論文の概要: CHIMERA Challenge Task 2 and 3: Response Subtypes Classification and Progression Survival Prediction in Bladder Cancer Patients using Multimodal Datasets

• arxiv url: http://arxiv.org/abs/2609.09510v1
• Date: Tue, 08 Sep 2026 22:52:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.833414
• Title: CHIMERA Challenge Task 2 and 3: Response Subtypes Classification and Progression Survival Prediction in Bladder Cancer Patients using Multimodal Datasets
• Title（参考訳）: CHIMERA Challenge Task 2 and 3: Response Subtypes Classification and Progression Survival Prediction in Bladder Cancer patients using Multimodal Datasets (特集:第2回・第3回)
• Abstract要約: CHIMERAはHR-NMIBCのベンチマーク予測のためのマルチモーダルAIチャレンジとして設立された。 ベンチマークのために13の上位パフォーマンスモデルが選択された。 発見は、輸送性への障壁と、欠如を意識したモデリングの重要性を浮き彫りにする。
• 参考スコア（独自算出の注目度）: 0.04551401337908834
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: High-risk non-muscle-invasive bladder cancer (HR-NMIBC) carries substantial risks of recurrence and progression, while current clinical risk stratification remains limited. CHIMERA was established as a multimodal AI challenge to benchmark prediction in HR-NMIBC under standardized evaluation. Task BRS predicts RNA-seq-defined BCG Response Subtypes from histopathology and structured clinicopathological data, whereas Task Progression models time-to-progression using histopathology, structured data, and RNA sequencing. A multimodal dataset of 368 patients was divided into public training and hidden validation and test sets. In total, 159 submissions were made, and 13 top-performing models were selected for benchmarking. The best models achieved a weighted F1 score of 0.73 for Task BRS and a C-index of 0.68 for Task Progression. Post-challenge analyses revealed task-dependent modality contributions, cohort-dependent performance degradation, and sensitivity to missing structured data. In Task BRS, histopathology partly compensated for pathology-derived structured variables, whereas progression models showed greater dependence on complementary inputs. Cross-model error analysis further identified patients that were consistently difficult across different architectures, with T1 substage associated with prediction difficulty. These findings highlight barriers to transportability and the importance of missingness-aware modeling and independent multi-institutional validation. CHIMERA provides a standardized multimodal benchmark for bladder cancer and a framework for studying not only model performance, but also robustness, information sufficiency, and patient-level prediction failure.
• Abstract（参考訳）: 高リスク非浸潤性膀胱癌(HR-NMIBC)は再発と進行のかなりのリスクを伴うが、現在の臨床リスク層化は限られている。 CHIMERAは、標準化された評価の下でHR-NMIBCの予測をベンチマークするためのマルチモーダルAIチャレンジとして確立された。 Task BRSは、組織学的および構造的臨床病理学的データから、RNA-seq-defined BCG Response Subtypesを予測し、Task Progressionは、組織学的、構造的データ、RNAシークエンシングを用いて、タイム・トゥ・プログレスをモデル化する。 368人の患者を対象としたマルチモーダルデータセットを公開トレーニングと隠れバリデーションとテストセットに分割した。 合計で159件が提出され、ベンチマークのために13の最高パフォーマンスモデルが選択された。 ベストモデルは、タスクBRSの重み付きF1スコア0.73、タスクプログレクションのCインデックス0.68を達成した。 分析の結果,タスク依存のモダリティ寄与,コホート依存のパフォーマンス低下,構造データ不足に対する感受性が明らかになった。 タスクBRSでは、病理組織学は部分的に病理由来の構造変数を補うが、進行モデルは相補的な入力に大きく依存することを示した。 クロスモデルエラー解析により、予測困難を伴うT1サブステージで、異なるアーキテクチャで一貫して困難であった患者を同定した。 これらの知見は、輸送性への障壁と、欠如を意識したモデリングと独立した多施設間検証の重要性を浮き彫りにした。 CHIMERAは、膀胱癌のための標準化されたマルチモーダルベンチマークと、モデルパフォーマンスだけでなく、堅牢性、情報充足性、患者レベルの予測失敗を研究するためのフレームワークを提供する。

