論文の概要: CoRe-WM: Conditioned Response-State World Modeling for Longitudinal Treatment-Response Prediction in Breast DCE-MRI

• arxiv url: http://arxiv.org/abs/2610.25333v1
• Date: Sun, 18 Oct 2026 15:25:09 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:22:23.788724
• Title: CoRe-WM: Conditioned Response-State World Modeling for Longitudinal Treatment-Response Prediction in Breast DCE-MRI
• Title（参考訳）: CoRe-WM: 乳腺DCE-MRIにおける経時的治療応答予測のための条件付き応答-状態世界モデリング
• Abstract要約: 新アジュバント化学療法後の病理学的完全反応(pCR)は乳癌の重要な予後指標である。 本研究では,観測シーケンスから次の画像状態を予測する潜在状態遷移モデルを学習する条件付き応答状態世界モデリング(CoRe-WM)を提案する。 CoRe-WMは、予測決定点毎に評価されたすべての方法の中で最も高い評価を達成し、堅牢なクロスコホート転送を示す。
• 参考スコア（独自算出の注目度）: 17.767597228382687
• License:
• Abstract: Pathologic complete response (pCR) after neoadjuvant chemotherapy is a key prognostic indicator in aggressive breast cancer, yet existing prediction approaches either rely on pretreatment imaging alone, missing the patient's evolving response, or optimize multi-visit classifiers under direct outcome supervision, coupling representation learning with the clinical endpoint. We formulate longitudinal pCR prediction as a world-modeling problem and propose Conditioned Response-state World Modeling (CoRe-WM), which learns a latent state-transition model that predicts the next imaging state from the observed sequence. The transition function is conditioned on patient clinical profile and assigned therapy through additive shift and feature-wise modulation, enabling patient- and treatment-specific dynamics. A Factorized Response State pathway further decouples treatment-response dynamics from imaging appearance by encoding the structural prior that response manifests primarily in lesion morphology. After pretraining, all parameters are frozen and a linear readout predicts pCR at each clinical decision point. We evaluate CoRe-WM on I-SPY2 under five-fold cross-validation and assess cross-cohort transfer on I-SPY1. CoRe-WM achieves the highest discrimination among all evaluated methods at every prospective decision point, and demonstrates robust cross-cohort transfer. Ablation studies identify patient-profile conditioning and the factorized response pathway as the principal contributors. These results establish world-model-based representation learning as a promising framework for outcome prediction in oncology and beyond.
• Abstract（参考訳）: 化学療法後の病理学的完全反応(pCR)は、攻撃的乳癌において重要な予後指標であるが、既存の予測手法は、前処置のみに頼っているか、患者の進行する反応を欠いているか、あるいは直接結果管理下の多視能分類器を最適化し、臨床エンドポイントと表現学習を結合させるかのいずれかである。 我々は, 時系列pCR予測を世界モデリング問題として定式化し, 観測シーケンスから次の画像状態を予測する潜時状態遷移モデルを学習する条件付き応答状態世界モデリング(CoRe-WM)を提案する。 移行機能は、患者の臨床プロファイルに条件付けされ、追加的なシフトと機能的調節により、患者特異的および治療特異的なダイナミクスを可能にする。 因子応答状態経路は、主に病変形態に現れる構造をコードすることで、画像の外観から治療応答ダイナミクスをさらに分離する。 事前トレーニング後、全てのパラメータは凍結され、線形読み出しは各臨床判定点においてpCRを予測する。 We evaluate CoRe-WM on I-SPY2 under five-fold cross-validation and evaluation cross-cohort transfer on I-SPY1。 CoRe-WMは、予測決定点毎に評価されたすべての方法の中で最も高い評価を達成し、堅牢なクロスコホート転送を示す。 アブレーション研究は、患者に特徴的な条件付けと因子化反応経路を主要なコントリビュータとして同定する。 これらの結果は,腫瘍学などにおける結果予測のフレームワークとして,世界モデルに基づく表現学習を確立している。

