論文の概要: A Multimodal Dataset for Survival Prediction in Resected Pancreatic Ductal Adenocarcinoma

• arxiv url: http://arxiv.org/abs/2609.29726v1
• Date: Thu, 24 Sep 2026 12:41:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 21:10:09.931643
• Title: A Multimodal Dataset for Survival Prediction in Resected Pancreatic Ductal Adenocarcinoma
• Title（参考訳）: 切除膵管腺癌の生存予測のためのマルチモーダルデータセット
• Abstract要約: 本データセットは,446枚の全スライディング画像,臨床病理学的変数,154名の患者を対象としたシークエンシングデータ,および総合生存成績からなる。 経過観察中253例が死亡し, 中央値は76カ月であった。 これらの結果は、この膵臓特異的なマルチモーダルデータセットを用いた将来の研究のための有望な初期ベンチマークを確立する。
• 参考スコア（独自算出の注目度）: 27.237512910593807
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Survival research in pancreatic ductal adenocarcinoma (PDAC) is limited by the scarcity of datasets linking whole-slide histology with clinical, molecular, and long-term outcome data. We present a retrospective single-centre cohort of 302 patients who underwent PDAC resection at University Medical Center Gottingen. The dataset comprises 446 H&E whole-slide images, clinicopathological variables, targeted sequencing data for 154 patients, and overall-survival outcomes. During follow-up, 253 patients died, and the median follow-up was 76 months. To establish initial reference values, we evaluated fourteen survival-prediction configurations using identical five-repetition Monte Carlo cross-validation partitions. Ridge Cox regression using numeric clinicopathological variables achieved a mean concordance of $0.649 \pm 0.042$ and $0.652 \pm 0.046$ after adding KRAS and TP53 mutation status. The image-only attention model achieved $0.603 \pm 0.030$, while multimodal fusion achieved $0.619 \pm 0.025$, the highest concordance among the neural models. These results establish promising initial benchmarks for future research using this pancreas-specific multimodal dataset, paving the way for external validation.
• Abstract（参考訳）: 膵管腺癌(PDAC)の生存研究は,スライディング組織学と臨床,分子学的および長期成績データを結びつけるデータセットの不足によって制限されている。 当科におけるPDAC手術を施行した302例の振り返りシングルセンターコホートを報告する。 このデータセットは446個のH&E画像、臨床病理学的変数、154人の患者を対象としたシークエンシングデータ、および総合的生存結果からなる。 経過観察中253例が死亡し, 中央値は76カ月であった。 初回基準値を確立するため,同一の5繰り返しモンテカルロクロスバリデーションパーティションを用いて,14個の生存予測構成を評価した。 数値的臨床病理学的変数を用いたリッジコックス回帰は、KRASおよびTP53変異を付加した後、0.649 \pm 0.042$と0.652 \pm 0.046$の平均一致を達成した。 画像のみの注意モデルは0.603 \pm 0.030$を達成し、マルチモーダル融合は0.619 \pm 0.025$を達成した。 これらの結果は、この膵臓特異的なマルチモーダルデータセットを用いた将来の研究のための有望な初期ベンチマークを確立し、外部検証の道を開いた。

