論文の概要: Comparing the Performance of Foundation Model Derived Embeddings with Traditional Approaches for Distant Metastasis Prediction in Head and Neck Cancer

• arxiv url: http://arxiv.org/abs/2607.26276v1
• Date: Tue, 28 Jul 2026 21:17:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-30 21:06:25.471688
• Title: Comparing the Performance of Foundation Model Derived Embeddings with Traditional Approaches for Distant Metastasis Prediction in Head and Neck Cancer
• Title（参考訳）: 頭頸部癌遠位転移予測法における基礎モデル由来インプラントの性能比較
• Authors: Erich Schmitz, Meixu Chen, Bowen Jing, Jing Wang,
• Abstract要約: 頭頸部癌(HNC)における遠隔転移(DM)リスクの早期予測は、治療成績を改善するためのタイムリーな介入を可能にする。 我々は,HNC患者のDMリスクを予測するため,基礎モデルを用いた特徴抽出器の有効性を評価した。
• 参考スコア（独自算出の注目度）: 9.540358803107813
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Background: Early prediction of distant metastasis (DM) risk in head and neck cancer (HNC) can enable timely interventions that may improve treatment outcomes. Many current machine learning methods rely on prior knowledge of the region of interest such as tumor segmentations, which require expert knowledge, is time-consuming and introduces user-dependent variability. Medical image-based foundation models have recently been developed for specific imaging modalities to streamline down-stream prediction tasks by extracting modality-relevant features. Purpose: In this study, we evaluate the effectiveness of using a foundation model as the feature extractor to predict DM risk in HNC patients and compare its performance with traditional approaches that require prior knowledge on the regions of interest. Methods: Preoperative CT images of 2327 patients from the RADCURE dataset were used. Three features-sets were created including radiomics, deep-learning based features, and CT Foundation derived features. The feature-sets were used individually in a multi-layer perceptron (MLP) to predict DM risk. Results: The model using CT Foundation embeddings outperformed the radiomics and deep learning-based models, achieving a Receiver Operating Characteristic Area Under the Curve (AUC) of 0.791, compared to AUC values of 0.772 and 0.753 for the radiomics and deep learning-based models, respectively. The CT Foundation based model had similar performance to a model that combined the use of radiomics and deep learning-based features that achieved an AUC of 0.794. Conclusions: Features based on foundation models offer a promising alternative to traditional radiomics while reducing the need for domain expertise and extensively annotated datasets. Their minimal preprocessing requirements also make them a more accessible and scalable option.
• Abstract（参考訳）: 背景: 頭頸部癌(HNC)における遠隔転移(DM)リスクの早期予測は、治療成績を改善するためのタイムリーな介入を可能にする。 多くの機械学習手法は、専門知識を必要とする腫瘍のセグメンテーションのような、興味のある領域の事前知識に依存しており、時間を要するため、ユーザ依存の多様性を導入している。 医用画像に基づく基礎モデルは、最近、特定の画像モダリティのために、モダリティ関連特徴を抽出して下流予測タスクを合理化するために開発された。 目的: 本研究は, HNC患者のDMリスクを予測するための特徴抽出器として基礎モデルを用いることの有効性を評価し, 関心領域の事前知識を必要とする従来のアプローチと比較する。 方法: RADCUREデータセットから得られた2327例の術前CT画像を用いて検討した。 放射能、ディープラーニングベースの特徴、CT Foundationから派生した特徴を含む3つの特徴セットが作成された。 特徴セットはDMリスクを予測するために多層パーセプトロン(MLP)で個別に使用された。 結果:CTファウンデーション埋め込みを用いたモデルは, 放射能モデルと深層学習モデルより優れ, 放射能モデルと深部学習モデルでは0.772および0.753のAUC値に対して, 受信器動作特性領域(AUC)が0.791であった。 CTファウンデーションをベースとしたモデルは、放射能と深層学習を併用してAUCが0.794に達したモデルと類似した性能を示した。 結論: ファンデーションモデルに基づく機能は、従来の放射能に代わる有望な代替手段を提供すると同時に、ドメインの専門知識や広範な注釈付きデータセットの必要性を低減します。 それらの最小限の事前処理要件は、よりアクセシブルでスケーラブルなオプションにもなります。

