論文の概要: PET/CT Radiogenomic Mutation Prediction in Non-Small Cell Lung Cancer Using Multi-Label Learning

• arxiv url: http://arxiv.org/abs/2608.09721v1
• Date: Mon, 10 Aug 2026 15:22:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:37.334812
• Title: PET/CT Radiogenomic Mutation Prediction in Non-Small Cell Lung Cancer Using Multi-Label Learning
• Title（参考訳）: マルチラベル学習による非小細胞肺癌のPET/CT遺伝子変異予測
• Abstract要約: 本研究では,PET/CTによるEGFR, 腫瘍蛋白53(TP53), Kirsten sarcoma virus oncogene(KRAS)変異のラジオゲノム予測をディープラーニングを用いて検討した。 イギリスに本拠を置く新しい放射性ゲノミクスコホートで実験が行われた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Lung cancer remains one of the leading causes of cancer- related mortality worldwide. Although targeted therapies have improved outcomes for patients with non-small cell lung cancer (NSCLC), they rely on mutation profiling through tissue biopsy, an invasive procedure with several limitations. This study investigates PET/CT-based radio- genomic prediction of epidermal growth factor receptor (EGFR), tumour protein 53 (TP53), and Kirsten rat sarcoma viral oncogene (KRAS) mutations using deep learning. We further evaluate whether pairwise multi-label learning improves mutation prediction compared with conventional single-gene classification. To the best of our knowledge, this is among the first studies to systematically investigate multi-label learning for PET/CT radiogenomic mutation prediction in NSCLC. Experiments were conducted on a novel UK-based radiogenomics cohort. Joint pre- diction of KRAS and TP53 improved AUC from 0.58 to 0.64 for KRAS and from 0.69 to 0.71 for TP53. For the EGFR/KRAS pair, only EGFR benefited from joint learning, while no improvement was observed for the EGFR/TP53 pair. These findings demonstrate that the effectiveness of multi-label learning depends on the specific combination of gene mutations being modelled, suggesting that mutation-specific modelling strategies may be preferable for PET/CT radiogenomic prediction.
• Abstract（参考訳）: 肺がんは、世界中でがん関連死亡の原因の1つとなっている。 標的療法は非小細胞肺癌(NSCLC)の予後を改善するが、組織生検による突然変異プロファイリングに依存している。 本研究では,PET/CTを用いたEGFR, 腫瘍蛋白53(TP53), Kirsten rat sarcoma virus oncogene(KRAS)変異のラジオゲノム予測をディープラーニングを用いて検討した。 さらに、従来の単一遺伝子分類と比較して、ペアワイズ多ラベル学習が突然変異予測を改善するか否かを検証した。 NSCLCにおけるPET/CTラジオゲノミクス変異予測のためのマルチラベル学習を体系的に研究した最初の研究である。 イギリスに本拠を置く新しい放射性ゲノミクスコホートで実験が行われた。 KRASとTP53の併用述語はAUCを0.58から0.64に改善し、TP53は0.69から0.71に改善した。 EGFR/KRASは共同学習の恩恵を受け,EGFR/TP53は改善しなかった。 これらの結果から,多ラベル学習の有効性は,遺伝子変異の特定の組み合わせに依存することが示唆され,変異特異的なモデリング戦略がPET/CTラジオゲノミック予測に好適であることが示唆された。

