論文の概要: MultiSigBERT: Beyond Survival Analysis through Multimodal and Sequential Modeling in Oncology
- arxiv url: http://arxiv.org/abs/2608.16972v1
- Date: Mon, 17 Aug 2026 12:44:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-19 21:40:53.082645
- Title: MultiSigBERT: Beyond Survival Analysis through Multimodal and Sequential Modeling in Oncology
- Title（参考訳）: MultiSigBERT: オンコロジーにおけるマルチモーダルおよびシークエンシャルモデリングによる生存分析を超えて
- Abstract要約: オンコロジーにおける逐次生存モデリングのための統合フレームワークであるMultiSigBERTを提案する。
ここでは、文脈的単語の埋め込みを抽出し平均化することにより、物語医療報告を文幾何学的埋め込みに変換する。
これらの表現は、モダリティ固有のPCAと幾何学的埋め込みによって圧縮され、関節側方軌道を形成する。
計算されたシグナチャ特徴は、最終的に高次元の特徴としてLASSO正規化コックスモデルに組み込まれ、個別化リスクスコアを推定する。
- 参考スコア（独自算出の注目度）: 1.4526244723917887
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Machine learning has become an essential component of modern healthcare, where the integration of heterogeneous data sources offers unprecedented opportunities to improve clinical decision-making. Electronic Health Records (EHR) contain complementary information -- including narrative clinical reports, numerical measurements, and structured variables -- yet most survival models remain limited to a single modality or fail to exploit the temporal nature of patient trajectories. We propose MultiSigBERT, a unified framework for multimodal sequential survival modeling in oncology based on path signature representations. Here, narrative medical reports (free-text) are converted into sentence embeddings by extracting and averaging contextual word embeddings. These representations are then compressed via modality-specific PCA and concatenated with structured covariates to form joint temporal trajectories which are then encoded using the Signature transform, a tool from Rough Paths theory that efficiently captures higher-order temporal interactions across modalities without supervision needed. The computed Signature features are finally incorporated as high dimensional features into a LASSO-regularized Cox model to estimate individualized risk scores. The performance of our novel MultiSigBERT pipeline is illustrated on the analysis of a real-world oncology cohort from the Léon Bérard Center, comprising over 120,000 medical reports and structured records from more than 2,500 patients. The model achieves a concordance index of 0.743 (sd 0.029) on an independent test set, demonstrating the benefit of jointly modeling multimodal temporal dynamics together with patient-level geometric structure for survival prediction.
- Abstract（参考訳）: 機械学習は、異種データソースの統合によって、臨床的な意思決定を改善する前例のない機会を提供する現代医療において、不可欠な要素となっている。
エレクトロニック・ヘルス・レコーズ(EHR)は、物語的臨床報告、数値測定、構造化変数を含む補完的な情報を含む。
経路シグネチャ表現に基づくマルチモーダル逐次サバイバルモデリングのための統合フレームワークであるMultiSigBERTを提案する。
ここでは、文脈的単語埋め込みを抽出し平均化することにより、物語医療報告(自由テキスト)を文埋め込みに変換する。
これらの表現は、モダリティ固有のPCAを介して圧縮され、構造化された共変体と結合して、シグナチュア変換を用いて符号化された結合時間軌道を形成する。
計算されたシグナチャ特徴は、最終的に高次元の特徴としてLASSO正規化コックスモデルに組み込まれ、個別化リスクスコアを推定する。
我々の新しいMultiSigBERTパイプラインの性能は、Léon Bérard Centerの実際の腫瘍学コホートの分析に基づいて説明され、2,500人以上の患者の医療報告と構造化された記録が12万件以上含まれている。
このモデルは独立したテストセット上で0.743(sd 0.029)の一致指数を達成し、生存予測のための患者レベルの幾何学的構造とともに多モーダル時間力学を共同でモデル化する利点を示す。
関連論文リスト
- ChronoSurv: A Clinical Pathway-Guided Graph Framework for Multimodal Survival Analysis [0.0]
