論文の概要: CHIMERA Challenge: Biochemical Recurrence Prediction in Prostate Cancer Patients using multimodal datasets
- arxiv url: http://arxiv.org/abs/2608.21497v1
- Date: Fri, 21 Aug 2026 15:23:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-25 13:29:43.231181
- Title: CHIMERA Challenge: Biochemical Recurrence Prediction in Prostate Cancer Patients using multimodal datasets
- Title（参考訳）: CHIMERA Challenge: マルチモーダルデータセットを用いた前立腺癌患者の生化学的再発予測
- Abstract要約: CHIMERAは、前立腺癌予後のための最初の、標準化されたマルチモーダルベンチマークである。
データセットは801個のMRIシークエンス、13個の臨床変数、942個のWSIからなる。
- 参考スコア（独自算出の注目度）: 1.4186847785236487
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Biochemical recurrence (BCR), defined as any detectable prostate-specific antigen level after prostatectomy with confirmatory elevation, is widely used as a surrogate endpoint and typically assessed using clinical and pathological variables. Currently, no standardized benchmark exists for multimodal prognostic modeling in urological cancers, partly because curating heterogeneous multimodal data remains challenging. We developed the CHIMERA Challenge, a multimodal benchmark integrating preoperative mpMRI, post-prostatectomy histopathology, patient characteristics, and clinician-derived variables from 267 patients across two institutions. The dataset comprises 801 MRI sequences, 13 clinical variables per case, and 942 WSIs. Training (n=95), validation (n=23), and test (n=149) splits were established and hosted on the Grand Challenge platform. Baseline clinical and pathological characteristics did not differ significantly across splits. Models were evaluated on predicting time to BCR using the C-index. Post-challenge analyses tested how each model type performed when clinician-derived variables were withheld or randomized. Unimodal clinical models achieved the highest test C-index of 0.7402 but proved sensitive to the integrity of these variables, with performance collapsing toward chance (C approximately 0.50) when they were randomized. Multimodal models retained near-baseline performance when these variables were withheld (delta C at most 0.04), indicating their ability to recover prognostic signal directly from imaging data. CHIMERA is the first public, standardized multimodal benchmark for prostate cancer prognosis. Although models using only patient characteristics and clinician-derived variables yielded the highest leaderboard performance, multimodal models demonstrated greater robustness in clinically realistic scenarios where complete expert annotation is not guaranteed.
- Abstract（参考訳）: 前立腺摘出術後の診断可能な前立腺特異的抗原レベルとして定義されている生化学的再発(BCR)は、サロゲートエンドポイントとして広く用いられ、臨床および病理学的変数を用いて評価される。
現在, 尿路癌におけるマルチモーダル・プログノースティック・モデリングのための標準化されたベンチマークは存在しない。
術前mpMRI,前立腺摘出術後の病理組織像,患者特性,臨床由来の2施設267例の変数を併用したマルチモーダル・ベンチマークであるCHIMERA Challengeを開発した。
データセットは801個のMRIシークエンス、13個の臨床変数、942個のWSIからなる。
トレーニング(n=95)、検証(n=23)、テスト(n=149)が確立され、グランドチャレンジプラットフォームにホストされた。
臨床所見と病理所見の相違は認められなかった。