関連論文リスト

• CHIMERA Challenge: Biochemical Recurrence Prediction in Prostate Cancer Patients using multimodal datasets [1.4186847785236487]
  CHIMERAは、前立腺癌予後のための最初の、標準化されたマルチモーダルベンチマークである。 データセットは801個のMRIシークエンス、13個の臨床変数、942個のWSIからなる。
  論文  参考訳（メタデータ） (2026-08-21T15:23:06Z)
• Multimodal Machine Learning for Early Prediction of Metastasis in a Swedish Multi-Cancer Cohort [1.5829605001132387]
  マルチモーダル機械学習(Multimodal Machine Learning)は、患者の状態の全体像を提供し、電子的健康記録から構造化データと非構造化データを統合する。 EHRデータから6カ月の経過を経過観察し,診断の1ヶ月前に転移リスクを予測する枠組みを提案する。
  論文  参考訳（メタデータ） (2026-03-31T14:27:21Z)
• 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)
• Machine learning-based multimodal prognostic models integrating pathology images and high-throughput omic data for overall survival prediction in cancer: a systematic review [0.59374762912328]
  病理組織学と分子データを統合するマルチモーダル機械学習は、がんの予後を保証している。 我々は,全スライド画像(WSI)と高スループットオミクスを組み合わせて,全体の生存率を予測する研究を体系的に検討した。 全ての研究は、不明瞭/高い偏見、外部検証の制限、臨床的有用性にはほとんど焦点が当てられなかった。
  論文  参考訳（メタデータ） (2025-07-22T11:02:51Z)
• 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)
• Pathology-and-genomics Multimodal Transformer for Survival Outcome Prediction [43.1748594898772]
  大腸癌生存予測に病理学とゲノム学的知見を統合したマルチモーダルトランスフォーマー(PathOmics)を提案する。 ギガピクセル全スライド画像における組織ミクロ環境間の内在的相互作用を捉えるための教師なし事前訓練を強調した。 我々は,TCGA大腸癌と直腸癌コホートの両方に対するアプローチを評価し,提案手法は競争力があり,最先端の研究より優れていることを示す。
  論文  参考訳（メタデータ） (2023-07-22T00:59:26Z)
• Joint nnU-Net and Radiomics Approaches for Segmentation and Prognosis of Head and Neck Cancers with PET/CT images [6.361835964390572]
  3D nnU-Netアーキテクチャは原発性腫瘍とリンパ節の自動分節に同期的に採用された。 従来の放射能の特徴のみを含む3つの予後モデルが構築された。 セグメンテーションと予後タスクの評価指標としてDice scoreとC-indexが用いられた。
  論文  参考訳（メタデータ） (2022-11-18T10:31:26Z)
• TotalSegmentator: robust segmentation of 104 anatomical structures in CT images [48.50994220135258]
  身体CT画像の深層学習セグメント化モデルを提案する。 このモデルは、臓器の容積、疾患の特徴、外科的または放射線療法計画などのユースケースに関連する104の解剖学的構造を区分することができる。
  論文  参考訳（メタデータ） (2022-08-11T15:16:40Z)
• CT-based COVID-19 Triage: Deep Multitask Learning Improves Joint Identification and Severity Quantification [45.86448200141968]
  感染リスクのある患者をできるだけ早期に分離する研究を優先するための新型コロナウイルスの同定、重度定量化、重篤な患者の研究の強調、病院への誘導、救急医療の提供の2つの基本的な設定について述べる。 両トリアージアプローチを統合するマルチタスクアプローチを提案し、利用可能なラベルを1つのモデルにまとめる畳み込みニューラルネットワークを提案する。 我々は約2000件の公開CT研究をトレーニングし、32件のCOVID-19研究、30件の細菌性肺炎、31件の健常患者、および30件の肺病理患者からなる慎重に設計したセットを用いて、典型的な患者の血流をエミュレートする。
  論文  参考訳（メタデータ） (2020-06-02T08:05:06Z)
• Co-Heterogeneous and Adaptive Segmentation from Multi-Source and Multi-Phase CT Imaging Data: A Study on Pathological Liver and Lesion Segmentation [48.504790189796836]
  我々は,新しいセグメンテーション戦略,コヘテロジネティック・アダプティブセグメンテーション(CHASe)を提案する。 本稿では,外見に基づく半スーパービジョン,マスクに基づく対向ドメイン適応,擬似ラベルを融合した多目的フレームワークを提案する。 CHASeは4.2% sim 9.4%$の範囲で、病理的な肝臓マスクDice-Sorensen係数をさらに改善することができる。
  論文  参考訳（メタデータ） (2020-05-27T06:58:39Z)

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。