論文の概要: Longitudinal 3D Foundation Modeling for Neoadjuvant Breast Cancer Response Prediction from Serial DCE-MRI
- arxiv url: http://arxiv.org/abs/2608.09991v1
- Date: Fri, 07 Aug 2026 05:30:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-12 19:14:45.743362
- Title: Longitudinal 3D Foundation Modeling for Neoadjuvant Breast Cancer Response Prediction from Serial DCE-MRI
- Title（参考訳）: 経時的DCE-MRIによる乳がん反応予測のための経時的3次元基礎モデリング
- Abstract要約: 病理組織学的完全反応(pCR)は乳癌に対するネオアジュバント化学療法(NAC)において重要なエンドポイントである。
凍結した3Dファウンデーションエンコーダ(Pillar-0)とテンポラルダイナミクスネットワーク(TDN)を組み合わせた長手フレームワークを提案する。
TDNは、タイムアウェアな容積埋め込みと臨床および治療データを組み合わせてpCRを予測する。
- 参考スコア（独自算出の注目度）: 7.12410794627214
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Pathologic complete response (pCR) is an important endpoint in neoadjuvant chemotherapy (NAC) for breast cancer, and predicting pCR from imaging during treatment could support treatment response assessment. Many existing imaging-based approaches rely on a single static timepoint, which fails to capture changes that occur during treatment. In this work, we present a longitudinal framework that combines a frozen 3D foundation encoder (Pillar-0) with our Temporal Dynamics Network (TDN) to predict treatment response from serial Dynamic Contrast-Enhanced (DCE) MRI acquired across four clinical timepoints from pre-treatment to pre-surgery. The TDN combines time-aware volumetric embeddings with clinical and treatment data to predict pCR. Evaluated on 982 patients from the combined I-SPY2 and ACRIN-6698 cohort, the proposed model achieves strong performance across all reported metrics when longitudinal 3D imaging is fused with clinical data (test AUROC: 73.6%, balanced accuracy: 69.1%). While clinical variables provide the strongest individual predictive signal, longitudinal 3D imaging contributes complementary information when fused with clinical data, improving pCR prediction. Our source code is available at: https://github.com/omarftt/longitudinal_temporal_pillar.
- Abstract（参考訳）: 病理組織学的完全反応 (pCR) は乳がんに対するネオアジュバント化学療法 (NAC) において重要なエンドポイントであり, 治療中の画像からpCRを予測することで治療効果の評価を支援することができる。
既存のイメージングベースのアプローチの多くは、単一の静的タイムポイントに依存しており、治療中に発生する変化をキャプチャできない。
本研究では, 凍結した3Dファウンデーションエンコーダ(Pillar-0)とテンポラルダイナミクスネットワーク(TDN)を併用して, 治療前から手術前までの4つの臨床経過時間で得られた連続的ダイナミックコントラスト強調(DCE)MRIから治療応答を予測するフレームワークを提案する。
TDNは、タイムアウェアな容積埋め込みと臨床および治療データを組み合わせてpCRを予測する。
I-SPY2 と ACRIN-6698 コホートを併用した 982 人の患者を対象に評価し, 縦3D 画像に臨床データ(AUROC: 73.6%, 平衡精度: 69.1%)を融合した場合に, 報告されたすべての指標に対して高い性能が得られた。
臨床変数が最強の個人予測信号を提供する一方で、縦3D画像は臨床データと融合した場合に相補的な情報を提供し、pCR予測を改善する。
ソースコードは、https://github.com/omarftt/longitudinal_temporal_pillar.comから入手可能です。
