論文の概要: A Leakage-Aware Multimodal Evaluation Framework for Early Intraoperative Acute Kidney Injury Prediction
- arxiv url: http://arxiv.org/abs/2609.26848v1
- Date: Tue, 22 Sep 2026 07:22:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-25 00:05:17.698332
- Title: A Leakage-Aware Multimodal Evaluation Framework for Early Intraoperative Acute Kidney Injury Prediction
- Title（参考訳）: 早期急性腎損傷予測のための漏洩型マルチモーダル評価フレームワーク
- Abstract要約: 術後急性腎障害 (AKI) は非心臓手術後に発症し, 予後は良好であった。
AKIリスク予測のための早期の術中生理的軌跡を符号化した波形のみの複合側頭骨であるSynerTを提案する。
SynerTをベースとした2つのモデル変異体を設計し,臨床コンテキストを構造化した背骨を拡張した。
- 参考スコア（独自算出の注目度）: 6.732260805900528
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Postoperative acute kidney injury (AKI) after major non-cardiac surgery carries substantial morbidity, yet early intraoperative risk stratification remains difficult. In this retrospective cohort study, we propose SynerT, a waveform-only hybrid temporal backbone that combines a causal dilated TCN with a hierarchy of dilated recurrent layers to encode early intraoperative physiologic trajectories for AKI risk prediction. Building on SynerT, we further design two model variants that extend the backbone with structured clinical context: SynerT-MM, a late-fusion multimodal extension that integrates hemodynamic burden summaries and preoperative covariates, and SynerTStack, a leakage-safe stacked ensemble that combines cross-validated predictions from SynerT-MM with strong tabular baselines at the meta-learning stage. All models are evaluated under a strict leakage-aware framework on VitalDB, a high-fidelity perioperative database, with prediction restricted to information available within the first 60 intraoperative minutes. Among 2,413 waveform-usable cases (180 AKI-positive; 7.46% prevalence), SynerT fell well below strong structured-data baselines, demonstrating that waveform-only temporal modeling is insufficient under strict early constraints. SynerTMM recovered discrimination by incorporating hemodynamic burden summaries and preoperative covariates, and SynerT-Stack achieved the best overall performance across AUROC, AUPRC, and F1-max. Cross-fitted Platt recalibration substantially corrected calibration defects in both multimodal variants, and decision-curve analysis confirmed the recalibrated stacked model delivered the strongest net clinical benefit across low-to-intermediate thresholds.
- Abstract（参考訳）: 非心臓手術後の術後急性腎障害 (AKI) は致命的な致死性を有するが, 早期の術中リスク階層化は依然として困難である。
本研究の振り返りコホート研究では,AKIリスク予測のための早期の術中生理的軌跡を符号化するために,因果拡張TCNと拡張反復層の階層を結合した波形のみの複合側頭骨であるSynerTを提案する。
SynerT-MMは血行動態の重み付けと術前の共変量を統合したレイトフュージョン・マルチモーダル拡張であり,SynerTStackはメタラーニング段階において,SynerT-MMのクロスバリデード予測と強力な表層ベースラインを組み合わせたリークセーフなスタック型アンサンブルである。
すべてのモデルは、高忠実度周術期データベースであるVitalDB上の厳密な漏洩認識フレームワークで評価され、最初の60分間で利用可能な情報に制限される。
2,413件(AKI陽性180件、7.46%)のうち、SynerTは強い構造化データベースラインをはるかに下回っており、波形のみの時間モデリングは厳密な初期制約下では不十分であることを示した。
SynerTMMは血行性負荷サマリーと術前共変体を併用することにより識別を回復し、SynerT-StackはAUROC, AUPRC, F1-maxで最高の性能を示した。
クロスフィットプラッツ再校正は両変種における校正欠陥を著しく補正し, 判定曲線解析により, 再校正された積み重ねモデルが低中間閾値で最強の臨床効果を得られたことを確認した。