関連論文リスト

• Multimodal Slice Interaction Network Enhanced by Transfer Learning for Precise Segmentation of Internal Gross Tumor Volume in Lung Cancer PET/CT Imaging [34.37798183254656]
  PET/CT画像における肺腫瘍内腫瘍容積(IGTV)は肺がんに対する最適な放射線治療に重要である。 我々は,MAMBAを用いたマルチモーダル対話型知覚ネットワークを用いた伝達学習手法を提案する。 2.5Dセグメンテーションフレームワーク内にスライス相互作用モジュール(SIM)を導入し,スライス間関係を効果的にモデル化する。
  論文  参考訳（メタデータ） (2025-09-26T18:48:08Z)
• Comparative Analysis of Machine Learning Models for Lung Cancer Mutation Detection and Staging Using 3D CT Scans [2.287415292857564]
  肺がんは世界中のがんの主要な原因であり、重要な突然変異やステージングを検出するための死亡率や非侵襲的な方法は、患者の予後を改善するのに不可欠である。 本稿では、ドメイン固有の事前トレーニングを備えた教師付きモデルであるFMCIB+XGBoostと、注意に基づくマルチインスタンス学習を備えた自己教師型モデルであるDinov2+ABMILの2つの機械学習モデルの性能を比較した。
  論文  参考訳（メタデータ） (2025-05-28T17:04:35Z)
• Predicting Targeted Therapy Resistance in Non-Small Cell Lung Cancer Using Multimodal Machine Learning [0.5116003548817487]
  肺がんは世界中でがん死の主要な原因であり、非小細胞肺癌(NSCLC)は最も一般的な亜型である。 第3世代EGFR-チロシンキナーゼ阻害剤(TKI)であるオシメルチニブ(Osimertinib)はNSCLC患者の治療において顕著な効果を示した。 効果が確立されているにもかかわらず、薬剤耐性はオシメルチニブから完全に利益を得る上で大きな課題となる。
  論文  参考訳（メタデータ） (2025-03-31T14:47:02Z)
• Interpretable Graph Kolmogorov-Arnold Networks for Multi-Cancer Classification and Biomarker Identification using Multi-Omics Data [36.92842246372894]
  Multi-Omics Graph Kolmogorov-Arnold Network (MOGKAN)は、メッセンジャーRNA、マイクロRNA配列、DNAメチル化サンプルを利用するディープラーニングフレームワークである。 グラフに基づく深層学習とマルチオミクスデータを統合することにより,提案手法は頑健な予測性能と解釈可能性を示す。
  論文  参考訳（メタデータ） (2025-03-29T02:14:05Z)
• Pulmonary Embolism Mortality Prediction Using Multimodal Learning Based on Computed Tomography Angiography and Clinical Data [31.830488752817804]
  本研究の目的は,CTPA(CTPA),臨床データ,肺重症度指数(PESI)スコアを用いて深層学習モデルを構築し,PE死亡率を予測することである。
  論文  参考訳（メタデータ） (2024-06-03T13:10:13Z)
• Prediction of recurrence free survival of head and neck cancer using PET/CT radiomics and clinical information [0.0]
  口腔咽頭HNC患者の再発性自由生存(RFS)を予測するコックス比例ハザード(CoxPH)モデルを構築した。 Computed Tomography (CT) と Positron Emission Tomography (PET) の腫瘍領域から抽出した臨床情報とマルチモーダルラジオミクスの特徴を利用する。 本研究は,放射線抽出におけるセグメンテーションの精度がPETとCTに異なる影響があることを確認した。
  論文  参考訳（メタデータ） (2024-02-28T15:35:41Z)
• 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)
• EGFR Mutation Prediction of Lung Biopsy Images using Deep Learning [1.793983482813105]
  本研究では,EGFR変異の形態的相関を識別するために,教師の弱いカスタマイズ深層学習パイプラインを用いた。 病理組織学的に腺癌と扁平上皮癌との鑑別は0.942であった。 EGFR検出では,TGAデータセットでは平均0.864AUC,インドからのデータセットでは0.783AUCを達成した。
  論文  参考訳（メタデータ） (2022-08-26T08:56:33Z)
• Deep learning-based approach to reveal tumor mutational burden status from whole slide images across multiple cancer types [41.61294299606317]
  腫瘍突然変異負担(TMB)は、免疫療法の潜在的なゲノムバイオマーカーである。 ゲノムシークエンシングによって検出されたTMBは、低リソース環境での臨床透過性を欠いている。 本研究では,日常的に使用されているスライド画像からTMB状態を検出するための大規模ディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-04-07T07:02:32Z)
• CAE-Transformer: Transformer-based Model to Predict Invasiveness of Lung Adenocarcinoma Subsolid Nodules from Non-thin Section 3D CT Scans [36.093580055848186]
  肺腺癌(LAUC)は近年最も多い疾患である。 肺結節の侵襲性に関するタイムリーかつ正確な知識は適切な治療計画をもたらし、不必要な手術や遅発手術のリスクを低減させる。 LAUCの浸潤度を評価し,予測するための主要な画像モダリティは胸部CTである。 本稿では、LAUCを分類するために、予測トランスフォーマーベースのフレームワーク「CAE-Transformer」を開発した。
  論文  参考訳（メタデータ） (2021-10-17T04:37:24Z)
• Controlling False Positive/Negative Rates for Deep-Learning-Based Prostate Cancer Detection on Multiparametric MR images [58.85481248101611]
  そこで本研究では,病変からスライスまでのマッピング機能に基づく,病変レベルのコスト感受性損失と付加的なスライスレベルの損失を組み込んだ新しいPCa検出ネットワークを提案する。 1) 病変レベルFNRを0.19から0.10に, 病変レベルFPRを1.03から0.66に減らした。
  論文  参考訳（メタデータ） (2021-06-04T09:51:27Z)
• 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)
• Multi-Phase Cross-modal Learning for Noninvasive Gene Mutation Prediction in Hepatocellular Carcinoma [7.621860963237023]
  多相CTスキャンを用いたAPOB, COL11A1, ATRX遺伝子の突然変異予測のためのエンドツーエンドディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-05-08T14:36:59Z)

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。