論文の概要: CaMeWM: A Causal Medical World Model for Generative Tumor Evolution and Treatment Planning
- arxiv url: http://arxiv.org/abs/2610.26923v1
- Date: Sat, 17 Oct 2026 11:53:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-21 21:58:47.397612
- Title: CaMeWM: A Causal Medical World Model for Generative Tumor Evolution and Treatment Planning
- Title（参考訳）: CaMeWM: 再生腫瘍の進化と治療計画のための因果医療世界モデル
- Abstract要約: 我々は,TACE後腫瘍の進展と治療計画を支援する因果医療世界モデルであるtextbfCaMeWMを紹介した。
CaMeWMは、3つの独立した予測タスクではなく、1つの介入対決定ループを実装している。
79回にわたって、CaMeWMは0.618 SSIMと0.528の変更マップSSIMを達成し、後続のCT遷移を行う。
- 参考スコア（独自算出の注目度）: 6.072893796582508
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Treatment planning is intrinsically counterfactual: clinicians must compare how a patient's tumor and survival would evolve under competing regimens, whereas a retrospective cohort records only the regimen received and one follow-up scan. A treatment-conditioned generator trained on such data can therefore reproduce historical treatment allocation rather than simulate the interventional disease dynamics needed to rank regimens. We introduce \textbf{CaMeWM}, a causal medical world model for supported post-TACE tumor evolution and treatment planning. CaMeWM implements one intervention-to-decision loop rather than three independent prediction tasks: it first admits a queried regimen only for clinically comparable histories with empirical treatment support; it then generates a distribution of lesion-local follow-up worlds through an action-conditioned response descriptor, deterministic anchor, and residual 3D diffusion transition; and it finally maps sampled worlds to restricted mean survival time (RMST) with a response-Cox utility model. Under pre-treatment adjustment and positivity, this loop estimates a prespecified, support-restricted g-formula target; all selection and nuisance estimation are fold-local, and the induced policy is evaluated by cross-fitted, censoring-adjusted doubly robust estimation. Across 79 paired out-of-fold episodes, CaMeWM achieves 0.618 SSIM and 0.528 change-map SSIM for follow-up CT transition, while its generated-world survival pathway attains a 0.615 C-index; factual-only AIPW estimates a 9.60-week RMST gain (95\% CI 0.61--18.13) for the frozen policy. CaMeWM provides an inspectable basis for retrospective, support-restricted treatment planning.
- Abstract（参考訳）: 臨床医は、患者の腫瘍と生存が競合する体制の下でどのように進化するかを比較する必要があるが、振り返りコホートは、プラトンの受取と1回のフォローアップスキャンのみを記録する。
したがって、そのようなデータに基づいて訓練された処理条件付きジェネレータは、レギュレータのランク付けに必要な介入疾患のダイナミクスをシミュレートするよりも、過去の処理割り当てを再現することができる。
本稿では,TACE後腫瘍の進展と治療計画を支援する因果医療世界モデルである \textbf{CaMeWM} を紹介する。
