論文の概要: Mammo-LIFE: Longitudinal Mammographic Imaging and Clinical Feature Enrichment for Post-Radiotherapy Outcome Prediction

• arxiv url: http://arxiv.org/abs/2609.26443v1
• Date: Tue, 22 Sep 2026 14:04:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-24 01:05:39.680726
• Title: Mammo-LIFE: Longitudinal Mammographic Imaging and Clinical Feature Enrichment for Post-Radiotherapy Outcome Prediction
• Title（参考訳）: Mammo-LIFE : 放射線治療後の予後予測のための縦断的マンモグラフィーと臨床像の充実
• Abstract要約: Mammo-LIFEは放射線治療後の予後予測のための患者レベルのマルチモーダルフレームワークである。 縦断的マンモグラフィの特徴と患者レベルの臨床変数を組み合わせる。
• 参考スコア（独自算出の注目度）: 5.937772537741853
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advances in Artificial Intelligence (AI)-powered Computer-Aided Diagnosis (CAD) systems have substantially improved breast cancer screening, diagnosis, and prognosis. Comparatively, postradiotherapy outcome prediction using paired longitudinal mammograms has received considerably less attention. This is largely due to the limited availability of well-annotated longitudinal datasets. Longitudinal mammograms, coupled with paired pre- and post-treatment information, provide a unique opportunity to characterize treatment-induced breast tissue changes following radiotherapy. The resulting learned representations can serve as a valuable asset for advancing personalized radiotherapy planning and post-treatment management. In this context, we propose Mammo-LIFE, a patient-level multimodal framework for post-radiotherapy outcome prediction that combines longitudinal mammographic features with patient-level clinical variables. The imaging branch processes paired pre- and post-treatment mammograms acquired from the four standard views using a mammography-specific encoder adapted via Low-Rank Adaptation (LoRA). Within each view, preand post-treatment representations are explicitly compared through a longitudinal comparison module to capture treatment-related changes. The resulting view-level embeddings are then aggregated using learned view-attention pooling to form a unified patient-level mammographic representation. Selected clinical variables are subsequently combined with the image-derived prediction probability through a late-fusion strategy. To evaluate the effectiveness of combining paired longitudinal mammograms with clinical information, experiments were conducted on an in-house clinical cohort using patient-level stratified five-fold cross-validation.
• Abstract（参考訳）: 人工知能(AI)を利用したコンピュータ支援診断(CAD)システムの最近の進歩は、乳がん検診、診断、予後を著しく改善している。 対長マンモグラフィーを用いた放射線治療後の予後予測は,比較的少ない注意を払っている。 これは、よく注釈付けされた縦長データセットの可用性が限られているためである。 縦隔マンモグラフィーは放射線治療後の乳房組織の変化を特徴づけるユニークな機会となる。 その結果得られた表現は、パーソナライズされた放射線治療計画と治療後の管理を進めるための貴重な資産として機能する。 本研究では, 放射線治療後予後予測のための患者レベルのマルチモーダルフレームワークであるMammo-LIFEを提案する。 イメージングブランチは、ローランド適応(LoRA)により適応されたマンモグラフィー特異的エンコーダを用いて、4つの標準ビューから取得した前処理および後処理のマンモグラフィーをペア処理する。 各ビュー内では、前処理後表現と後処理後表現を縦比較モジュールを通して明示的に比較し、治療関連の変化をキャプチャする。 得られたビューレベルの埋め込みは、学習されたビューアテンションプールを使用して集約され、統一された患者レベルのマンモグラフィー表現を形成する。 選択された臨床変数は、遅延融合戦略により画像由来の予測確率と結合される。 臨床情報と組み合わせた長手マンモグラムの有効性を評価するため, 患者レベル5倍クロスバリデーションを用いた社内臨床コホートを用いて実験を行った。