関連論文リスト
- Modeling Clinical Workflow for SYNTAX Scoring from Coronary Angiography Videos [73.50200033931148]
我々はSynTAXスコアを血管セグメントのアイデンティティ保存解剖学的推論問題として再構成する。
本手法は, 骨・骨・骨・骨・骨の骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨
論文 参考訳（メタデータ） (2026-09-20T11:08:19Z) - Large-Small Model Collaboration for Zero-Shot Surgical Phase Recognition [45.191945465591374]
外科的位相認識のためのタスク固有の軽量モデルは、時間的ダイナミクスを捉えるのに優れているが、ドメインシフト下での一般化は不十分である。
textbfLarge-textbfSmall textbfTemporal adaptation (textbfLaST)を提案する。
論文 参考訳（メタデータ） (2026-08-24T07:06:52Z) - MultiSigBERT: Beyond Survival Analysis through Multimodal and Sequential Modeling in Oncology [1.4526244723917887]
オンコロジーにおける逐次生存モデリングのための統合フレームワークであるMultiSigBERTを提案する。
ここでは、文脈的単語の埋め込みを抽出し平均化することにより、物語医療報告を文幾何学的埋め込みに変換する。
これらの表現は、モダリティ固有のPCAと幾何学的埋め込みによって圧縮され、関節側方軌道を形成する。
計算されたシグナチャ特徴は、最終的に高次元の特徴としてLASSO正規化コックスモデルに組み込まれ、個別化リスクスコアを推定する。
論文 参考訳（メタデータ） (2026-08-17T12:44:38Z) - Causal-Transformer with Adaptive Mutation-Locking for Early Prediction of Acute Kidney Injury [24.453881669473137]
既存のディープラーニングモデルは、不規則にサンプリングされたデータを扱う。
本稿では,連続時間モデリングをCausal-Transformerと統合したCT-Formerを提案する。
我々はCT-Formerが最先端のベースラインを大きく上回ることを示す。
論文 参考訳（メタデータ） (2026-04-22T07:08:25Z) - Architecture-Agnostic Modality-Isolated Gated Fusion for Robust Multi-Modal Prostate MRI Segmentation [0.0]
多重化前立腺MRIは、T2パラメトリック(T2W)、見かけ拡散係数(ADC)、高b値拡散強調(HBV)配列を組み合わせる。
実際には、拡散配列は、T2Wよりも、取得のばらつき、動き、アーティファクトの影響を受けることが多い。
我々は、学習ゲーティングステージの前に、個別のモダリティ固有の符号化ストリームを維持するために、Modality-Isolated Gated Fusion (MIGF)を提案する。
論文 参考訳（メタデータ） (2026-04-12T15:54:21Z) - PRIME: Prototype-Driven Multimodal Pretraining for Cancer Prognosis with Missing Modalities [86.63247982275396]
PRIMEは、欠落を認識したマルチモーダルな自己教師型事前トレーニングフレームワークである。
部分的に観察されたコホートから頑健で伝達可能な表現を学ぶ。
The Cancer Genome AtlasのPRIMEを32種類の癌に対してラベルフリープレトレーニングで評価した。
論文 参考訳（メタデータ） (2026-04-05T21:14:27Z) - MedAD-R1: Eliciting Consistent Reasoning in Interpretible Medical Anomaly Detection via Consistency-Reinforced Policy Optimization [46.65200216642429]
我々はMedADの最初の大規模マルチモーダル・マルチセンタベンチマークであるMedAD-38Kを紹介し、構造化された視覚質問応答(VQA)ペアとともに、CoT(Chain-of-Thought)アノテーションを特徴付ける。
提案するモデルであるMedAD-R1は、MedAD-38Kベンチマーク上での最先端(SOTA)性能を実現し、強いベースラインを10%以上上回った。
論文 参考訳（メタデータ） (2026-02-01T07:56:10Z) - 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) - Integrating Pathology and CT Imaging for Personalized Recurrence Risk Prediction in Renal Cancer [3.928620610295438]
本研究は,術前CTと術後病理組織像(WSI)を統合したマルチモーダル再発予測法について検討した。
事前訓練されたエンコーダとCoxベースのサバイバルモデリングを備えたモジュール型ディープラーニングフレームワークが、単調、後期核融合、中間核融合のセットアップでテストされた。
WSIベースのモデルは、CTのみのモデルよりも一貫して優れており、病理の予後の強さが強調されている。
論文 参考訳（メタデータ） (2025-08-29T12:34:29Z) - Confidence-guided Lesion Mask-based Simultaneous Synthesis of Anatomic
and Molecular MR Images in Patients with Post-treatment Malignant Gliomas [65.64363834322333]
信頼性ガイドSAMR(CG-SAMR)は、病変情報からマルチモーダル解剖学的配列にデータを合成する。
モジュールは中間結果に対する信頼度測定に基づいて合成をガイドする。
実際の臨床データを用いた実験により,提案モデルが最先端の合成法よりも優れた性能を発揮することが示された。
論文 参考訳（メタデータ） (2020-08-06T20:20:22Z)
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。