudinal Sequences [46.80977922491862]
緑内障進行予測のための経時的データセットの利用は、早期治療の介入を支援するための説得力のあるアプローチを提供する。本研究では, 既往の経時的底面像を外挿し, 将来像を予測できる新しい拡散モデルを提案する。
論文参考訳（メタデータ） (2024-10-28T15:31:47Z)
Ordinal Learning: Longitudinal Attention Alignment Model for Predicting Time to Future Breast Cancer Events from Mammograms [16.06975226476176]
OA-BreaCR は,BC のリスクおよび時間・将来の予測タスクにおいて,既存の手法よりも優れる。以上の結果から,BC検診・予防活動の強化に向けた解釈的かつ正確なリスク評価の重要性が示唆された。
論文参考訳（メタデータ） (2024-09-10T22:03:26Z)
Beyond the Eye: A Relational Model for Early Dementia Detection Using Retinal OCTA Images [43.73298205923969]
早期発症アルツハイマー病 (AD) と軽度認知障害 (MCI) をコントロールから識別するために, 網膜光コヒーレンストモグラフィー (OCTA) を用いた新しいPolarNet+を提案する。提案手法は,まずカルト座標から極座標へのOCTA画像のマッピングを行う。次に,包括的かつ臨床的に有用な情報抽出のための3次元画像のシリアライズと解析を行う多視点モジュールを提案する。
論文参考訳（メタデータ） (2024-08-09T15:10:34Z)
Improving Breast Cancer Grade Prediction with Multiparametric MRI Created Using Optimized Synthetic Correlated Diffusion Imaging [71.91773485443125]
乳がん治療計画において、グレーディングは重要な役割を担っている。現在の腫瘍グレード法では、患者から組織を抽出し、ストレス、不快感、医療費の上昇につながる。本稿では,CDI$s$の最適化による乳癌の診断精度の向上について検討する。
論文参考訳（メタデータ） (2024-05-13T15:48:26Z)
Longitudinal Mammogram Risk Prediction [6.28887425442237]
我々は最先端の機械学習モデルを拡張し、任意の数の縦マンモグラフィーを摂取し、将来の乳がんリスクを予測する。以上の結果から,より長い歴史(例年4回のマンモグラム)が将来の乳癌のリスクを予測する精度を著しく向上させる可能性が示唆された。
論文参考訳（メタデータ） (2024-04-29T19:52:09Z)
Breast Cancer Induced Bone Osteolysis Prediction Using Temporal Variational Auto-Encoders [65.95959936242993]
骨分解性骨病変の進展を正確に予測し,可視化する深層学習フレームワークを開発した。乳癌患者の骨格関連事象(SRE)を予防するための治療戦略の計画と評価を支援する。
論文参考訳（メタデータ） (2022-03-20T21:00:10Z)

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。