論文の概要: Real-World Multi-Modal and Longitudinal Lung Cancer Dataset

• arxiv url: http://arxiv.org/abs/2609.05202v1
• Date: Fri, 04 Sep 2026 14:35:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-07 18:15:24.072215
• Title: Real-World Multi-Modal and Longitudinal Lung Cancer Dataset
• Title（参考訳）: 実世界のマルチモーダル・縦隔肺がんデータセット
• Abstract要約: 本研究では,現実的な条件下での幅広い学習パイプラインの評価を支援するために,新たにキュレートされたデータセットを提案する。 このデータセットは、合計1,365人の肺癌患者からなり、3つの画像モダリティ(全スライディング画像、CTスキャン、PETスキャン)、構造化された臨床データ、転写学的および経時的追跡および治療情報を含んでいる。 その結果、高いレベルの欠落にもかかわらず、相補的なモダリティを統合することで、ユニモーダルアプローチよりも予測性能が一貫して向上することが示された。
• 参考スコア（独自算出の注目度）: 9.050510996987436
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Multi-modal learning has demonstrated strong potential in medical applications by integrating heterogeneous data sources such as medical imaging, clinical records, and genomics to improve predictive performance and support clinical decision-making. However, advances in this area are often constrained by two key challenges: the limited availability of well-curated, ready-to-use datasets that accurately reflect real-world conditions, where medical data are frequently collected inconsistently and are often incomplete; and the inherent difficulty of integrating heterogeneous data modalities. In this work, we introduce a newly curated multi-center, multi-modal, and longitudinal dataset designed to support the evaluation of a wide range of learning pipelines under realistic conditions. The dataset comprises a total of 1,365 lung cancer patients and has three imaging modalities (whole-slide images, CT scans, and PET scans), structured clinical data, transcriptomic, and longitudinal follow-up and treatment information. For each imaging modality the dataset contains more than one instance. Moreover, the dataset exhibits substantial and non-uniform missingness across modalities, making it well-suited for studying robust multi-modal fusion strategies. We further provide both uni-modal and multi-modal benchmarks on the task of 12-month overall survival prediction, disease-specific survival, as well as longitudinal benchmark of hazard prediction under severe missing data. Our results show that, despite high levels of missingness, integrating complementary modalities consistently improves predictive performance over uni-modal approaches, highlighting the value of multi-modal fusion in realistic clinical settings. The dataset and benchmark code are available at https://github.com/ritacmendes/MMIST-LUNG.
• Abstract（参考訳）: マルチモーダル学習は、医療画像、臨床記録、ゲノムといった異種データソースを統合して、予測性能を改善し、臨床意思決定を支援することで、医療応用に強い可能性を示している。 しかし、この分野の進歩は、2つの主要な課題によって制限されることが多い。例えば、医療データが不整合に収集され、しばしば不完全である現実世界の状況を正確に反映した、正確で準備の整ったデータセットの可用性が制限されていること、異種データモダリティの統合が本質的に困難であること、である。 本研究では,現実的な条件下での幅広い学習パイプラインの評価を支援するために,新たにキュレートされたマルチセンター,マルチモーダル,縦長データセットを提案する。 このデータセットは、合計1,365人の肺癌患者からなり、3つの画像モダリティ(全スライディング画像、CTスキャン、PETスキャン)、構造化された臨床データ、転写学的および経時的追跡および治療情報を含んでいる。 画像のモダリティごとに、データセットは複数のインスタンスを含む。 さらに、このデータセットは、モダリティにまたがる実質的かつ一様でない欠如を示し、堅牢なマルチモーダル核融合戦略の研究に適している。 さらに,1ヶ月の生存予測,疾患特異的生存予測,および重度欠失データに基づく危険予測の経時的ベンチマークについて,一様および多様のベンチマークを行った。 以上の結果から, 相補的モダリティの統合は, 高レベルの欠如にもかかわらず, 単モーダルアプローチよりも予測性能を常に向上させ, 現実的な臨床環境での多モーダル融合の価値を強調した。 データセットとベンチマークコードはhttps://github.com/ritacmendes/MMIST-LUNGで公開されている。

関連論文リスト

• Project Imaging-X: A Survey of 1000+ Open-Access Medical Imaging Datasets for Foundation Model Development [314.80153557710616]
  我々は、1,000以上のオープンアクセスデータセットをカバーする、医療画像データセットの現在における最大の調査を提示する。 私たちの分析では、範囲が狭いタスクにまたがって断片化され、臓器やモダリティに不均一に分散した、質素なスケールのランドスケープを公開しています。 本稿では,メタデータ駆動型融合パラダイム(MDFP)を提案する。
  論文  参考訳（メタデータ） (2026-03-29T00:46:53Z)
• A Contrastive Variational AutoEncoder for NSCLC Survival Prediction with Missing Modalities [41.8469011437549]
  非小細胞肺癌 (NSCLC) 患者の生存予測は, 個々の予後が異なるため困難である。 最先端モデルは、患者レベルの表現を作成するために利用可能なデータや、欠落したモダリティを推測するために生成モデルを使用する。 本稿では,MCVAE(Multimodal Contrastive Variational AutoEncoder)を提案する。
  論文  参考訳（メタデータ） (2026-02-19T14:29:34Z)
• 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)
• 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)
• 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)
• Multi-OCT-SelfNet: Integrating Self-Supervised Learning with Multi-Source Data Fusion for Enhanced Multi-Class Retinal Disease Classification [2.5091334993691206]
  網膜疾患診断のための堅牢なディープラーニングモデルの開発には、トレーニングのためのかなりのデータセットが必要である。 より小さなデータセットで効果的に一般化する能力は、依然として永続的な課題である。 さまざまなデータソースを組み合わせて、パフォーマンスを改善し、新しいデータに一般化しています。
  論文  参考訳（メタデータ） (2024-09-17T17:22:35Z)
• MMIST-ccRCC: A Real World Medical Dataset for the Development of Multi-Modal Systems [12.914295902429]
  本稿では,MMIST-CCRCCと呼ばれる実世界のマルチモーダルデータセットを紹介する。 このデータセットは、クリア細胞腎細胞癌(ccRCC)618例の2つの放射線学的モダリティ(CTとMRI)、病理組織学、ゲノム学、臨床データからなる。 このような深刻な欠落率であっても、モダリティの融合は生存予測の改善につながることを示す。
  論文  参考訳（メタデータ） (2024-05-02T18:29:05Z)
• DrFuse: Learning Disentangled Representation for Clinical Multi-Modal Fusion with Missing Modality and Modal Inconsistency [18.291267748113142]
  そこで本研究では,DrFuseを効果的に多モード核融合を実現するために提案する。 モダリティに共通する特徴と各モダリティに特有の特徴を分離することで、モダリティの欠如に対処する。 実世界の大規模データセットMIMIC-IVとMIMIC-CXRを用いて提案手法を検証する。
  論文  参考訳（メタデータ） (2024-03-10T12:41:34Z)
• MS-Net: Multi-Site Network for Improving Prostate Segmentation with Heterogeneous MRI Data [75.73881040581767]
  本稿では,ロバスト表現を学習し,前立腺のセグメンテーションを改善するための新しいマルチサイトネットワーク(MS-Net)を提案する。 当社のMS-Netは,すべてのデータセットのパフォーマンスを一貫して改善し,マルチサイト学習における最先端の手法よりも優れています。
  論文  参考訳（メタデータ） (2020-02-09T14:11:50Z)

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。