論文の概要: CACSurv: Concordance-Aligned Comparative Learning with Large Language Models for Cancer Survival Prediction

• arxiv url: http://arxiv.org/abs/2608.16594v1
• Date: Mon, 17 Aug 2026 13:51:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.724674
• Title: CACSurv: Concordance-Aligned Comparative Learning with Large Language Models for Cancer Survival Prediction
• Title（参考訳）: CACSurv: がん生存予測のための大規模言語モデルとの比較学習
• Abstract要約: がん生存予測は治療計画、リスク階層化、フォローアップ管理をサポートする。 既存の方法は、構造化された臨床変数、全スライド画像、ゲノムプロファイル、あるいはマルチモーダル入力を使用する。 病理,臨床,分子的証拠を整理した報告を用いた報告中心生存予測について検討した。
• 参考スコア（独自算出の注目度）: 21.342331796251656
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cancer survival prediction supports treatment planning, risk stratification, and follow-up management. Existing methods use structured clinical variables, whole-slide images, genomic profiles, or multimodal inputs, while patient reports remain underexplored. We study report-centric survival prediction using reports that organize pathological, clinical, and molecular evidence. Large language models (LLMs) can reason over such reports, but case-wise time regression introduces two mismatches. First, a formulation mismatch arises because survival evaluation depends on ordering comparable patients, whereas independent time predictions do not enforce ranking consistency. Second, a supervision mismatch arises because a censored patient's observed time indicates survival beyond that point and cannot serve as an exact regression target, although it still implies orderings relative to patients who died earlier. To address these mismatches, we propose CACSurv, a Concordance-Aligned Comparative framework for report-centric survival prediction. CACSurv reformulates survival modeling as mini-cohort comparative reasoning, where an LLM predicts relative prognostic orderings. We introduce concordance-aligned rewards derived from comparable relations under right censoring, enabling censored outcomes to provide ranking supervision without exact event-time targets. At inference, Monte Carlo Reference Aggregation compares each patient with sampled references and aggregates positions into a cohort-level ranking. We establish TCGA-SurvReport, a benchmark covering six TCGA cancer cohorts. CACSurv achieves the highest C-index on all six cohorts and an average C-index of 0.722, outperforming the strongest published survival model by 6.5 percentage points and the strongest LLM time-regression baseline by 4.2 percentage points. Our code, models, and dataset will be available at https://github.com/xmed-lab/CACSurv.
• Abstract（参考訳）: がん生存予測は治療計画、リスク階層化、フォローアップ管理をサポートする。 既存の方法は、構造化された臨床変数、全スライド画像、ゲノムプロファイル、マルチモーダル入力を使用し、患者の報告は未調査のままである。 病理,臨床,分子的証拠を整理した報告を用いた報告中心生存予測について検討した。 大規模言語モデル(LLM)はそのような報告を推論することができるが、ケースワイズ時間回帰は2つのミスマッチを導入する。 第一に、生存評価は患者の順に左右されるが、独立した時間予測はランキングの整合性を強制しないため、定式化ミスマッチが発生する。 第二に、監督ミスマッチは、検閲を受けた患者の観察時間が、その時点を超えて生き残ることを示し、正確な回帰目標として機能しないからである。 これらのミスマッチに対処するために,レポート中心生存予測のためのコンセンサス対応比較フレームワークCACSurvを提案する。 CACSurvは生存モデリングをミニコホート比較推論として再構成し、LCMは相対的な予後の順序を予測する。 我々は,適切な検閲の下での対等な関係から導かれる一致対応報酬を導入し,検閲された結果が,正確なイベント・タイム・ターゲットを伴わずにランキングの監督を行えるようにした。 推測では、Monte Carlo Reference Aggregationは、各患者をサンプル参照と比較し、位置をコホートレベルのランクに集約する。 TCGA-SurvReportは6種類のTGAがんコホートを対象とするベンチマークである。 CACSurvは6つのコホートの中で最も高いC-インデックスを達成し、平均C-インデックスは0.722であり、最強の生存率は6.5ポイント、最強のLCMタイムレグレッションベースラインは4.2ポイントである。 私たちのコード、モデル、データセットはhttps://github.com/xmed-lab/CACSurv.comで公開されます。

