論文の概要: LUNG-KGMM: Knowledge-Guided Multimodal Learning for Lung Cancer Incidence Prediction

• arxiv url: http://arxiv.org/abs/2608.14657v1
• Date: Fri, 31 Jul 2026 10:34:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-23 14:54:39.947558
• Title: LUNG-KGMM: Knowledge-Guided Multimodal Learning for Lung Cancer Incidence Prediction
• Title（参考訳）: LUNG-KGMM:肺がん発生予測のための知識指導型マルチモーダル学習
• Authors: Chunlei Yang, Shuyan Li, Zhong Cao,
• Abstract要約: LUNG-KGMMは、縦断的な電子健康記録、放射線学レポート、胸部X線写真表現、ガイドライン由来の知識を統合する知識誘導フレームワークである。 公開されているMIMICデータベースからマルチモーダル開発コホートを構築し,Xiamen Medical Big Data Platformから実世界の検証コホートを構築する。
• 参考スコア（独自算出の注目度）: 7.609572769672781
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Early identification of lung cancer risk is critical for timely intervention, yet existing prediction models are limited by their reliance on single data modalities and their inability to leverage structured clinical knowledge. We propose LUNG-KGMM, a knowledge-guided multimodal framework that integrates longitudinal electronic health records, radiology reports, chest radiograph representations, and guideline-derived knowledge for 1-to-6-year incident lung cancer prediction. To address modality heterogeneity and potential data leakage, we develop a leakage-sanitized report processing pipeline and a horizon-masked cumulative training objective that handles incomplete follow-up. We further introduce a knowledge-graph representation of clinical guidance that encodes report-triggered finding-attribute-action relations as an auditable knowledge stream. We build a multimodal development cohort from the publicly available MIMIC databases and construct a real-world validation cohort from the Xiamen Medical Big Data Platform. Extensive experiments on the MIMIC cohort demonstrate that LUNG-KGMM achieves superior performance over state-of-the-art methods, and validation on the Xiamen cohort further characterizes its cross-cohort portability and the need for local adaptation. The MIMIC development cohort is publicly accessible; the Xiamen cohort is governed by local data privacy regulations.
• Abstract（参考訳）: 早期の肺がんリスクの同定は、タイムリーな介入には不可欠であるが、既存の予測モデルは、単一のデータモダリティへの依存と、構造化された臨床知識を活用することができないことによって制限されている。 縦断的な電子健康記録,放射線診断報告,胸部X線写真表現,および1～6年間の肺がん発生予測のためのガイドラインに基づく知識を統合した知識誘導型マルチモーダルフレームワークLUNG-KGMMを提案する。 不均一性や潜在的なデータ漏洩に対処するため,不完全なフォローアップを処理できるリーク・サニタイズされたレポート処理パイプラインと水平マスキングによる累積学習目標を開発する。 さらに,報告トリガーによる発見属性関係を監査可能な知識ストリームとして符号化した臨床ガイダンスの知識グラフ表現を導入する。 公開されているMIMICデータベースからマルチモーダル開発コホートを構築し,Xiamen Medical Big Data Platformから実世界の検証コホートを構築する。 MIMICコホートに関する大規模な実験により、LUNG-KGMMは最先端手法よりも優れた性能を示し、Xiamenコホート上での検証は、そのクロスコホートポータビリティと局所適応の必要性をさらに特徴づけている。 MIMIC開発コホートは公開されており、Xiamenコホートはローカルデータプライバシー規制によって管理されている。

