論文の概要: Structured Proxy Features for Multimodal NSCLC Survival Prediction from Pretreatment CT

• arxiv url: http://arxiv.org/abs/2608.00446v1
• Date: Sat, 01 Aug 2026 05:10:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:24.66338
• Title: Structured Proxy Features for Multimodal NSCLC Survival Prediction from Pretreatment CT
• Title（参考訳）: マルチモーダルCTによるNSCLC生存予測のための構造的プロキシ特性
• Abstract要約: 肺がんは世界中で約180万人が死亡し、非小細胞肺癌(NSCLC)が大多数を占める。 標準的な放射線深層学習技術は、画像の特徴を独立した量と見なし、腫瘍の特徴間の構造的相互作用を見越す。 我々は,CT(Computerd Tomography)表現を付加することにより,構造化されたプロキシ機能によってマルチモーダルサバイバル予測が向上するか否かを評価する。
• 参考スコア（独自算出の注目度）: 3.417347465398434
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Lung cancer results in roughly 1.8 million fatalities annually worldwide, with non-small cell lung cancer (NSCLC) comprising the majority of cases. Despite advancements in treatment, survival stratification remains challenging due to intratumoral heterogeneity inadequately captured by conventional descriptors. Standard radiomic and deep learning techniques regard imaging features as independent quantities, overlooking structured interactions between tumor characteristics. We evaluate whether structured proxy features can enhance multimodal NSCLC survival prediction by augmenting pretreatment computed tomography (CT) representations, radiomics, and clinical variables with six simulation-derived features designed to capture interactions between heterogeneity and morphology. A radiomic-parameterized cellular automaton generates growth-rate and necrosis-ratio proxy features from baseline CT by using entropy and sphericity to compute low-dimensional proxy parameters. The imaging backbone is a Transformer-based Masked Autoencoder (TMAE), which was chosen after a systematic evaluation with alternative encoders within the same pipeline and provides attention-based visualizations that highlight tumor regions receiving higher model attention. On the public Lung1 cohort (n = 390), the primary four-modality fusion attained a C-index of 0.641 (iAUC 0.731, log-rank p < 0.001). The primary result compares favorably with prior multimodal results on Lung1 (C-index 0.631; iAUC 0.592 [15]) under a comparable evaluation protocol, while a separate exploratory coefficient-optimization analysis achieved a best observed C-index of 0.662 (iAUC 0.748). These results indicate that, in addition to conventional radiomic, deep, and clinical representations within the Lung1 benchmark, simulation-derived proxy features may provide complementary predictive information within this fixed Lung1 benchmark.
• Abstract（参考訳）: 肺がんは世界中で約180万人が死亡し、非小細胞肺癌(NSCLC)が大多数を占める。 治療の進歩にもかかわらず、従来のディスクリプタでは腫瘍内不均一性が不十分であったため、生存層化は依然として困難である。 標準的な放射線学および深層学習技術は、画像の特徴を独立した量と見なし、腫瘍の特徴間の構造的相互作用を見越す。 異種と形態の相互作用を捉えたシミュレーションに基づく6つの特徴を用いたCT(Pretreatment Computed Tomography)表現, 放射線学, 臨床変数の増大により, 構造的プロキシ機能によりマルチモーダルNSCLC生存予測が向上するか否かを評価する。 放射能パラメータ化セルオートマトンは、エントロピーと球状性を用いて、ベースラインCTから成長速度および壊死比のプロキシ特性を生成し、低次元のプロキシパラメータを演算する。 イメージングバックボーンはトランスフォーマーベースのMasked Autoencoder (TMAE) であり、同じパイプライン内の代替エンコーダで体系的に評価された後に選択された。 一般のLung1コホート(n = 390)では、主四量体融合は0.641(iAUC 0.731, log-rank p < 0.001)のC-インデックスを得た。 その結果、Lung1 (C-index 0.631; iAUC 0.592 [15]) を比較評価プロトコルで比較し、別の探索係数最適化分析により0.662 (iAUC 0.748) のC-indexが得られた。 これらの結果は,Lung1ベンチマークにおける従来の放射線,深部,臨床表現に加えて,シミュレーションによるプロキシ機能によって,この固定されたLung1ベンチマーク内で補完的な予測情報が得られることを示唆している。

