論文の概要: Causal multi-modal AI for personalized chemosensitivity prediction

• arxiv url: http://arxiv.org/abs/2609.13567v1
• Date: Fri, 11 Sep 2026 22:11:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:05.396849
• Title: Causal multi-modal AI for personalized chemosensitivity prediction
• Title（参考訳）: パーソナライズされた化学療法感受性予測のための因果的マルチモーダルAI
• Abstract要約: 現在のガイドラインは治療効果のプロキシとして再発スコアに依存している。 本稿では,日常的に収集される病理と臨床情報を用いて,パーソナライズされた化学療法感受性を予測するマルチモーダルAIモデルを提案する。
• 参考スコア（独自算出の注目度）: 6.027095223294588
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Chemotherapy improves survival for some patients with breast cancer, but doctors cannot reliably predict who. Current guidelines rely on recurrence scores as a proxy for treatment benefit, which may contribute to the overprescription of chemotherapy. Here we present a causal multi-modal AI model that predicts personalized chemosensitivity using routinely collected pathology and clinical information. We developed our model on a multi-national dataset of 9,141 patients (twelve cohorts, nine countries) and evaluated it on another 1,994 patients (five cohorts, three countries). The model generated treatment-specific recurrence probabilities for each patient, with near-perfect calibration and strong prognostic discrimination across both 5- and 10-year follow-up horizons. Moreover, its chemotherapy benefit predictions demonstrated robust predictive performance, and out-performed existing recurrence-score-based tests. Compared to the standard of care, using the model to support personally tailored therapeutic decisions could reduce the number of patients receiving chemotherapy by 30% while achieving the same recurrence-free rate. Tumors predicted to be highly chemosensitive displayed concordant molecular and morphological programs of proliferation, cell cycle progression, and replication stress. The model's predictive capabilities transferred zero-shot to non-breast cancers, indicating our causal multi-modal AI approach may provide a universal strategy to predict treatment outcomes across cancer types.
• Abstract（参考訳）: 化学療法は乳がん患者の生存率を改善するが、医師は誰が誰であるかを確実に予測することはできない。 現在のガイドラインは治療効果の指標として再発スコアに依存しており、化学療法の過剰処方に寄与する可能性がある。 本稿では,日常的に収集される病理と臨床情報を用いて,パーソナライズされた化学療法感受性を予測するマルチモーダルAIモデルを提案する。 9,141名(コホート12名,コホート9ヶ国)の多国間データセットを用いて,さらに1,994名(コホート5名,コホート3ヶ国)で評価した。 治療特異的再発確率は, ほぼ完全校正, 5年, 10年連続で強い予後判定が得られた。 さらに化学療法効果予測は, 高い予測性能を示し, 既往の再発スコアベース試験より優れていた。 治療基準と比較して、個別に調整された治療決定を支援するためにこのモデルを使用することで、化学療法を受けた患者を30%減らし、同じ再発率を達成することができる。 腫瘍は, 増殖, 細胞周期の進行, 複製ストレスの分子および形態学的プログラムが, 高い化学感受性を示すと予測された。 このモデルの予測能力はゼロショットを非乳癌に移行し、我々の因果的マルチモーダルAIアプローチは、がんのタイプ全体にわたる治療結果を予測する普遍的な戦略を提供する可能性があることを示唆している。

関連論文リスト

• 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)
• Leveraging Large Language Models and Survival Analysis for Early Prediction of Chemotherapy Outcomes [0.0]
  がん治療の化学療法は費用がかかり、重度の副作用が伴う。 実世界のデータを用いた化学療法結果の予測モデルは課題に直面している。 本研究では,Large Language Models(LLM)とオントロジーに基づく手法を用いて,これらの課題に対処する。
  論文  参考訳（メタデータ） (2026-03-12T06:25:12Z)
• 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)
• Boosted Random Forests for Predicting Treatment Failure of Chemotherapy Regimens [0.0]
  患者のプロファイルから収集したリアルワールドエビデンス(RWE)に基づいた治療失敗モデルを構築した。 最も頻度の高い治療失敗(または中止)を伴う5種類の原発性癌の症例を経験したので報告する。
  論文  参考訳（メタデータ） (2025-12-10T13:49:26Z)
• Medical World Model: Generative Simulation of Tumor Evolution for Treatment Planning [50.16114813279694]
  臨床診断に基づいて将来の疾患状態を視覚的に予測する医用世界モデル(MeWM)を紹介する。 MeWMは、(i)政策モデルとして機能する視覚言語モデルと、(ii)ダイナミックスモデルとして腫瘍生成モデルから構成される。 シミュレーション後腫瘍に対する生存解析を適用した逆ダイナミクスモデルを提案し,治療効果の評価と最適な臨床行動計画の選択を可能にした。
  論文  参考訳（メタデータ） (2025-06-02T23:50:40Z)
• Utilizing AI and Machine Learning for Predictive Analysis of Post-Treatment Cancer Recurrence [0.393259574660092]
  本研究では,AIモデルとMLモデルががん再発予測の精度と信頼性を高める方法について検討する。 本稿では, 教師なしおよび教師なし学習を用いたがん患者のパターン識別と予後予測のためのAIおよびML技術について述べる。
  論文  参考訳（メタデータ） (2025-02-20T03:54:12Z)
• 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)
• An Explainable AI Model for Predicting the Recurrence of Differentiated Thyroid Cancer [0.0]
  本研究は,甲状腺癌の再発を予測するために,機械学習,特にディープラーニングモデルを用いている。 患者の臨床病理学的特徴を含むデータセットを解析することにより、トレーニング中の98%、テスト中の96%の顕著な精度を達成できた。
  論文  参考訳（メタデータ） (2024-10-13T23:12:33Z)
• Using Multiparametric MRI with Optimized Synthetic Correlated Diffusion Imaging to Enhance Breast Cancer Pathologic Complete Response Prediction [71.91773485443125]
  ネオアジュバント化学療法は乳癌の治療戦略として最近人気を集めている。 ネオアジュバント化学療法を推奨する現在のプロセスは、医療専門家の主観的評価に依存している。 本研究は, 乳癌の病理組織学的完全反応予測に最適化されたCDI$s$を応用することを検討した。
  論文  参考訳（メタデータ） (2024-05-13T15:40:56Z)
• Deep learning methods for drug response prediction in cancer: predominant and emerging trends [50.281853616905416]
  がんを研究・治療するための計算予測モデルをエクスプロイトすることは、薬物開発の改善と治療計画のパーソナライズドデザインにおいて大きな可能性を秘めている。 最近の研究の波は、ディープラーニング手法を用いて、薬物治療に対するがん反応を予測するという有望な結果を示している。 このレビューは、この分野の現状をよりよく理解し、主要な課題と将来性のあるソリューションパスを特定します。
  論文  参考訳（メタデータ） (2022-11-18T03:26:31Z)
• Enhancing Clinical Support for Breast Cancer with Deep Learning Models using Synthetic Correlated Diffusion Imaging [66.63200823918429]
  深層学習モデルを用いた乳癌に対する臨床支援の強化について検討した。 我々は、体積畳み込みニューラルネットワークを利用して、前処理コホートから深い放射能特徴を学習する。 提案手法は, グレードと処理後応答予測の両方において, より良い性能を実現することができる。
  論文  参考訳（メタデータ） (2022-11-10T03:02:12Z)
• 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。