論文の概要: A Multimodal Foundation Model for Longitudinal Patient Representation and Scalable Insight Generation in Oncology
- arxiv url: http://arxiv.org/abs/2608.24688v1
- Date: Tue, 25 Aug 2026 15:17:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-26 14:09:35.059777
- Title: A Multimodal Foundation Model for Longitudinal Patient Representation and Scalable Insight Generation in Oncology
- Title（参考訳）: オンコロジーにおける経時的患者表現とスケーラブルなインサイト生成のためのマルチモーダル基礎モデル
- Abstract要約: 我々は,170万人のがん患者の実世界の腫瘍学コホート上で開発された基礎モデルであるoFMを紹介した。
oFMは、毎日の臨床および分子エピソードを符号化し、それらを時間をかけて統合し、患者の状態の埋め込みを生成する。
予後ベンチマークでは、oFMは治療反応、進行のない生存、全体的な生存のためにAUCを改善した。
- 参考スコア（独自算出の注目度）: 2.4534049320113227
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Precision oncology necessitates a longitudinal model of patient state that captures cancer evolution and treatment over time, integrating multimodal observations. We introduce the oFM, a foundation model developed on a real-world oncology cohort of 1.67 million cancer patients that integrates clinical trajectories with DNA, RNA, and H&E pathology. Patient-level partitions were reserved for training, validation, and testing, with over one million patients used for training. The oFM encodes daily clinical and molecular episodes and, along with pathology images, integrates them over time to produce a patient state embedding. We evaluate frozen oFM embeddings against expert-curated clinical and molecular baseline features. In prognostic benchmarks, the oFM improved AUC for treatment response, progression-free survival, and overall survival (0.774 vs. 0.563 for overall survival). Across 11 comparative-treatment cohorts, the oFM embeddings achieved a three-fold higher pooled and scale-normalized treatment-benefit AUTOC than baseline features with improved benefit ranking in 9 of 11 cohorts, and provided stronger prognostic discrimination within both treatment arms. We also evaluated a mechanism discovery framework that interprets downstream models built on oFM embeddings by linking their predicted outcomes to clinically and biologically grounded mechanisms through an evidence-grounded temporal graph, enabling evaluation in clinical and drug-development applications.
- Abstract（参考訳）: 精密腫瘍学は、がんの進化と治療を経時的に捉え、マルチモーダルな観察を統合する患者状態の経時的モデルを必要とする。
我々は,臨床軌跡をDNA,RNA,H&Eの病理と統合した167万のがん患者の実世界の腫瘍学コホート上で開発された基礎モデルoFMを紹介する。
患者レベルのパーティションは、トレーニング、検証、テストのために確保され、100万人以上の患者がトレーニングに使用した。
oFMは、毎日の臨床と分子のエピソードをエンコードし、病理画像とともにそれらを統合して患者の状態の埋め込みを生成する。
凍結型oFM埋没法について, 専門家による臨床および分子ベースラインの特徴について検討した。
予後のベンチマークでは、oFMはAUCを治療反応、進行のない生存、全体の生存率(0.774対0.563)を改善した。
比較処理コホート11種において, OFM埋め込みは, ベースライン特性よりも3倍高いプール化, スケール正規化処理ベネフィットAUTOCを達成し, 11種中9種でベネフィットランキングが向上し, 両治療腕の予後識別が強くなった。
また,oFM埋没法に基づく下流モデルの構築を,エビデンスを基盤とした時間グラフを用いて,予測結果と臨床および生物学的基盤機構をリンクさせることにより解析し,臨床および薬物開発における評価を可能にするメカニズム発見フレームワークの評価を行った。
関連論文リスト