関連論文リスト

• Neural Discrete Representation Learning for Sparse-View CBCT Reconstruction: From Algorithm Design to Prospective Multicenter Clinical Evaluation [64.42236775544579]
  コーンビームCT(CBCT)ガイド下穿刺は胸部腫瘍の診断・治療に確立されたアプローチとなっている。 DeepPriorCBCTは3段階のディープラーニングフレームワークであり、従来の放射線線量の6分の1しか使用せずに診断段階の再構築を実現する。
  論文  参考訳（メタデータ） (2025-11-30T12:45:02Z)
• 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)
• Prediction of Distant Metastasis for Head and Neck Cancer Patients Using Multi-Modal Tumor and Peritumoral Feature Fusion Network [6.753955554949766]
  頭頸部扁平上皮癌(HN SCC)における転移の意義 本研究では,CT画像,放射線画像,臨床データを統合し,HN SCC患者の転移リスクを予測するためのディープラーニングベースのフレームワークを開発した。
  論文  参考訳（メタデータ） (2025-08-28T06:39:38Z)
• Pixels to Prognosis: Harmonized Multi-Region CT-Radiomics and Foundation-Model Signatures Across Multicentre NSCLC Data [3.6651189622079223]
  非小細胞肺癌(NSCLC)患者におけるハーモニゼーションと多領域機能統合は生存予測を改善する。 5施設876名のNSCLC患者のCTスキャンと臨床データを解析した。
  論文  参考訳（メタデータ） (2025-05-23T13:41:52Z)
• Recurrence-Free Survival Prediction for Anal Squamous Cell Carcinoma Chemoradiotherapy using Planning CT-based Radiomics Model [5.485361086613949]
  非転移性肛門扁平上皮癌(SCC)患者の約30%が化学療法後の再発を経験する 我々は,放射線前処置計画CTから抽出した情報を利用して,CRT後のSCC患者における再発無生存(RFS)を予測するモデルを開発した。
  論文  参考訳（メタデータ） (2023-09-05T20:22:26Z)
• 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)
• Penalized Deep Partially Linear Cox Models with Application to CT Scans of Lung Cancer Patients [42.09584755334577]
  肺がんは世界中のがん死亡の原因であり、効果的な治療法を設計するための死亡リスクを理解することの重要性を強調している。 NLST(National Lung Screening Trial)は、肺がん患者の死亡リスクを定量化するために、CTテクスチャ解析を用いている。 本稿では,SCADペナルティを組み込んで重要なテクスチャ特徴を抽出し,深層ニューラルネットワークを用いてモデルの非パラメトリック成分を推定する,Pentalized Deep partially Linear Cox Model (Penalized DPLC)を提案する。
  論文  参考訳（メタデータ） (2023-03-09T15:38:16Z)
• Joint nnU-Net and Radiomics Approaches for Segmentation and Prognosis of Head and Neck Cancers with PET/CT images [6.361835964390572]
  3D nnU-Netアーキテクチャは原発性腫瘍とリンパ節の自動分節に同期的に採用された。 従来の放射能の特徴のみを含む3つの予後モデルが構築された。 セグメンテーションと予後タスクの評価指標としてDice scoreとC-indexが用いられた。
  論文  参考訳（メタデータ） (2022-11-18T10:31:26Z)
• Improving Classification Model Performance on Chest X-Rays through Lung Segmentation [63.45024974079371]
  本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。 提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
  論文  参考訳（メタデータ） (2022-02-22T15:24:06Z)
• Comparison of Machine Learning Classifiers to Predict Patient Survival and Genetics of GBM: Towards a Standardized Model for Clinical Implementation [44.02622933605018]
  放射線モデルは、グリオ芽腫(GBM)の結果予測のための臨床データを上回ることが示されています。 GBM患者の生存率(OS),IDH変異,O-6-メチルグアニン-DNA-メチルトランスフェラーゼ(MGMT)プロモーターメチル化,EGFR(EGFR)VII増幅,Ki-67発現の9種類の機械学習分類器を比較した。 xgb は os (74.5%), ab for idh 変異 (88%), mgmt メチル化 (71,7%), ki-67 発現 (86,6%), egfr増幅 (81。
  論文  参考訳（メタデータ） (2021-02-10T15:10:37Z)

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。