Fugu-MT 論文翻訳(概要): Interpretable Multi-Instance Learning Enables Early Prediction of Key Molecular Alterations from Routine Flow Cytometry in Acute Myeloid Leukemia

論文の概要: Interpretable Multi-Instance Learning Enables Early Prediction of Key Molecular Alterations from Routine Flow Cytometry in Acute Myeloid Leukemia

arxiv url: http://arxiv.org/abs/2609.18825v1
Date: Wed, 16 Sep 2026 15:30:56 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-20 08:55:53.872394
Title: Interpretable Multi-Instance Learning Enables Early Prediction of Key Molecular Alterations from Routine Flow Cytometry in Acute Myeloid Leukemia
Title（参考訳）: 急性骨髄性白血病におけるインタプリタブル・マルチインスタンス・ラーニングの有用性
Abstract要約: 定期的なケアの一環として、入所後数時間以内に既に行われたフロー変異は、直接突然変異を予測するのに十分な信号を運ぶ可能性がある。決定木に基づく解釈可能なマルチインスタンス学習分類器を開発した。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Background: Molecular testing for NPM1 and FLT3-ITD mutations guides critical early treatment decisions in acute myeloid leukemia (AML), but results can take weeks, long after these decisions must be made. Flow cytometry, already performed within hours of admission as part of routine care, may carry enough signal to predict these mutations directly, without added cost or delay. Methods: We developed an interpretable multi-instance learning classifier based on a decision tree, in which each patient sample is modeled as a collection of individual cells and mutation status is inferred from cell-level predictions. The model was benchmarked against a random forest trained on clinical variables and a deep convolutional neural network adapted for multitube flow cytometry data. Performance was assessed by cross-validation on a discovery cohort of 197 patients and tested on an independent cohort of 161 patients, using the area under the receiver operating characteristic curve (AUROC) and positive predictive value. Results: In cross-validation on the discovery cohort, the MIL model achieved mean AUROCs of 0.96 (SD=0.05) for NPM1 and 0.86 (SD=0.10) for FLT3-ITD, outperforming the clinical baseline and matching deep learning approaches. The model then successfully generalized to the independent test cohort of 161 patients, reaching AUROCs of 0.90 (NPM1) and 0.82 (FLT3-ITD), with positive predictive values of 0.87 and 0.68, respectively. Cell-level interpretation recovered established immunophenotypic signatures (CD33${}^{+}$ /CD34___ for NPM1-mutated cases, CD33${}^{+}$ /low side-scatter for FLT3-ITD), directly linking model predictions to known biology. Conclusions: These results show that an interpretable model applied to data already collected in routine care can predict AML molecular status within hours, offering a practical route to earlier, biology-informed treatment decisions.
Abstract（参考訳）: 背景: NPM1およびFLT3-ITD変異の分子検査は、急性骨髄性白血病(AML)における重要な早期治療決定を導くが、これらの決定が下されてから数週間かかる可能性がある。フローサイトメトリー(フローサイトメトリー、フローサイトメトリー)は、定期的なケアの一部として既に数時間以内に実施されており、コストや遅延を伴わずにこれらの変異を直接予測する十分な信号を運ぶことができる。方法: 本研究は, 各患者標本を個々の細胞集合としてモデル化し, 変異状況を細胞レベルでの予測から推定する, 決定木に基づく解釈可能な多インスタンス学習分類器を開発した。このモデルは、臨床変数に基づいて訓練されたランダムな森林と、マルチチューブフローサイトメトリーデータに適応した深層畳み込みニューラルネットワークとをベンチマークした。 197例の発見コホートをクロスバリデーションにより評価し、161例の独立コホートを用いて,受信者動作特性曲線(AUROC)と正の予測値の面積を用いて評価した。結果: 発見コホートの相互検証において, MILモデルでは, NPM1は0.96(SD=0.05), FLT3-ITDは0.86(SD=0.10)であり,臨床ベースラインを上回り, 深層学習アプローチに適合する。その結果,AUROCは0.90(NPM1),FLT3-ITD(FLT3-ITD)となり,それぞれ0.87と0.68と正の予測値を得た。 CD33${}^{+}$ /CD34___ for NPM1-mutated case, CD33${}^{+}$ /low side-scatter for FLT3-ITD, direct linking model predictions to known biological。結論: これらの結果は, 日常的なケアで収集されたデータに適用される解釈可能なモデルが, 数時間以内にAML分子の状態を予測できることを示し, より早期の生物学的インフォームド治療決定への実践的な経路を提供する。