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) - Graph Representation Learning of Longitudinal Medical Imaging Trajectories for Treatment Response Prediction [2.9823166626381212]
乳癌患者では, 長期予後の指標として, 病理学的完全反応 (pCR) が確立されている。
本稿では,最先端のニューラルグラフと時間的モデリングを統合した,治療応答予測のための画像ベースの3次元時間的フレームワークを提案する。
NACT誘発pCRの予測に臨床的に有意な縦断的医療画像モデリングの有用性について検討した。
論文 参考訳（メタデータ） (2026-07-06T10:39:14Z) - Rendering Novel Views of MRI Using 3D Gaussian Splatting [54.6286495315908]
3D Gaussian Splatting を用いて, スパース異方性MRIから画像再構成を行い, 臨床評価に関係する解剖学的に整合した画像面を採取, 描画した。
新しいビュープレーンは対象解剖の診断に最適であるが、元のMRIはそうではない。
論文 参考訳（メタデータ） (2026-06-24T18:00:03Z) - Vision Transformers for Preoperative CT-Based Prediction of Histopathologic Chemotherapy Response Score in High-Grade Serous Ovarian Carcinoma [5.924316400347799]
本稿では,事前学習したビジョントランスフォーマーエンコーダを用いて,病変密度のオーメンタルスライスを処理する2.5Dマルチモーダルディープラーニングフレームワークを提案する。
ROC-AUCは95%の精度と80%の精度で得られた。
これらの予備的な結果は、HGSOCにおけるCRSの術前予測におけるトランスフォーマーベース深層学習の可能性を示している。
論文 参考訳（メタデータ） (2026-04-10T10:33:07Z) - Temporal Representation Learning of Phenotype Trajectories for pCR Prediction in Breast Cancer [0.18744139400550597]
乳がん化学療法(NACT)を施行した症例において,画像データから治療反応の早期動態の表現を学習し,病理学的完全反応(pCR)を予測することを提案する。
乳房MRI(MRI)画像の経時的変化は、潜在空間の軌跡を形成し、応答の予測の基礎となる。
公開可能なISPY-2データセットの実験において、潜在軌道空間における線形分類器は、前処理データ(T0)と初期応答(T0+T1)と画像時間(0.861)のみを用いて0.761の平衡精度を達成する。
論文 参考訳（メタデータ） (2025-09-18T11:37:27Z) - Semi-Supervised Learning for Dose Prediction in Targeted Radionuclide: A Synthetic Data Study [42.75913504373651]
TRT(Targeted Radionuclide Therapy)は、がん細胞に特異的に強力な放射線照射を投与することを目的とした、放射線腫瘍学の現代的な戦略である。
深層学習はRTをパーソナライズすることを約束する。
現在の方法では大量のSPECT画像撮影が必要であるが、日常的な臨床実践では達成できない。
論文 参考訳（メタデータ） (2025-03-07T12:21:09Z) - A CNN-Transformer for Classification of Longitudinal 3D MRI Images -- A Case Study on Hepatocellular Carcinoma Prediction [0.0]
HCCNetは、ConvNeXt CNNアーキテクチャの3D適応とTransformerエンコーダを統合する新しいモデルアーキテクチャである。
その結果,HCCNetはベースラインモデルよりも予測精度と信頼性を著しく向上させることがわかった。
論文 参考訳（メタデータ） (2025-01-18T11:39:46Z) - 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) - Comparing 3D deformations between longitudinal daily CBCT acquisitions
using CNN for head and neck radiotherapy toxicity prediction [1.8406176502821678]
本研究の目的は,頭頸部癌に対する放射線治療中に毎日取得したCBCTの臨床的意義を明らかにすることである。
平面CTと長手CBCTの変形のヤコビ行列を解析する成分を含む変形可能な3次元分類パイプラインを提案する。
論文 参考訳（メタデータ） (2023-03-07T15:07:43Z) - Exploiting segmentation labels and representation learning to forecast
therapy response of PDAC patients [60.78505216352878]
化学療法に対する腫瘍反応を予測するためのハイブリッドディープニューラルネットワークパイプラインを提案する。
セグメンテーションから分類への表現伝達の組み合わせと、ローカライゼーションと表現学習を利用する。
提案手法は, 合計477個のデータセットを用いて, ROC-AUC 63.7% の処理応答を予測できる, 極めて効率的な手法である。
論文 参考訳（メタデータ） (2022-11-08T11:50:31Z) - 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。