- A Vision-Language Foundation Model for Precise and Comprehensive Brain Tumor Diagnosis from Preoperative Multimodal Data [50.52606847963128]
我々は2021年の世界保健機関(WHO)の脳腫瘍タイプを分類するためにBrainVLMを開発した。
BrainVLMは40,043人のマルチモーダルデータ(MRIスキャン、人口統計学、放射線学)で訓練された。
病理組織学的に確認された脳腫瘍5,211例について検討した。
論文 参考訳（メタデータ） (2026-09-15T03:46:03Z) - Linking spatial biology and clinical histology via Haiku [35.723756132708026]
マルチプレクシド免疫蛍光(mIF)を訓練した3モーダルコントラスト学習モデルHaikuについて紹介する。
11種類の臓器にまたがる1,606人の患者から3,218の組織から267万個の空間パッチを採取する。
論文 参考訳（メタデータ） (2026-04-30T18:53:32Z) - Multimodal Fusion of Histopathology Images and Electronic Health Records for Early Breast Cancer Diagnosis [15.70912899013153]
本稿では, パッチレベルの病理組織学的特徴を構造化された臨床データと統合する体系的枠組みを提案する。
単相画像モデル(単純なCNNベースラインと転送学習を備えたResNet-18)と中間融合モデル(XGBoostと多層パーセプトロン)を訓練し評価する。
以上の結果から,マルチモーダル統合は,予測性能と臨床透明性の両方において有意義な改善をもたらすことが示された。
論文 参考訳（メタデータ） (2026-04-18T19:46:34Z) - 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) - Investigating the Impact of Histopathological Foundation Models on Regressive Prediction of Homologous Recombination Deficiency [52.50039435394964]
回帰に基づくタスクの基礎モデルを体系的に評価する。
我々は5つの最先端基礎モデルを用いて、スライド画像全体(WSI)からパッチレベルの特徴を抽出する。
乳房、子宮内膜、肺がんコホートにまたがるこれらの抽出された特徴に基づいて、連続したRDDスコアを予測するモデルが訓練されている。
論文 参考訳（メタデータ） (2026-01-29T14:06:50Z) - Chronic Kidney Disease Prognosis Prediction Using Transformer [2.054117570146147]
慢性腎臓病(CKD)は世界の人口の10%近くに影響し、しばしば末期腎不全へと進行する。
マルチモーダル電子健康記録を用いたCKD進行予測のためのトランスフォーマーベースのフレームワークを提案する。
論文 参考訳（メタデータ） (2025-11-04T07:52:17Z) - A Disease-Centric Vision-Language Foundation Model for Precision Oncology in Kidney Cancer [54.58205672910646]
RenalCLIPは、腎腫瘤の特徴、診断、予後のための視覚言語基盤モデルである。
腎がんの完全な臨床ワークフローにまたがる10のコアタスクにおいて、優れたパフォーマンスと優れた一般化性を実現した。
論文 参考訳（メタデータ） (2025-08-22T17:48:19Z) - Development of Interactive Nomograms for Predicting Short-Term Survival in ICU Patients with Aplastic Anemia [3.5626691568652507]
無形成性貧血は稀な致命的血液疾患であり,汎血球減少と骨髄不全を特徴とする。
MIMIC-IVデータベースを用いて、再生不良性貧血のICU患者を同定し、5つの領域から臨床像を抽出した。
7日間,14日間,28日間の死亡を予測するために,ロジスティック回帰モデルとコックス回帰モデルを構築した。
論文 参考訳（メタデータ） (2025-05-23T23:01:11Z) - Multimodal Integration of Longitudinal Noninvasive Diagnostics for Survival Prediction in Immunotherapy Using Deep Learning [0.8428580558402998]
我々は,新しいニューラルネットワークアーキテクチャ,マルチモーダルトランスフォーマーに基づくシンプルな時間的注意(MMTSimTA)ネットワークを開発した。
免疫療法を施行した694人の大膵コホートから, 術前および治療中の血液測定, 処方薬およびCTベースの臓器量を統合し, 死亡率を予測した。
以上の結果より,新しいアーキテクチャを用いた非侵襲的経時的データの統合は,特に短期生存予測において,マルチモーダル予後の向上をもたらすことが示唆された。
論文 参考訳（メタデータ） (2024-11-27T11:44:06Z) - TopoTxR: A topology-guided deep convolutional network for breast parenchyma learning on DCE-MRIs [49.69047720285225]
そこで本研究では,乳房側葉構造をよりよく近似するために,マルチスケールのトポロジ構造を明示的に抽出する新しいトポロジカルアプローチを提案する。
VICTREファントム乳房データセットを用いてemphTopoTxRを実験的に検証した。
本研究の質的および定量的分析は,乳房組織における画像診断におけるトポロジカルな挙動を示唆するものである。
論文 参考訳（メタデータ） (2024-11-05T19:35:10Z) - 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) - 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。