関連論文リスト

RareLens: Towards End-to-End Rare Disease Care via Aligning Divergent Large Language Model Reasoning [42.80742579670377]
RareLensは、まれな疾患の軌跡全体にわたる臨床的意思決定を支援するシステムである。 RareBenchは、33のOrphanetカテゴリと7000以上の条件にまたがる157,525件の実際のデータセットである。検診で0.917、診断と治療で65.5%、89.8%の成績を収めた。
論文参考訳（メタデータ） (2026-07-25T16:58:10Z)
Interpretable Machine Learning for Antepartum Prediction of Pregnancy-Associated Thrombotic Microangiopathy Using Routine Longitudinal Laboratory Data [20.314650315287775]
P-TMAでは, 早期のリスク予測が困難である。本研究は機械学習を用いて長期臨床検査から潜伏時間依存型リスクシグネチャを抽出した。モデルは0.872のAUROCと0.883のAUPRCを保持試験コホートで達成し、感度は0.750、特異度は0.812である。
論文参考訳（メタデータ） (2026-05-13T17:07:00Z)
Latent Neural-ODE for Model-Informed Precision Dosing: Overcoming Structural Assumptions in Pharmacokinetics [3.0991186209192794]
タクロリムスAUC予測のための遅延正規微分方程式(Latent ODE)に基づく新しいデータ駆動方式を提案する。このディープラーニングアプローチは、疎い臨床データから個別化されたダイナミクスを直接学習する。潜在ODEモデルは、標準的な仮定から逸脱した基盤となる生物学的メカニズムであっても、優れた堅牢性を示し、高い精度を維持した。
論文参考訳（メタデータ） (2026-02-03T07:30:48Z)
Transparent Early ICU Mortality Prediction with Clinical Transformer and Per-Case Modality Attribution [42.85462513661566]
ICU滞在後48時間から, 生理的時系列測定と非構造的臨床記録とを融合した, 軽量で透明なマルチモーダルアンサンブルを提案する。ロジスティック回帰モデルは、バイタル用双方向LSTMとノート用微調整された臨床ModernBERT変換器の2つのモード固有モデルからの予測を組み合わせる。 MIMIC-IIIベンチマークでは、遅延融合アンサンブルは、よく校正された予測を維持しながら、最高の単一モデルに対する差別を改善する。
論文参考訳（メタデータ） (2025-11-19T20:11:49Z)
Clinically Interpretable Mortality Prediction for ICU Patients with Diabetes and Atrial Fibrillation: A Machine Learning Approach [3.5626691568652507]
集中治療室(ICU)における糖尿病(DM)と心房細動(AF)の死亡率の上昇 DMとAFを併用したICU患者において,28日間の死亡を予測できる解釈可能な機械学習モデルを開発した。
論文参考訳（メタデータ） (2025-06-18T22:04:12Z)
Predicting Length of Stay in Neurological ICU Patients Using Classical Machine Learning and Neural Network Models: A Benchmark Study on MIMIC-IV [49.1574468325115]
本研究は、MIMIC-IVデータセットに基づく神経疾患患者を対象とした、ICUにおけるLOS予測のための複数のMLアプローチについて検討する。評価されたモデルには、古典的MLアルゴリズム(K-Nearest Neighbors、Random Forest、XGBoost、CatBoost)とニューラルネットワーク(LSTM、BERT、テンポラルフュージョントランス)が含まれる。
論文参考訳（メタデータ） (2025-05-23T14:06:42Z)
CRTRE: Causal Rule Generation with Target Trial Emulation Framework [47.2836994469923]
ターゲットトライアルエミュレーションフレームワーク(CRTRE)を用いた因果ルール生成という新しい手法を提案する。 CRTREは、アソシエーションルールの因果効果を推定するためにランダム化トライアル設計原則を適用している。次に、病気発症予測などの下流アプリケーションにそのような関連ルールを組み込む。
論文参考訳（メタデータ） (2024-11-10T02:40:06Z)
Towards Outcome-Driven Patient Subgroups: A Machine Learning Analysis Across Six Depression Treatment Studies [41.34047608276278]
神経回路モデルを用いてうつ病の薬理学的治療6治験のデータを解析した。 5種類のモノセラピーと3種類の併用療法に対して,寛解率と解離確率を分類し,個別解離確率を推定するモデルを構築した。ポストホック分析は、トレーニング中に学んだ患者プロトタイプに基づいてクラスター(サブグループ)を得た。
論文参考訳（メタデータ） (2023-03-24T14:34:09Z)
3D-Morphomics, Morphological Features on CT scans for lung nodule malignancy diagnosis [8.728543774561405]
本研究はCTボリュームにおける形態学的特徴(3次元形態学)に基づく病理状態の予測モデルを構築した。その後、XGBoost教師付き分類器が3次元形態学で訓練され、病理状態を予測する。肺結節の悪性度と良性度との分類モデルでは, 3D-morphomicsのみを用いて0.964のAUCが得られる。
論文参考訳（メタデータ） (2022-07-27T23:50:47Z)
On the explainability of hospitalization prediction on a large COVID-19 patient dataset [45.82374977939355]
我々は、新型コロナウイルス陽性の米国の患者の大規模な(110ドル以上)コホートでの入院を予測するために、さまざまなAIモデルを開発した。高いデータアンバランスにもかかわらず、モデルは平均精度0.96-0.98 (0.75-0.85)、リコール0.96-0.98 (0.74-0.85)、F_score097-0.98 (0.79-0.83)に達する。
論文参考訳（メタデータ） (2021-10-28T10:23:38Z)

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。