関連論文リスト

• PatientWM: Towards Generalizable Clinical World Models via Unified Patient States [43.610273057353204]
  我々は,統合患者状態と逐次潜伏歴に基づいて構築された臨床世界モデルフレームワークであるPatentWMを提案する。 患者WMは、各次の状態の予測を現在の状態に設定し、先行の潜伏患者状態と臨床行動の有界、秩序のある履歴と共に行動を提供した。 MIMIC-III、MIMIC-IV、および3つの外部臨床データセットにわたる実験は、臨床予測、多段階予測、行動計画評価において優れた性能を示した。
  論文  参考訳（メタデータ） (2026-10-12T16:26:46Z)
• 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)
• ClinRAG-GRAPH: Clinical-prior Retrieval-Augmented Graph Model with Domain Adversarial Learning for Breast pCR Prediction [27.661246388005384]
  ClinRAG-GRAPHは,pCR(pre-treatment pathological complete response)予測のためのフレームワークである。 ClinRAG-GRAPHは、患者内臨床・プライアグラフを構築し、構造化マルチモーダル表現学習のための事前ガイダンス付き関係対応グラフ畳み込みネットワークを適用した。 ClinRAG-GRAPHは内部テストセットで0.815、外部テストセットで0.774/0.712のAUCを達成し、センター全体で堅牢なpCR予測を実証している。
  論文  参考訳（メタデータ） (2026-07-01T11:28:01Z)
• From Static Risk to Dynamic Trajectories: Toward World-Model-Inspired Clinical Prediction [61.12883122613684]
  本稿では, 患者固有の縦断疾患の進展を推定し, 代替治療下での軌跡変化を評価するための, 臨床AIにおける介入認識型疾患軌跡モデリングに焦点をあてる。 3つの意思決定タスク(実測,反実推定,政策評価)と3つのデータ生成機構(障害発生, 治療課題, 観察過程)によって, 識別可能性を決定する。 本稿では,個別/連続時間にまたがる予測,反ファクト的軌跡,政策評価の統一的な枠組みを提案する。
  論文  参考訳（メタデータ） (2026-05-16T10:45:26Z)
• Multimodal Stepwise Clinically-Guided Attention Learning for Pathological Complete Response Prediction in Breast Cancer [4.6719795751452295]
  病理学的完全反応 (pCR) は, 乳がん患者にネオアジュバント療法を施行する鍵となる予後因子である。 乳房磁気共鳴画像(MRI)を用いたpCR予測のための臨床誘導型注意学習フレームワークを提案する。 このフレームワークは、異種MRIコホート間の外部検証によって評価される。
  論文  参考訳（メタデータ） (2026-05-08T10:34:27Z)
• ReMedi: Reasoner for Medical Clinical Prediction [70.84466325266068]
  EHRによる臨床結果予測を改善するためのフレームワークであるReMediを提案する。 ReMediは、複雑な臨床問題に対する挑戦的なサンプル再生機構を用いて有理応答対を生成する。 複数のEHR予測タスクの実験では、F1スコアで最先端のベースラインを19.9%上回った。
  論文  参考訳（メタデータ） (2026-05-02T14:44:49Z)
• CLARITY: Medical World Model for Guiding Treatment Decisions by Modeling Context-Aware Disease Trajectories in Latent Space [49.74032713886216]
  CLARITYは、構造化潜在空間内で直接疾患の進化を予測する医療世界モデルである。 時間間隔(時間的文脈)と患者固有のデータ(臨床的文脈)を明確に統合し、スムーズで解釈可能な軌跡として治療条件の進行をモデル化する。
  論文  参考訳（メタデータ） (2025-12-08T20:42:10Z)
• Medical World Model: Generative Simulation of Tumor Evolution for Treatment Planning [50.16114813279694]
  臨床診断に基づいて将来の疾患状態を視覚的に予測する医用世界モデル(MeWM)を紹介する。 MeWMは、(i)政策モデルとして機能する視覚言語モデルと、(ii)ダイナミックスモデルとして腫瘍生成モデルから構成される。 シミュレーション後腫瘍に対する生存解析を適用した逆ダイナミクスモデルを提案し,治療効果の評価と最適な臨床行動計画の選択を可能にした。
  論文  参考訳（メタデータ） (2025-06-02T23:50:40Z)
• ImmunoDiff: A Diffusion Model for Immunotherapy Response Prediction in Lung Cancer [10.797150801746957]
  非Small cell Lung Cancer (NSCLC) における免疫療法反応の正確な予測は, いまだに重要ではない。 既存の放射能と深層学習に基づく予測モデルは、主にカテゴリー的反応の結果を予測するための前処理画像に依存している。 本研究では,治療後CTスキャンをベースライン画像から合成し,臨床的に関係のある制約を取り入れた解剖学的拡散モデルであるImmuDiffを紹介する。
  論文  参考訳（メタデータ） (2025-05-29T17:19:40Z)
• 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)
• Estimating Counterfactual Treatment Outcomes over Time Through Adversarially Balanced Representations [114.16762407465427]
  時間とともに治療効果を推定するためにCRN(Counterfactual Recurrent Network)を導入する。 CRNは、患者履歴のバランスの取れた表現を構築するために、ドメイン敵のトレーニングを使用する。 本モデルでは, 正解率の予測と適切な治療時期の選択において, 誤差の低減を図っている。
  論文  参考訳（メタデータ） (2020-02-10T20:47:36Z)

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。