関連論文リスト

• Trusting Right Predictions for Wrong Reasons: A LIME Based Analysis of Deep Learning Interpretability in Lung Cancer Diagnosis [0.0]
  肺がんはがん関連死亡の主な原因であり、毎年約250万件の新規感染者と18万件の死亡がある。 評価は主に予測精度に焦点を当てており、意思決定プロセスは十分に検証されていない。 本研究では, IQ-OTH/NCCD肺がんCTデータセットをトレーニングした, 畳み込みニューラルネットワーク(CNN), 事前訓練されたResNet50, ビジョントランスフォーマー(ViT)の3つのモデルを比較した。 ResNet50は98.61%の精度、CNN 97.91%の精度、ViT 93.75%の精度を達成した。
  論文  参考訳（メタデータ） (2026-06-14T22:08:31Z)
• Towards end-to-end LLM-based censoring-aware survival analysis [12.816095103727724]
  大規模言語モデル(LLM)は、検閲によって教師付き微調整が防止されるため、エンドツーエンドサバイバルモデルとしてはほとんど使われない。 本稿では,検閲を意識した生存分析を可能にするフレームワークであるLLMSurvivalを紹介する。
  論文  参考訳（メタデータ） (2026-05-25T03:45:42Z)
• PRIME: Prototype-Driven Multimodal Pretraining for Cancer Prognosis with Missing Modalities [86.63247982275396]
  PRIMEは、欠落を認識したマルチモーダルな自己教師型事前トレーニングフレームワークである。 部分的に観察されたコホートから頑健で伝達可能な表現を学ぶ。 The Cancer Genome AtlasのPRIMEを32種類の癌に対してラベルフリープレトレーニングで評価した。
  論文  参考訳（メタデータ） (2026-04-05T21:14:27Z)
• PREBA: Surgical Duration Prediction via PCA-Weighted Retrieval-Augmented LLMs and Bayesian Averaging Aggregation [51.96735866702332]
  PreBAはPCA重み付き検索とベイズ平均アグリゲーションを統合した検索拡張フレームワークである。 例えば、PreBAはパフォーマンスを大幅に改善し、MAEを最大40%削減し、ゼロショット推論でR2を-0.13から0.62に引き上げる。
  論文  参考訳（メタデータ） (2026-02-27T07:19:23Z)
• Case Prompting to Mitigate Large Language Model Bias for ICU Mortality Prediction [17.91443453604627]
  大規模言語モデル(LLM)は、構造化された医療データから結果を予測することを約束している。 LLMは性、年齢、人種に関する人口統計バイアスを示し、臨床実践における信頼に値する使用を制限することができる。 本研究では,公正さとパフォーマンスを同時に向上するトレーニングフリー,臨床適応型プロンプトフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-17T12:29:53Z)
• Methodology for Comparing Machine Learning Algorithms for Survival Analysis [55.65997641180011]
  生存分析のための6つの機械学習モデルを評価した。 XGB-AFTは最高性能(C-Index = 0.7618; IPCW = 0.7532、GBSAとRCF)を達成した。
  論文  参考訳（メタデータ） (2025-10-28T14:42:28Z)
• Bipartite Patient-Modality Graph Learning with Event-Conditional Modelling of Censoring for Cancer Survival Prediction [9.322583929643908]
  がん生存予測のための検閲の事象条件モデルを用いたバイパーティイト型患者モダリティグラフ学習(CenSurv)を提案する。 CenSurvは、動的モーメント累積信頼度を用いて信頼できる検閲データを選択し、これらの検閲データにより正確な生存時間を割り当て、トレーニングに非検閲データとして組み込む。 5つの公的ながんデータセットに関する総合的な評価は、最高の最先端よりもCenSurvの方が優れていることを示している。
  論文  参考訳（メタデータ） (2025-07-22T08:54:52Z)
• SurvCORN: Survival Analysis with Conditional Ordinal Ranking Neural Network [4.772480981435387]
  本稿では,条件付き順序付きランキングネットワークを用いた生存曲線の予測手法であるSurvCORNを提案する。 また,モデル予測の精度を評価するための指標であるSurvMAEを導入する。
  論文  参考訳（メタデータ） (2024-09-30T03:01:25Z)
• Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
  近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。 そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
  論文  参考訳（メタデータ） (2024-04-26T16:39:50Z)
• Learning to diagnose cirrhosis from radiological and histological labels with joint self and weakly-supervised pretraining strategies [62.840338941861134]
  そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。 我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。 この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
  論文  参考訳（メタデータ） (2023-02-16T17:06:23Z)
• Short Term Blood Glucose Prediction based on Continuous Glucose Monitoring Data [53.01543207478818]
  本研究では,デジタル意思決定支援ツールの入力として連続グルコースモニタリング(Continuous Glucose Monitoring, CGM)データを利用する方法について検討する。 短時間の血液グルコース (STBG) 予測において, リカレントニューラルネットワーク (Recurrent Neural Networks, RNN) をどのように利用できるかを検討する。
  論文  参考訳（メタデータ） (2020-02-06T16:39:44Z)

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。