論文の概要: Tensor-based Fusion of Multi-modal Data for Predicting Cancer Risk Levels

• arxiv url: http://arxiv.org/abs/2610.13221v1
• Date: Fri, 09 Oct 2026 08:37:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:06:29.480987
• Title: Tensor-based Fusion of Multi-modal Data for Predicting Cancer Risk Levels
• Title（参考訳）: 腫瘍危険度予測のためのマルチモーダルデータのテンソルベース融合
• Abstract要約: 本稿では,がんリスク予測を改善するために,特徴抽出,テンソル分解,クラスタリングを統合した教師なし機械学習フレームワークを提案する。 このフレームワークは、32種類の癌で11,158人の患者からなるLinkedOmicsデータに基づいて検証されている。
• 参考スコア（独自算出の注目度）: 1.4864215337483795
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cancer diagnosis and treatment increasingly rely on multi-modal diagnostic technologies that generate high-dimensional datasets. Although these datasets are rich in pathological information, they pose considerable challenges in interpretation, dimensionality reduction, and clinical applicability. Conventional machine learning approaches often fail to extract meaningful cross-modal features, thereby limiting predictive accuracy in patient risk stratification. To address these limitations, this paper proposes an unsupervised machine learning framework that integrates feature extraction, tensor decomposition, and clustering to improve cancer risk prediction. The framework employs tensor decomposition to fuse heterogeneous genomic and clinical data, enabling the extraction of latent, biologically meaningful features that outperform unimodal feature sets. Multiple feature extraction strategies are investigated, and the resulting features are subsequently clustered using a range of clustering algorithms. Comparative evaluations based on internal and external metrics are then used to identify the most effective configurations. The framework is validated on LinkedOmics data comprising 11,158 patients across 32 cancer types. For patient risk stratification, clinically relevant attributes such as tumor purity, pathological stage, and survival outcomes serve as ground-truth indicators. Experimental results demonstrate the superiority of tSVD+GMM, which consistently outperforms other configurations across clinical benchmarks.
• Abstract（参考訳）: がんの診断と治療は、高次元データセットを生成するマルチモーダル診断技術にますます依存している。 これらのデータセットは病理情報に富んでいるが、解釈、次元減少、臨床応用にかなりの課題を生じさせる。 従来の機械学習アプローチでは、意味のあるクロスモーダルな特徴の抽出に失敗することが多く、患者リスク階層化の予測精度が制限される。 これらの制約に対処するために, 特徴抽出, テンソル分解, クラスタリングを統合した教師なし機械学習フレームワークを提案する。 このフレームワークはテンソル分解を利用して不均一なゲノムおよび臨床データを融合し、不定形特徴セットよりも優れた生物学的に有意義な潜在的特徴の抽出を可能にする。 複数の特徴抽出手法を調査し, 得られた特徴をクラスタリングアルゴリズムを用いてクラスタリングする。 内部および外部メトリクスに基づく比較評価は、最も効果的な構成を特定するために使用される。 このフレームワークは、32種類の癌で11,158人の患者からなるLinkedOmicsデータに基づいて検証されている。 患者リスクの成層化については、腫瘍の純度、病理段階、生存率などの臨床的に関係のある属性が地味な指標として機能する。 実験結果から, tSVD+GMMが臨床ベンチマークにおいて常に他の構成よりも優れていたことが示唆された。

関連論文リスト

• Dementia Etiology Diagnosis via Collaborative Meta Knowledge Enhancement [81.27196033392559]
  認知症発症診断のための協調的メタ知識向上(COME)フレームワークを提案する。 COMEは、マルチセンタ取得セマンティクス、ソース識別子、モダリティインジケータを異種性を認識した埋め込みとして、スケールアップトレーニングのためにTransformerアーキテクチャに注入する。 本手法は,平均マクロ平均AUCが85.62%,最強ベースラインが4.29ポイント向上し,最先端のドメイン性能を実現する。
  論文  参考訳（メタデータ） (2026-07-24T04:26:47Z)
• Improving Cardiac Risk Prediction Using Data Generation Techniques [37.94487163156369]
  本研究は,実世界の観測と整合したリアルな臨床記録の合成のためのアーキテクチャを提案する。 主な目的は、心的リスク予測モデルの性能を高めるため、利用可能なデータセットのサイズと多様性を高めることである。
  論文  参考訳（メタデータ） (2025-12-19T10:17:00Z)
• Deep Survival Analysis in Multimodal Medical Data: A Parametric and Probabilistic Approach with Competing Risks [47.19194118883552]
  単一リスクシナリオと競合リスクシナリオの両方をモデル化可能な生存分析のための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。 生存予測のための新しいディープラーニングアーキテクチャであるSAMVAE(Survival Analysis Multimodal Variational Autoencoder)を提案する。
  論文  参考訳（メタデータ） (2025-07-10T14:29:48Z)
• Unsupervised risk factor identification across cancer types and data modalities via explainable artificial intelligence [0.0]
  本稿では,患者クラスタ間の生存不均一性を直接最適化する,教師なし機械学習の新しい手法を提案する。 当社のアプローチは,任意のデータモダリティに基づいてニューラルネットワークアーキテクチャをトレーニングし,予後の異なる患者グループを特定するための新しい手法である。 このパン・カンサー・モデルに依存しないアプローチは、臨床リスク層化の貴重な進展を示す。
  論文  参考訳（メタデータ） (2025-06-15T19:11:10Z)
• Penalized Deep Partially Linear Cox Models with Application to CT Scans of Lung Cancer Patients [42.09584755334577]
  肺がんは世界中のがん死亡の原因であり、効果的な治療法を設計するための死亡リスクを理解することの重要性を強調している。 NLST(National Lung Screening Trial)は、肺がん患者の死亡リスクを定量化するために、CTテクスチャ解析を用いている。 本稿では,SCADペナルティを組み込んで重要なテクスチャ特徴を抽出し,深層ニューラルネットワークを用いてモデルの非パラメトリック成分を推定する,Pentalized Deep partially Linear Cox Model (Penalized DPLC)を提案する。
  論文  参考訳（メタデータ） (2023-03-09T15:38:16Z)
• From Isolation to Collaboration: Federated Class-Heterogeneous Learning for Chest X-Ray Classification [4.0907576027258985]
  フェデレートラーニングは,グローバル胸部X線分類モデル(CXR)を協調的にトレーニングするための,有望なパラダイムである。 本研究では,選択的アグリゲーションを用いてグローバルモデルの協調学習を行うFL法である外科的アグリゲーションを提案する。 その結果,本手法は現在の手法よりも優れ,一般化性が高いことがわかった。
  論文  参考訳（メタデータ） (2023-01-17T03:53:29Z)
• Adaptive unsupervised learning with enhanced feature representation for intra-tumor partitioning and survival prediction for glioblastoma [12.36330256366686]
  そこで本研究では, 腫瘍内パーティショニングとグリオ芽腫生存予測のための適応型非教師なし学習手法を提案する。 新規かつ問題特異的な自動エンコーダ(FAE)を開発した。 以上の結果から, 提案手法は, 堅牢で臨床的に関連のあるMRIサブリージョンと, 統計的に有意な生存予測をもたらすことが示唆された。
  論文  参考訳（メタデータ） (2021-08-21T02:47:59Z)

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。