論文の概要: TRACE-PCa: Predicting Prostate Cancer Progression from Longitudinal MRI During Active Surveillance
- arxiv url: http://arxiv.org/abs/2607.13506v1
- Date: Wed, 15 Jul 2026 07:00:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-16 16:39:12.676806
- Title: TRACE-PCa: Predicting Prostate Cancer Progression from Longitudinal MRI During Active Surveillance
- Title（参考訳）: TRACE-PCa : 能動サーベイランス中の縦隔MRIによる前立腺癌進展予測
- Abstract要約: アクティブな監視は、リスクの高い前立腺がんにとって好ましい戦略である。
現在のプロトコルは、スケジュールされた繰り返し生検に依存しており、そのほとんどは進行を示さず、不要である。
病変分節を伴わないASの病態進行を予測するために, 終端時間・多モーダルモデルを提案する。
- 参考スコア（独自算出の注目度）: 3.0383869408727864
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Active surveillance (AS) is the preferred strategy for favorable-risk prostate cancer, yet current protocols rely on scheduled repeat biopsies, most of which reveal no progression and are unnecessary. Existing risk-stratification tools operate on single time-point imaging or depend on explicit lesion segmentation, limiting their ability to capture longitudinal change and excluding patients without an MRI-visible lesion. In this study, we propose an end-to-end temporal and multimodal model for predicting pathological progression during AS without lesion segmentation. We encode each serial scan with a pretrained 3D MRI foundation model and introduce a temporal attention gate that recalibrates the multi-visit features to amplify focal imaging changes associated with progression. The gated imaging representation is then fused with clinical variables in a multimodal framework to estimate the probability of progression. Validated on a longitudinal AS cohort, our approach consistently outperforms competing baselines and performs comparably to the radiologist assessment representing current clinical practice. It maintains high negative predictive value while achieving higher positive predictive value, demonstrating its potential to safely reduce unnecessary biopsies during surveillance.
- Abstract（参考訳）: アクティブ・サーベイランス(AS)は、リスクの高い前立腺がんに対して好まれる戦略であるが、現在のプロトコルは定期的な生検に頼っている。
既存のリスクストラテフィケーションツールは、単一のタイムポイントイメージングで機能するか、明示的な病変のセグメンテーションに依存し、縦方向の変化を捉えたり、MRIで見える病変のない患者を排除する能力を制限する。
本研究では,病変の分節を伴わないASの病態進行を予測するために,終末から終末までの時間的・多モーダルモデルを提案する。
我々は,各シリアルスキャンを事前訓練した3次元MRI基礎モデルでエンコードし,進行に伴う焦点画像の変化を増幅する多視点特徴を再検討する時間的アテンションゲートを導入する。
次に、ゲート画像表現をマルチモーダルフレームワークにおける臨床変数と融合させ、進行確率を推定する。
縦断的ASコホートを指標として,本手法は競合するベースラインを一貫して上回り,現在の臨床実践を反映した放射線学評価と相容れない性能を示した。
高い負の予測値を保ちながら高い正の予測値を達成し、監視中に不必要な生検を安全に減らす可能性を示す。
関連論文リスト
- 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) - 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) - An Automated Radiomics Framework for Postoperative Survival Prediction in Colorectal Liver Metastases using Preoperative MRI [0.8571977422745714]
術後肝転移生存予測のためのAIベースの自動フレームワークを提案する。
我々は、解剖学的に認識されたセグメンテーションパイプラインと放射能パイプラインからなる生存予測フレームワークを開発した。
本研究は,放射能を用いた生存分析とセグメンテーションアルゴリズムの統合の可能性を示す。
論文 参考訳（メタデータ） (2026-03-10T20:34:24Z) - Transparent Early ICU Mortality Prediction with Clinical Transformer and Per-Case Modality Attribution [42.85462513661566]
ICU滞在後48時間から, 生理的時系列測定と非構造的臨床記録とを融合した, 軽量で透明なマルチモーダルアンサンブルを提案する。
ロジスティック回帰モデルは、バイタル用双方向LSTMとノート用微調整された臨床ModernBERT変換器の2つのモード固有モデルからの予測を組み合わせる。
MIMIC-IIIベンチマークでは、遅延融合アンサンブルは、よく校正された予測を維持しながら、最高の単一モデルに対する差別を改善する。
論文 参考訳（メタデータ） (2025-11-19T20:11:49Z) - Overlap-weighted orthogonal meta-learner for treatment effect estimation over time [90.46786193198744]
ヘテロジニアス治療効果(HTE)を推定するための新しい重み付きメタラーナーを提案する。
我々のWO-Larnerは、ノイマン直交性(Neyman-orthogonality)の好ましい性質を持ち、ニュアンス関数の誤特定に対して堅牢である。
我々のWO-learnerは完全にモデルに依存しず、あらゆる機械学習モデルに適用可能であることを示す。
論文 参考訳（メタデータ） (2025-10-22T14:47:57Z) - Multi-Task Diffusion Approach For Prediction of Glioma Tumor Progression [0.6978367196609415]
グリオーマは攻撃的な脳腫瘍であり、正確な進化予測に重大な課題をもたらす。
本稿では,グリオーマ進行の時間依存的,ピクセルワイドな予測のためのマルチタスク拡散フレームワークを提案する。
論文 参考訳（メタデータ） (2025-09-13T14:42:46Z) - Live(r) Die: Predicting Survival in Colorectal Liver Metastasis [0.01268579273097071]
大腸癌はしばしば肝に転移し、長期生存率を大幅に低下させる。
現在の予後モデルは、しばしば限られた臨床または分子的特徴に基づいており、十分な予測力を持っていない。
コントラスト前・後MRIによる外科的予後予測のための完全自動フレームワークを提案する。
論文 参考訳（メタデータ） (2025-09-10T19:02:59Z) - SurgeryLSTM: A Time-Aware Neural Model for Accurate and Explainable Length of Stay Prediction After Spine Surgery [44.119171920037196]
選択的脊椎手術における滞在時間(LOS)予測のための機械学習モデルの開発と評価を行った。
我々は,従来のMLモデルと,マスク付き双方向長短期記憶(BiLSTM)であるオペレーショナルLSTMを比較した。
決定係数(R2)を用いて性能を評価し,説明可能なAIを用いて鍵予測器を同定した。
論文 参考訳（メタデータ） (2025-07-15T01:18:28Z) - 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) - Improved Prognostic Prediction of Pancreatic Cancer Using Multi-Phase CT
by Integrating Neural Distance and Texture-Aware Transformer [37.55853672333369]
本稿では, 異なる患者のCT像における腫瘍と血管の正確な関係を記述した, 学習可能なニューラル距離を提案する。
発達したリスクマーカーは, 術前因子の生存率の予測因子として最強であった。
論文 参考訳（メタデータ） (2023-08-01T12:46:02Z) - Automated Segmentation and Recurrence Risk Prediction of Surgically
Resected Lung Tumors with Adaptive Convolutional Neural Networks [3.5413688566798096]
肺がんは、がん関連死亡の重大な原因である。
本稿では,肺腫瘍のセグメンテーションと再発リスク予測における畳み込みニューラルネットワーク(CNN)の利用について検討する。
我々の知る限りでは、これは最初の完全自動化されたセグメンテーションと再発リスク予測システムである。
論文 参考訳（メタデータ） (2022-09-17T23:06:22Z) - 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)
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。