論文の概要: Token-Level Cross-Modal Transformer with Contrastive Multi-Task Learning for Breast Cancer Subtype Classification and Survival Prediction
- arxiv url: http://arxiv.org/abs/2607.16233v1
- Date: Thu, 25 Jun 2026 03:53:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-27 00:46:13.047708
- Title: Token-Level Cross-Modal Transformer with Contrastive Multi-Task Learning for Breast Cancer Subtype Classification and Survival Prediction
- Title（参考訳）: 乳がんサブタイプ分類と生存予測のためのマルチタスク学習を用いたトークンレベルクロスモーダルトランス
- Authors: Suxing Liu Byungwon Min,
- Abstract要約: ジョイント癌サブタイプ分類と生存予測のための異種ゲノムおよび臨床モダリティの統合は、精度オンコロジーにおいて重要な課題である。
既存のアプローチでは,(1)モダリティをモノリシックな特徴ベクトルとして扱うこと,(2)モダリティ間のきめ細かいトークンレベルの相互作用を除外すること,(2) クロスモーダル融合は通常,構造化トークン交換よりも線形重み付けや遅延平均化によって行われること,(3) 生存と分類の目的は独立に最適化され,共同正規化信号が欠落すること,の3つの制限がある。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Integrating heterogeneous genomic and clinical modalities for joint cancer subtype classification and survival prediction remains a key challenge in precision oncology. Existing approaches suffer from three limitations: (1) they treat each modality as a monolithic feature vector, precluding fine-grained token-level interactions across modalities; (2) cross-modal fusion is typically performed through linear weighting or late averaging rather than structured token exchange; and (3) survival and classification objectives are optimized independently, missing a joint regularization signal.
- Abstract（参考訳）: ジョイント癌サブタイプ分類と生存予測のための異種ゲノムおよび臨床モダリティの統合は、精度オンコロジーにおいて重要な課題である。
既存のアプローチでは,(1)モダリティをモノリシックな特徴ベクトルとして扱うこと,(2)モダリティ間のきめ細かいトークンレベルの相互作用を除外すること,(2) クロスモーダル融合は通常,構造化トークン交換よりも線形重み付けや遅延平均化によって行われること,(3) 生存と分類の目的は独立に最適化され,共同正規化信号が欠落すること,の3つの制限がある。
関連論文リスト
- 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) - Handling Missing Modalities in Multimodal Survival Prediction for Non-Small Cell Lung Cancer [28.475952006436227]
我々はCT(Computed Tomography)、WSI(Whole-Slide Histopathology)画像、および非切除性ステージII-III NSCLCにおける総合生存モデリングのための構造化された臨床変数を統合した、欠落したマルチモーダルサバイバルフレームワークを提案する。
実験結果から, 中間核融合は早期および後期核融合戦略と同様に, 単相塩基性よりも一貫して優れていた。
論文 参考訳（メタデータ） (2026-01-15T13:38:19Z) - scMRDR: A scalable and flexible framework for unpaired single-cell multi-omics data integration [53.683726781791385]
単一セルマルチオミクス(ScMRDR)と呼ばれるスケーラブルでフレキシブルな生成フレームワークを導入する。
本手法は, バッチ補正, モダリティアライメント, 生体信号保存の観点から, ベンチマークデータセット上での優れた性能を実現する。
論文 参考訳（メタデータ） (2025-10-28T21:28:39Z) - Cross-Modality Masked Learning for Survival Prediction in ICI Treated NSCLC Patients [8.798544846026676]
免疫療法を施行した非小細胞肺癌(NSCLC)患者の大規模データセットについて報告する。
本稿では,生存予測の精度向上を目的としたマルチモーダル機能融合のための新しいフレームワークを提案する。
提案手法は,NSCLCサバイバル予測のためのマルチモーダル統合において,既存手法よりも優れた性能を示す。
論文 参考訳（メタデータ） (2025-07-09T16:19:31Z) - EAGLE: Efficient Alignment of Generalized Latent Embeddings for Multimodal Survival Prediction with Interpretable Attribution Analysis [16.567468717846676]
既存のマルチモーダルアプローチは、単純化された融合戦略、膨大な計算要求、および臨床導入における解釈可能性の重要な障壁の欠如に悩まされている。
本稿では,注意に基づくマルチモーダル融合と包括的帰属分析により,これらの制約に対処する新しいディープラーニングフレームワークであるEagleを紹介する。
Eagleは、高度なAI機能と実用的なヘルスケアデプロイメントのギャップを埋め、マルチモーダルサバイバル予測のためのスケーラブルなソリューションを提供する。
論文 参考訳（メタデータ） (2025-06-12T03:56:13Z) - MIRROR: Multi-Modal Pathological Self-Supervised Representation Learning via Modality Alignment and Retention [57.044719143401664]
病理組織学と転写学は、腫瘍学の基本的なモダリティであり、疾患の形態学的および分子的側面を包含している。
モーダルアライメントと保持を両立させる新しいマルチモーダル表現学習法であるMIRRORを提案する。
がんの亜型化と生存分析のためのTCGAコホートに関する広範囲な評価は,MIRRORの優れた性能を浮き彫りにしている。
論文 参考訳（メタデータ） (2025-03-01T07:02:30Z)
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。