CaMeWMは、3つの独立した予測タスクではなく、1つの介入と決定のループを実装している。まず、経験的治療支援を伴う臨床に匹敵するヒストリーに対してのみクエリされたレギュレンを承認し、その後、アクション条件付き応答記述子、決定論的アンカー、残留3D拡散遷移を通じて病変局所的な後続世界の分布を生成し、最終的にサンプルされた世界を、応答-Coxユーティリティーモデルにより制限平均生存時間(RMST)にマッピングする。
事前処理の調整と肯定の下で、このループは、あらかじめ指定された、サポート制限されたg-formulaターゲットを推定し、すべての選択とニュアンス推定は、フォールドローカルであり、誘導ポリシーは、クロスフィット、検閲調整された二重ロバスト推定によって評価される。
79回にわたって、CaMeWMは後続CT遷移のために0.618のSSIMと0.528の変化マップSSIMを達成し、生成した世界の生存経路は0.615のCインデックスを達成している。
CaMeWMは、レトロスペクティブ、サポート制限付き治療計画の検査可能な基盤を提供する。
関連論文リスト
- Bayesian Causal Forests for Zero-Inflated Continuous Outcomes [7.1944134234931765]
既存の方法はゼロ質量を無視したり、脆弱なパラメトリック仮定を課したり、極端な計算コストやデータ拡張ノイズに悩まされる。
本稿では, デュアンスミアリング(ZIC-BCF-Smear)を用いた無膨潤連続ベイズカウサル林を提案する。
次に、SPECTRUMランダム化フェーズIII頭頸部がん臨床試験の参加者個人データに適用する。
論文 参考訳（メタデータ） (2026-10-08T15:39:46Z) - Intervention-Aware Clinical World Model for Post-Op Outcome Forecasting in Cardiology [8.701738697134955]
多くの臨床予測モデルは、介入後の結果をベースライン測定から将来のエンドポイントへの一段階のマッピングとして扱う。
本稿では,各患者に構造的潜在状態を示す介入型臨床世界モデルを提案し,時間順の介入後イベントを通じてそれを進化させる。
論文 参考訳（メタデータ） (2026-08-13T17:38:13Z) - ChronoMedicalWorld: A Medical World Model for Learning Patient Trajectories from Longitudinal Care Data [1.995753801570114]
縦断的ケアデータから患者の軌跡を学習するための行動条件付き潜在世界モデルフレームワークを提案する。
慢性腎疾患(CKD)における年間推定糸球体濾過率(eGFR)トラジェクトリー予測のためのCMWMのインスタンス化
CKD固有のアーキテクチャ、損失設計、トレーニングプロトコルは、構造的および会話的介入によってインターリーブされた定期的な臨床状態としてキャストできるあらゆる慢性状態に適用できる。
論文 参考訳（メタデータ） (2026-05-21T03:50:17Z) - Brain-WM: Brain Glioblastoma World Model [56.45393372490125]
我々は、次世代治療予測と将来のMRI生成を統一する先駆的なGBMワールドモデルであるBrain-WMを提案する。
Brain-WMは、潜在ダイナミクスを共有潜在空間に符号化し、関節自己回帰治療予測とフローベース将来のMRI生成を行う。
最終的にBrain-WMは、患者医療を最適化するための堅牢な臨床サンドボックスを提供する。
論文 参考訳（メタデータ） (2026-03-08T09:54:08Z) - Suppressing Prior-Comparison Hallucinations in Radiology Report Generation via Semantically Decoupled Latent Steering [94.37535002230504]
本研究では,Semantically Decoupled Latent Steeringと呼ばれる学習自由な推論時間制御フレームワークを開発した。
提案手法は,大言語モデル (LLM) による意味分解による意味のない介入ベクトルを構築する。
本手法は歴史的幻覚の可能性を著しく低下させることを示す。
論文 参考訳（メタデータ） (2026-02-27T04:49:01Z) - 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) - Temporal Representation Learning of Phenotype Trajectories for pCR Prediction in Breast Cancer [0.18744139400550597]
乳がん化学療法(NACT)を施行した症例において,画像データから治療反応の早期動態の表現を学習し,病理学的完全反応(pCR)を予測することを提案する。
乳房MRI(MRI)画像の経時的変化は、潜在空間の軌跡を形成し、応答の予測の基礎となる。
公開可能なISPY-2データセットの実験において、潜在軌道空間における線形分類器は、前処理データ(T0)と初期応答(T0+T1)と画像時間(0.861)のみを用いて0.761の平衡精度を達成する。
論文 参考訳（メタデータ） (2025-09-18T11:37:27Z) - 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) - Bayesian Semiparametric Model for Sequential Treatment Decisions with
Informative Timing [0.0]
動的処理則が生存に与える影響を推定するためのベイズ半パラメトリックモデルを開発した。
データは、第III相AAML1031臨床試験に登録された患者のサブセットから構成される。
論文 参考訳（メタデータ） (2022-11-29T17:17:26Z) - 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。