C-indexを用いてBCRの予測時間について評価した。
チャンジ後の分析では、臨床由来の変数が保持されないかランダム化された場合、それぞれのモデルタイプがどのように実行されたかが検証された。
単調な臨床モデルでは、C-インデックスが0.7402と最高値に達したが、これらの変数の整合性に敏感であることが証明された。
マルチモーダルモデルは、これらの変数が保持されない場合(デルタCは0.04以上)にほぼベースライン性能を保持し、画像データから直接予後信号を復元する能力を示している。
CHIMERAは、前立腺癌予後のための最初の、標準化されたマルチモーダルベンチマークである。
患者特性と臨床由来の変数のみを用いたモデルが最も高いリーダボード性能を示したが, 完全専門家アノテーションが保証されない臨床現実的なシナリオでは, マルチモーダルモデルの方が高いロバスト性を示した。
関連論文リスト
- Histopathological Spectrum-Guided Prostate Stratification via Segmentation-Assisted Diagnostic Transformer [29.021037203684227]
前立腺癌の病理組織学的スペクトルデータセット(PCa-HSD)を構築する。
本研究は,前立腺癌と診断し易い良性病変の表現不足に対処し,臨床的に有意義な4クラス分類課題を定式化する。
提案法は,344例のコホートを用いた5倍のクロスバリデーションにおいて,背骨平均精度0.633,ジョイントリコール0.768を連続的に改善する。
論文 参考訳（メタデータ） (2026-07-19T10:03:47Z) - Evaluating Large Language Models in Dynamic Clinical Decision-Making with Standardized Patient Cases [71.12461204050985]
MedSP1000 (MedSP1000) は、SP由来の臨床エージェント評価のための対話型ベンチマークである。
ピアレビューされたSPの授業ケースを、定義されたSPケーススクリプト、臨床環境コンテキスト、人為的な構造化ルーブリックで実行可能なシナリオに変換する。
MedSP1000を多種多様な汎用および医療用LLMに適用すると、静的ベンチマークの性能がそのような教育シナリオに確実に変換されないことが分かる。
論文 参考訳（メタデータ） (2026-06-03T17:17:16Z) - Simulating clinical interventions with a generative multimodal model of human physiology [49.828582089394445]
HealthFormerは、人間の生理的軌道を生成的にモデル化するデコーダのみのトランスフォーマーである。
7つの領域にまたがる667個の測定値に対して,各被験者の健康軌道をトークン化する。
HealthFormerは、30のインシデント障害および死亡エンドポイントのうち27の予測を改善し、各比較で確立された臨床リスクスコアを超えた。
論文 参考訳（メタデータ） (2026-04-30T14:10:30Z) - 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) - LiveClin: A Live Clinical Benchmark without Leakage [50.45415584327275]
LiveClinは、実際の臨床実践を近似するために設計されたライブベンチマークである。
本研究は,患者を臨床経過全体にわたる複雑なマルチモーダルな評価シナリオに転換する。
LiveClin上で26のモデルを評価すると、これらの実世界のシナリオの難しさが明らかとなり、最高性能のモデルではケース精度が35.7%に達した。
論文 参考訳（メタデータ） (2026-02-18T03:59:46Z) - One-shot synthesis of rare gastrointestinal lesions improves diagnostic accuracy and clinical training [45.49415063761575]
EndoRareは、単一の参照画像から多種多様な高忠実度病変を合成する、ワンショットでリトレーニング不要な生成フレームワークである。
われわれはこの枠組みを4つの稀な病理から検証した。
これらの結果は, コンピュータ支援診断と臨床教育の両方において, 希少なギャップを埋める実践的でデータ効率のよい方法を確立している。
論文 参考訳（メタデータ） (2025-12-30T15:07:09Z) - PathBench: A comprehensive comparison benchmark for pathology foundation models towards precision oncology [33.51485504161335]
病理基盤モデル(PFM)の最初の包括的なベンチマークであるPathBenchを紹介する。
我々のフレームワークは大規模データを組み込んで,PFMの客観的比較を可能にする。
当院では10病院で8,549人の患者から15,888件のWSIを収集し,64件以上の診断・予後調査を行った。
論文 参考訳（メタデータ） (2025-05-26T16:42:22Z) - A multimodal ensemble approach for clear cell renal cell carcinoma treatment outcome prediction [6.199310532720352]
臨床データ,マルチオミクスデータ,および病理組織学的全スライド画像(WSI)データを統合するマルチモーダルアンサンブルモデル(MMEM)を開発した。
MMEMはccRCC患者の全身生存率(OS)と無病生存率(DFS)を予測した。
論文 参考訳（メタデータ） (2024-12-10T02:51:14Z) - Multi-modal AI for comprehensive breast cancer prognostication [18.691704371847855]
我々は、デジタル病理と臨床データを統合する新しい人工知能(AI)ベースのアプローチを開発した。
この検査は15のコホートで計8,161人の乳がん患者のデータを用いて開発・評価された。
以上の結果から,我々のAIテストは既存の予後検査の精度を改善しつつ,幅広い患者に適用可能であることが示唆された。
論文 参考訳（メタデータ） (2024-10-28T17:54:29Z) - 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。