論文の概要: Preoperative Prediction of Microvascular Invasion in Hepatocellular Carcinoma by Integrating Multimodal Ultrasound and Clinical Data: A Multicenter Study

• arxiv url: http://arxiv.org/abs/2609.24524v1
• Date: Mon, 21 Sep 2026 12:59:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:29:01.290141
• Title: Preoperative Prediction of Microvascular Invasion in Hepatocellular Carcinoma by Integrating Multimodal Ultrasound and Clinical Data: A Multicenter Study
• Title（参考訳）: マルチモーダル超音波と臨床データの統合による肝細胞癌における微小血管浸潤の術前予測 : 多施設共同研究
• Abstract要約: 術前MVI予測のためのマルチモーダル超音波と臨床データを統合したモデルの開発と評価を行った。 提案手法は,術前のリスク階層化と個別化臨床意思決定を支援する。
• 参考スコア（独自算出の注目度）: 15.181696214162331
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Background: Microvascular invasion (MVI) predicts recurrence and survival in hepatocellular carcinoma (HCC) but requires postoperative histopathology for diagnosis. We developed and validated a model integrating multimodal ultrasound and clinical data for preoperative MVI prediction. Methods: This multicenter study included 489 patients with HCC from eight centers. All patients had B-mode ultrasound (BUS), color Doppler flow imaging (CDFI), dynamic contrast-enhanced ultrasound (DCE-US), and clinical information. Data from seven centers (n = 421) were used for model development with five-fold cross-validation; data from the remaining center (n = 68) formed an independent external validation cohort. The proposed multimodal information fusion network used modality-specific encoders, a hemodynamic temporal change module for bidirectional DCE-US perfusion changes, and a representation consistency learning module to align heterogeneous ultrasound representations before Transformer-based fusion. Results: In external validation, DCE-US achieved the highest single-modality area under the receiver operating characteristic curve (AUC; 0.8545+/-0.0198), versus clinical information (0.6715+/-0.0156), CDFI (0.6435+/-0.0344), and BUS (0.6087+/-0.0417). Pixel-difference sampling and the proposed temporal module outperformed alternative sampling and video representation methods. The full model achieved the best performance, with an AUC of 0.8953+/-0.0180, accuracy of 81.18%+/-2.83%, sensitivity of 86.40%+/-6.69%, and specificity of 78.14%+/-6.28. Conclusions: Integrating multimodal ultrasound and clinical information enabled promising preoperative MVI prediction in HCC. DCE-US was the main source of predictive information, while BUS, CDFI, and clinical information provided complementary value. The proposed framework may support preoperative risk stratification and individualized clinical decision-making.
• Abstract（参考訳）: 背景:マイクロ血管浸潤(MVI)は肝細胞癌(HCC)の再発と生存を予測しているが,診断には術後病理組織学が必要である。 術前MVI予測のためのマルチモーダル超音波と臨床データを統合したモデルの開発と評価を行った。 方法: この多施設調査は8施設のHCC患者489名を対象にした。 全症例にBモード超音波(BUS)、カラードプラフローイメージング(CDFI)、ダイナミックコントラスト強調超音波(DCE-US)、臨床情報を認めた。 7つの中心からのデータ(n = 421)は5倍のクロスバリデーションを持つモデル開発に使われ、残りの中心からのデータ(n = 68)は独立した外部検証コホートを形成した。 提案するマルチモーダル情報融合ネットワークでは, モード固有エンコーダ, 双方向DCE-US灌流用ヘモダイナミック時間変化モジュール, トランスフォーマーベース核融合前の異種超音波表現を整合させる表現整合学習モジュールを用いた。 結果: DCE-USは, 臨床情報(0.6715+/-0.0156), CDFI(0.6435+/-0.0344), BUS(0.6087+/-0.0417)に対して, 受信機動作特性曲線(AUC: 0.8545+/-0.0198)が最も高い単一モダリティ領域を達成した。 画素差サンプリングと提案した時間モジュールは、代替サンプリングおよびビデオ表現法より優れていた。 AUCは0.8953+/-0.0180、精度は81.18%+/-2.83%、感度は86.40%+/-6.69%、特異度は78.14%+/-6.28である。 結論:HCCにおける多モード超音波と臨床情報の統合により,有望なMVI予測が可能となった。 DCE-USは予測情報の主源であり、BUS、CDFIおよび臨床情報は相補的価値を提供した。 提案手法は,術前のリスク階層化と個別化臨床意思決定を支援する。