関連論文リスト

• 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)
• FACT: Foundation Model for Assessing Cancer Tissue Margins with Mass Spectrometry [1.0183055506531902]
  FACTは、もともと3重項損失に基づく教師付きコントラストアプローチを用いて事前訓練されたテキスト音声アソシエーションのための基礎モデルの適応である。 結果: 提案モデルでは, AUROC が 82.4% pm 0.8$ で, 最先端性能を実現し, 分類性能を著しく向上させる。
  論文  参考訳（メタデータ） (2025-04-15T16:36:03Z)
• Enhanced Survival Prediction in Head and Neck Cancer Using Convolutional Block Attention and Multimodal Data Fusion [7.252280210331731]
  本稿では,頭頸部癌患者の生存率を予測するための深層学習に基づくアプローチを提案する。 提案手法は,特徴抽出をCBAM (Convolutional Block Attention Module) とマルチモーダルデータ融合層と統合する。 最終的な予測は、完全にパラメトリックな離散時間生存モデルによって達成される。
  論文  参考訳（メタデータ） (2024-10-29T07:56:04Z)
• Multitask Deep Learning for Accurate Risk Stratification and Prediction of Next Steps for Coronary CT Angiography Patients [26.50934421749854]
  リスク階層化と下流テスト選択を支援するマルチタスク深層学習モデルを提案する。 提案手法は,CADのリスク層化において0.76AUC,下流試験では0.72AUCの受信機動作特性を持つCurve(AUC)のエリアを達成した。
  論文  参考訳（メタデータ） (2023-09-01T08:34:13Z)
• 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)
• Deep Learning for Predicting Progression of Patellofemoral Osteoarthritis Based on Lateral Knee Radiographs, Demographic Data and Symptomatic Assessments [1.1549572298362785]
  本研究はMOST研究のベースラインから被験者(被験者1832名,膝3276名)を抽出した。 PF関節領域は, 側膝X線上の自動ランドマーク検出ツール(BoneFinder)を用いて同定した。 年齢、性別、BMIおよびWOMACスコア、および大腿骨関節X線学的関節炎ステージ(KLスコア)の危険因子について
  論文  参考訳（メタデータ） (2023-05-10T06:43:33Z)
• Deep Convolutional Neural Networks for Molecular Subtyping of Gliomas Using Magnetic Resonance Imaging [24.418025043887678]
  階層的分類パラダイムに基づく5つのグリオーマサブタイプ予測のためのDCNNモデルを開発した。 受信機動作特性解析から,曲線下領域(AUC)を用いて予測性能を評価した。 以上の結果から,開発したDCNNモデルではグリオーマサブタイプを十分な非平衡トレーニングデータで予測できることが示唆された。
  論文  参考訳（メタデータ） (2022-03-10T14:46:20Z)
• A multi-stage machine learning model on diagnosis of esophageal manometry [50.591267188664666]
  このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。 これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
  論文  参考訳（メタデータ） (2021-06-25T20:09:23Z)
• Transfer Learning with Ensembles of Deep Neural Networks for Skin Cancer Classification in Imbalanced Data Sets [0.6802401545890961]
  医療画像から皮膚癌を正確に分類するための機械学習技術が報告されている。 多くのテクニックは、訓練済みの畳み込みニューラルネットワーク(CNN)に基づいており、限られたトレーニングデータに基づいてモデルをトレーニングすることができる。 本稿では,複数のcnnモデルが事前学習され,一部は手元のデータのみにトレーニングされ,患者情報(メタデータ)はメタリーナーを用いて結合される,新しいアンサンブルベースのcnnアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2021-03-22T06:04:45Z)

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。