関連論文リスト

• LLM-driven Knowledge Enhancement for Multimodal Cancer Survival Prediction [19.586576523290027]
  がん生存予測のためのLLM駆動知識強化マルチモーダルモデルであるKEMMを提案する。 KEMMは専門家のレポートと予後の背景知識を統合している。 ネットワークを効果的に誘導し、非常に冗長なモダリティから差別的および生存関連機能に焦点を合わせることができる。
  論文  参考訳（メタデータ） (2025-12-16T17:03:56Z)
• Continually Evolved Multimodal Foundation Models for Cancer Prognosis [50.43145292874533]
  がん予後は、患者の予後と生存率を予測する重要なタスクである。 これまでの研究では、臨床ノート、医療画像、ゲノムデータなどの多様なデータモダリティを統合し、補完的な情報を活用している。 既存のアプローチには2つの大きな制限がある。まず、各病院の患者記録など、各種のトレーニングに新しく到着したデータを組み込むことに苦慮する。 第二に、ほとんどのマルチモーダル統合手法は単純化された結合やタスク固有のパイプラインに依存しており、モダリティ間の複雑な相互依存を捉えることができない。
  論文  参考訳（メタデータ） (2025-01-30T06:49:57Z)
• HC-LLM: Historical-Constrained Large Language Models for Radiology Report Generation [89.3260120072177]
  本稿では,放射線学レポート生成のための歴史制約付き大規模言語モデル (HC-LLM) フレームワークを提案する。 胸部X線写真から経時的特徴と経時的特徴を抽出し,疾患の進行を捉える診断報告を行った。 特に,本手法は,テスト中の履歴データなしでも良好に動作し,他のマルチモーダル大規模モデルにも容易に適用可能である。
  論文  参考訳（メタデータ） (2024-12-15T06:04:16Z)
• Reasoning-Enhanced Healthcare Predictions with Knowledge Graph Community Retrieval [61.70489848327436]
  KAREは、知識グラフ(KG)コミュニティレベルの検索と大規模言語モデル(LLM)推論を統合する新しいフレームワークである。 MIMIC-IIIでは最大10.8～15.0%、MIMIC-IVでは12.6～12.7%である。
  論文  参考訳（メタデータ） (2024-10-06T18:46:28Z)
• EMERGE: Enhancing Multimodal Electronic Health Records Predictive Modeling with Retrieval-Augmented Generation [22.94521527609479]
  EMERGEはRetrieval-Augmented Generation(RAG)駆動のフレームワークであり、マルチモーダルEHR予測モデリングを強化する。 時系列データと臨床ノートからエンティティを抽出し,LLM(Large Language Models)を誘導し,プロのPrimeKGと整合させる。 抽出した知識は、患者の健康状態のタスク関連サマリーを生成するために使用される。
  論文  参考訳（メタデータ） (2024-05-27T10:53:15Z)
• SELECTOR: Heterogeneous graph network with convolutional masked autoencoder for multimodal robust prediction of cancer survival [8.403756148610269]
  がん患者生存のマルチモーダル予測は、より包括的で正確なアプローチを提供する。 本稿では、畳み込みマスクエンコーダに基づく異種グラフ認識ネットワークであるSELECTORを紹介する。 本手法は,モダリティ欠落とモダリティ内情報確認の両事例において,最先端の手法よりも優れていた。
  論文  参考訳（メタデータ） (2024-03-14T11:23:39Z)
• REALM: RAG-Driven Enhancement of Multimodal Electronic Health Records Analysis via Large Language Models [19.62552013839689]
  既存のモデルは、しばしば臨床上の課題に医学的文脈を欠いているため、外部知識の組み入れが促される。 本稿では、マルチモーダルEHR表現を強化するためのRAG(Retrieval-Augmented Generation)駆動フレームワークREALMを提案する。 MIMIC-III 死亡率と可読化タスクに関する実験は,ベースラインよりもREALM フレームワークの優れた性能を示す。
  論文  参考訳（メタデータ） (2024-02-10T18:27:28Z)
• XAI for In-hospital Mortality Prediction via Multimodal ICU Data [57.73357047856416]
  マルチモーダルICUデータを用いて病院内死亡率を予測するための,効率的で説明可能なAIソリューションを提案する。 我々は,臨床データから異種入力を受信し,意思決定を行うマルチモーダル・ラーニングを我々のフレームワークに導入する。 我々の枠組みは、医療研究において重要な要素の発見を容易にする他の臨床課題に容易に移行することができる。
  論文  参考訳（メタデータ） (2023-12-29T14:28:04Z)
• MMLN: Leveraging Domain Knowledge for Multimodal Diagnosis [10.133715767542386]
  肺疾患診断のための知識駆動型およびデータ駆動型フレームワークを提案する。 本研究は, 臨床医学ガイドラインに従って診断規則を定式化し, テキストデータから規則の重みを学習する。 テキストと画像データからなるマルチモーダル融合は、肺疾患の限界確率を推定するために設計されている。
  論文  参考訳（メタデータ） (2022-02-09T04:12:30Z)

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。