関連論文リスト

• CT-CLIP Representations for Multimodal Lung Cancer Survival Prediction [6.141870006905838]
  本研究では,データ制約のある臨床環境において,ドメイン固有基盤モデルからの表現をマルチモーダル生存予測に利用できるかを評価する。 肺がん診断242例のCT-CLIPを前処理CT画像の特徴抽出装置として評価した。
  論文  参考訳（メタデータ） (2026-07-09T14:00:14Z)
• Graph Representation Learning of Longitudinal Medical Imaging Trajectories for Treatment Response Prediction [2.9823166626381212]
  乳癌患者では, 長期予後の指標として, 病理学的完全反応 (pCR) が確立されている。 本稿では,最先端のニューラルグラフと時間的モデリングを統合した,治療応答予測のための画像ベースの3次元時間的フレームワークを提案する。 NACT誘発pCRの予測に臨床的に有意な縦断的医療画像モデリングの有用性について検討した。
  論文  参考訳（メタデータ） (2026-07-06T10:39:14Z)
• Radiology Report Generation Using Transformers Conditioned with Non-imaging Data [55.17268696112258]
  本稿では,胸部X線画像と関連する患者の人口統計情報を統合したマルチモーダルトランスフォーマーネットワークを提案する。 提案ネットワークは、畳み込みニューラルネットワークを用いて、CXRから視覚的特徴を抽出し、その視覚的特徴と患者の人口統計情報のセマンティックテキスト埋め込みを組み合わせたトランスフォーマーベースのエンコーダデコーダネットワークである。
  論文  参考訳（メタデータ） (2023-11-18T14:52:26Z)
• Beyond Images: An Integrative Multi-modal Approach to Chest X-Ray Report Generation [47.250147322130545]
  画像からテキストまでの放射線学レポート生成は,医療画像の発見を記述した放射線学レポートを自動生成することを目的としている。 既存の方法の多くは画像データのみに焦点をあてており、他の患者情報は放射線科医に公開されていない。 胸部X線レポートを生成するための多モードディープニューラルネットワークフレームワークを,非構造的臨床ノートとともにバイタルサインや症状などの構造化された患者データを統合することで提案する。
  論文  参考訳（メタデータ） (2023-11-18T14:37:53Z)
• Graph-based multimodal multi-lesion DLBCL treatment response prediction from PET images [0.0]
  診断後, 標準フロントライン治療における非対応患者数(30～40%)は依然として顕著である。 本研究は,適応治療を必要とする高リスク患者を特定するためのコンピュータ支援アプローチを開発することを目的とする。 複数の病変からのイメージング情報を組み合わせた最近のグラフニューラルネットワークに基づく手法を提案する。
  論文  参考訳（メタデータ） (2023-10-25T08:16:45Z)
• Metastatic Cancer Outcome Prediction with Injective Multiple Instance Pooling [1.0965065178451103]
  我々は2つの公開データセットを処理し、転移性癌の予後予測を研究するために合計341人のベンチマークコホートを設定した。 結果予測に適した2つのインジェクティブ複数インスタンスプーリング関数を提案する。 本研究は, 肺がん非小細胞癌における複数症例の学習が, 頭頸部CT結果予測ベンチマークの課題において, 最先端のパフォーマンスを達成できることを示唆するものである。
  論文  参考訳（メタデータ） (2022-03-09T16:58:03Z)
• Act Like a Radiologist: Towards Reliable Multi-view Correspondence Reasoning for Mammogram Mass Detection [49.14070210387509]
  マンモグラム質量検出のための解剖学的グラフ畳み込みネットワーク(AGN)を提案する。 AGNはマンモグラムの質量検出用に調整されており、既存の検出手法を多視点推論能力で実現している。 2つの標準ベンチマークの実験によると、AGNは最先端のパフォーマンスを大幅に上回っている。
  論文  参考訳（メタデータ） (2021-05-21T06:48:34Z)
• Malignancy Prediction and Lesion Identification from Clinical Dermatological Images [65.1629311281062]
  臨床皮膚画像から機械学習に基づく悪性度予測と病変の同定を検討する。 まず, サブタイプや悪性度に関わらず画像に存在するすべての病変を同定し, その悪性度を推定し, 凝集により, 画像レベルの悪性度も生成する。
  論文  参考訳（メタデータ） (2021-04-02T20:52:05Z)
• A Machine Learning Challenge for Prognostic Modelling in Head and Neck Cancer Using Multi-modal Data [0.10651507097431492]
  我々は,頭頸部癌における生存予測の精度向上を目的として,機関的機械学習挑戦を行った。 画像と臨床データを用いて,12種類の提出物を別々に,あるいは組み合わせて比較した。 勝利アプローチは臨床データと腫瘍容積の非線形マルチタスク学習を用い、2年間の生存予測において高い予後精度を達成した。
  論文  参考訳（メタデータ） (2021-01-28T11:20:34Z)
• Explaining Clinical Decision Support Systems in Medical Imaging using Cycle-Consistent Activation Maximization [112.2628296775395]
  ディープニューラルネットワークを用いた臨床意思決定支援は、着実に関心が高まりつつあるトピックとなっている。 臨床医は、その根底にある意思決定プロセスが不透明で理解しにくいため、この技術の採用をためらうことが多い。 そこで我々は,より小さなデータセットであっても,分類器決定の高品質な可視化を生成するCycleGANアクティベーションに基づく,新たな意思決定手法を提案する。
  論文  参考訳（メタデータ） (2020-10-09T14:39:27Z)
• 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。