関連論文リスト

• Dementia Etiology Diagnosis via Collaborative Meta Knowledge Enhancement [81.27196033392559]
  認知症発症診断のための協調的メタ知識向上(COME)フレームワークを提案する。 COMEは、マルチセンタ取得セマンティクス、ソース識別子、モダリティインジケータを異種性を認識した埋め込みとして、スケールアップトレーニングのためにTransformerアーキテクチャに注入する。 本手法は,平均マクロ平均AUCが85.62%,最強ベースラインが4.29ポイント向上し,最先端のドメイン性能を実現する。
  論文  参考訳（メタデータ） (2026-07-24T04:26:47Z)
• The Good, the Bad, and the Brittle: Benchmarking Robustness and Generalisation of Histopathology Foundation Models [0.1274452325287335]
  12の病理基盤モデル(PFM)とResNetのベースラインをベンチマークした。 PFMは、堅牢性とドメインの一般化の両方においてCNNを一貫して上回っているが、モデルスケーリングはリターンの低下を示している。 NR-Kfold解析では,訓練とテストの類似性が破られた場合,系統的精度の低下と変動の増大が明らかになった。
  論文  参考訳（メタデータ） (2026-07-05T16:49:09Z)
• Benchmarking Machine Learning Models for Multi-Omics-Based Breast Cancer Prediction [0.0]
  エストロゲン受容体(ER)は乳癌の診断、予後、治療選択において重要なバイオマーカーである。 本研究では,ER状態予測のための古典的機械学習モデルの系統的ベンチマーク分析を提案する。
  論文  参考訳（メタデータ） (2026-06-27T02:46:40Z)
• Multimodal Ordinal Modeling of Alzheimer's Disease Severity Using Structural MRI and Clinical Data [0.9786690381850356]
  アルツハイマー病(AD)は、重症度を評価するための正確でスケーラブルなツールを必要とする。 自動かつ解釈可能なAD重度ステージングのための順序回帰を用いた注目強化型機械学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-06-10T08:26:11Z)
• A Systematic Evaluation of Imbalance Handling Methods in Biomedical Binary Classification [9.011003401201323]
  本研究では, バイオメディカルバイナリ分類における不均衡処理法(IHM)が予測性能に及ぼす影響を系統的に検討した。 我々は、ランダムアンダーサンプリング(RUS)、ランダムオーバーサンプリング(ROS)、SMOTE(SMOTE)、再重み付け(RW)、直接F1スコア最適化(DMO)の5つの代表IHMを評価した。 より複雑なモデルと非構造化データに対して明確な利点が観察された。
  論文  参考訳（メタデータ） (2026-05-13T21:57:38Z)
• 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)
• Deep Survival Analysis for Competing Risk Modeling with Functional Covariates and Missing Data Imputation [13.108896747775063]
  本稿では、競合リスク下での離散時間生存分析のための統合ディープラーニングフレームワークFCRNを紹介する。 関数データ表現のためのマイクロネットワークバス層と勾配ベースの計算モジュールを組み合わせることで、FCRNは、欠落した値をインプットし、イベント固有のハザードを予測することを同時に学習する。
  論文  参考訳（メタデータ） (2025-09-29T18:33:00Z)
• 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)
• GenBench: A Benchmarking Suite for Systematic Evaluation of Genomic Foundation Models [56.63218531256961]
  我々はGenomic Foundation Modelsの有効性を評価するためのベンチマークスイートであるGenBenchを紹介する。 GenBenchはモジュラーで拡張可能なフレームワークを提供し、様々な最先端の方法論をカプセル化している。 本稿では,タスク固有性能におけるモデルアーキテクチャとデータセット特性の相互作用のニュアンス解析を行う。
  論文  参考訳（メタデータ） (2024-06-01T08:01:05Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)
• 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。