ChronoSurvは、患者ケアを、重要な診断手順に整合した有向グラフを用いて、進行を認識可能な臨床軌跡として表現する。
2つの公開データセットの実験結果は、ChronoSurvが最先端の識別性能を達成することを示した。
論文 参考訳（メタデータ） (2026-06-17T14:46:47Z) - Attention-Based Multimodal Survival Prediction with Cross-Modal Bilinear Fusion [1.4203297056262238]
患者レベル生存予測のための新しいディープラーニングフレームワークを提案する。
全スライディング組織学の特徴、RNA-seq発現プロファイル、臨床変数を統合している。
我々のアーキテクチャは、スライドレベルの表現のためのAMMILモジュールciteilse2018アテンションと、RNAおよび臨床データのためのフィードフォワードエンコーダを組み合わせたものである。
論文 参考訳（メタデータ） (2026-05-12T13:09:25Z) - Cerebra: A Multidisciplinary AI Board for Multimodal Dementia Characterization and Risk Assessment [56.62016795093786]
CerebraはインタラクティブなマルチエージェントAIチームで、ERH、臨床ノート、医療画像分析のための特殊エージェントをコーディネートする。
構造化された表現を操作することで、プライバシ保護デプロイメントをサポートし、モダリティが不完全であれば、堅牢である。
Cerebraは、有識者のパフォーマンスを著しく改善し、前向き認知症リスク推定において精度を17.5ポイント向上させた。
論文 参考訳（メタデータ） (2026-03-23T05:46:45Z) - Counterfactual Understanding via Retrieval-aware Multimodal Modeling for Time-to-Event Survival Prediction [1.5713805841057418]
CUREは、総合的なマルチモーダル埋め込みと潜伏検索を通じて、対物生存モデリングを促進するフレームワークである。
MetaBRICおよびTCGA-LUADデータセットの実験結果から,提案したCUREモデルは生存分析において強いベースラインを一貫して上回ることを示した。
論文 参考訳（メタデータ） (2026-02-23T15:53:25Z) - Integrating Genomics into Multimodal EHR Foundation Models [56.31910745104141]
本稿では,ポリジェニックリスクスコア(PRS)を基本データモダリティとして統合した,革新的なEHR基盤モデルを提案する。
このフレームワークは、臨床データと遺伝子前置詞の複雑な関係を学習することを目的としている。
このアプローチは、病気の予測、積極的な健康管理、リスク階層化、パーソナライズされた治療戦略に対する新たな洞察を解放するために重要である。
論文 参考訳（メタデータ） (2025-10-24T15:56:40Z) - impuTMAE: Multi-modal Transformer with Masked Pre-training for Missing Modalities Imputation in Cancer Survival Prediction [75.43342771863837]
我々は,効率的なマルチモーダル事前学習戦略を備えた新しいトランスフォーマーに基づくエンドツーエンドアプローチである impuTMAE を紹介する。
マスクされたパッチを再構築することで、モダリティの欠如を同時に示唆しながら、モダリティ間の相互作用とモダリティ内相互作用を学習する。
本モデルは,TGA-GBM/LGGとBraTSデータセットを用いたグリオーマ生存予測のために,異種不完全データに基づいて事前訓練を行った。
論文 参考訳（メタデータ） (2025-08-08T10:01:16Z) - SigBERT: Combining Narrative Medical Reports and Rough Path Signature Theory for Survival Risk Estimation in Oncology [1.5425688173297465]
SigBERTは、患者1人当たりの多数の臨床報告を処理するために設計された、革新的な時間的生存分析フレームワークである。
文章埋め込みに単語埋め込みを抽出し平均化することにより、タイムスタンプ化された医療報告を処理する。
これは、L'eon B'erard Center corpusの実際の腫瘍学データセットで訓練され、独立したテストコホート上でのC-インデックススコア0.75(sd 0.014)で評価された。
論文 参考訳（メタデータ） (2025-07-25T12:33:25Z) - Deep Survival Analysis in Multimodal Medical Data: A Parametric and Probabilistic Approach with Competing Risks [47.19194118883552]
単一リスクシナリオと競合リスクシナリオの両方をモデル化可能な生存分析のための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。
生存予測のための新しいディープラーニングアーキテクチャであるSAMVAE(Survival Analysis Multimodal Variational Autoencoder)を提案する。
論文 参考訳（メタデータ） (2025-07-10T14:29:48Z) - Adaptable Cardiovascular Disease Risk Prediction from Heterogeneous Data using Large Language Models [70.64969663547703]
AdaCVDは、英国バイオバンクから50万人以上の参加者を対象に、大規模な言語モデルに基づいて構築された適応可能なCVDリスク予測フレームワークである。
包括的かつ可変的な患者情報を柔軟に取り込み、構造化データと非構造化テキストの両方をシームレスに統合し、最小限の追加データを使用して新規患者の集団に迅速に適応する。
論文 参考訳（メタデータ） (2025-05-30T14:42:02Z) - 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) - Survival Prediction in Lung Cancer through Multi-Modal Representation Learning [9.403446155541346]
本稿では,CTとPETの包括的情報と関連するゲノムデータを用いた生存予測手法を提案する。
我々は,マルチモーダル画像データと遺伝的情報を統合することにより,生存率の予測モデルを構築することを目的とする。
論文 参考訳（メタデータ） (2024-09-30T10:42:20Z)
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。