関連論文リスト

• Vision Transformers for Preoperative CT-Based Prediction of Histopathologic Chemotherapy Response Score in High-Grade Serous Ovarian Carcinoma [5.924316400347799]
  本稿では,事前学習したビジョントランスフォーマーエンコーダを用いて,病変密度のオーメンタルスライスを処理する2.5D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。 ROC-AUCは95%の精度と80%の精度で得られた。 これらの予備的な結果は、HGSOCにおけるCRSの術前予測におけるトランスフォーマーベース深層学習の可能性を示している。
  論文  参考訳（メタデータ） (2026-04-10T10:33:07Z)
• 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)
• Neural Discrete Representation Learning for Sparse-View CBCT Reconstruction: From Algorithm Design to Prospective Multicenter Clinical Evaluation [64.42236775544579]
  コーンビームCT(CBCT)ガイド下穿刺は胸部腫瘍の診断・治療に確立されたアプローチとなっている。 DeepPriorCBCTは3段階のディープラーニングフレームワークであり、従来の放射線線量の6分の1しか使用せずに診断段階の再構築を実現する。
  論文  参考訳（メタデータ） (2025-11-30T12:45:02Z)
• 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)
• Multimodal Deep Learning for Phyllodes Tumor Classification from Ultrasound and Clinical Data [0.29981448312652675]
  Phyllodes tumors (PTs) は良性線維腺腫との放射線学的類似性から術前の分類が困難である。 乳房超音波(BUS)画像を構造化された臨床データと統合して診断精度を向上させる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。
  論文  参考訳（メタデータ） (2025-08-29T19:54:11Z)
• Pixels to Prognosis: Harmonized Multi-Region CT-Radiomics and Foundation-Model Signatures Across Multicentre NSCLC Data [3.6651189622079223]
  非小細胞肺癌(NSCLC)患者におけるハーモニゼーションと多領域機能統合は生存予測を改善する。 5施設876名のNSCLC患者のCTスキャンと臨床データを解析した。
  論文  参考訳（メタデータ） (2025-05-23T13:41:52Z)
• Analysis of the BraTS 2023 Intracranial Meningioma Segmentation Challenge [44.76736949127792]
  我々はBraTS 2023の頭蓋内髄膜腫チャレンジの設計と結果について述べる。 BraTS髄膜腫チャレンジ(BraTS Meningioma Challenge)は、髄膜腫に焦点を当てた以前のBraTSグリオーマチャレンジとは異なる。 上層部は腫瘍,腫瘍コア,腫瘍全体の拡張のために0.976,0.976,0.964の病変中央値類似係数(DSC)を有していた。
  論文  参考訳（メタデータ） (2024-05-16T03:23:57Z)
• Deep Orthogonal Fusion: Multimodal Prognostic Biomarker Discovery Integrating Radiology, Pathology, Genomic, and Clinical Data [0.32622301272834525]
  グリオーマ患者の生存率 (OS) を, 深層直交核融合モデルを用いて予測した。 このモデルは、MRI検査、生検に基づくモダリティ、臨床変数から得た情報を総合的なマルチモーダルリスクスコアに組み合わせることを学ぶ。 グリオーマ患者を臨床的サブセット内でOSにより明らかに層分けし、予後不良な臨床グレーディングと分子サブタイプにさらに粒度を付加する。
  論文  参考訳（メタデータ） (2021-07-01T17:59:01Z)
• Comparison of Machine Learning Classifiers to Predict Patient Survival and Genetics of GBM: Towards a Standardized Model for Clinical Implementation [44.02622933605018]
  放射線モデルは、グリオ芽腫(GBM)の結果予測のための臨床データを上回ることが示されています。 GBM患者の生存率(OS),IDH変異,O-6-メチルグアニン-DNA-メチルトランスフェラーゼ(MGMT)プロモーターメチル化,EGFR(EGFR)VII増幅,Ki-67発現の9種類の機械学習分類器を比較した。 xgb は os (74.5%), ab for idh 変異 (88%), mgmt メチル化 (71,7%), ki-67 発現 (86,6%), egfr増幅 (81。
  論文  参考訳（メタデータ） (2021-02-10T15:10:37Z)

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。