論文の概要: TopoHyperClinicalGraph: A Geometry and Topology-Aware Multimodal Framework for Cancer Survival Prediction
- arxiv url: http://arxiv.org/abs/2610.41556v1
- Date: Fri, 30 Oct 2026 10:51:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-02 22:05:31.685388
- Title: TopoHyperClinicalGraph: A Geometry and Topology-Aware Multimodal Framework for Cancer Survival Prediction
- Title（参考訳）: TopoHyperClinicalGraph: がん生存予測のための幾何学とトポロジーを考慮したマルチモーダルフレームワーク
- Abstract要約: TopoHyperClinicalGraphは、癌生存予測のための双曲組織形状、持続的トポロジー、臨床グラフ学習を組み合わせたフレームワークである。
TCGA, CPTACコホート8例, 2,364例を対象に5倍の患者レベル評価を行った。
- 参考スコア（独自算出の注目度）: 1.1458853556386799
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We developed TopoHyperClinicalGraph, a multimodal framework combining hyperbolic tissue geometry, persistent topology and clinical graph learning for cancer survival prediction. Pre-extracted UNI2-h features are reduced from 1,536 to 1,024 dimensions using training-fold PCA. A pathology backbone combines hyperbolic neighborhoods with Lorentz-centroid attention pooling. Once frozen, its survival logits are adjusted using persistence descriptors from up to 64 landmarks per slide and sampling controls. A five-node clinical graph then learns a further correction from age, sex, stage, T and N. Five-fold patient-level evaluation covered eight TCGA and CPTAC cohorts with 2,364 patients. Mean validation-selected C-indices for TopoHyperClinicalGraph versus pathology-only spatial PatchGCN were 0.7563 versus 0.7386 in COADREAD, 0.6220 versus 0.5998 in HNSC, 0.6755 versus 0.6535 in BRCA and 0.6409 versus 0.6176 in STAD. CPTAC scores were 0.5984 in HNSC, 0.6060 in PDA, 0.8055 in CCRCC and 0.7192 in LUAD. CPTAC-HNSC used TCGA-initialized adaptation; other CPTAC backbones were trained within their cohorts. Geometry accounted for most pathology-only gains, with smaller persistence effects. Clinical graph fusion exceeded its matched node-wise control in five cohorts, tied in one and scored lower in two; clinical-only prediction exceeded fusion in three CPTAC cohorts. The framework supports separate evaluation of geometric, topological and clinical contributions. All scores were validation-selected; independent testing is needed to establish generalizability.
- Abstract（参考訳）: TopoHyperClinicalGraphは,腫瘍生存予測のための多モーダルフレームワークである。
事前抽出されたUNI2-h特徴は、トレーニングフォールドPCAを用いて1,536から1,024次元に縮小される。
病理学的バックボーンは、双曲型近傍とローレンツ中心型アテンションプールを組み合わせたものである。
凍結すると、サバイバルログは、スライド毎に最大64のランドマークとサンプリングコントロールから永続ディスクリプタを使用して調整される。
さらに, 年齢, 性別, 年齢, 年齢, 年齢, 年齢, 年齢, 年齢から, 年齢, 年齢, 年齢, 年齢, 年齢を5倍に補正した。
TopoHyperClinicalGraphと病理のみの空間的PatchGCNの平均C指標はCOADREADで0.7563対0.7386、HNSCで0.6220対0.5998、BRCAで0.6755対0.6535、STADで0.6409対0.6176であった。
CPTACスコアはHNSC 0.5984、PDA 0.6060、CRCC 0.8055、LUAD 0.7192である。
CPTAC-HNSCはTCGA初期適応を使用し、他のCPTACバックボーンはコホート内で訓練された。
幾何学は、ほとんどの病理学のみの利得を考慮し、持続的効果は小さい。
臨床グラフの融合は5つのコホートにおいて一致したノード単位の制御を上回り,1つに結束し2つに低下した。
このフレームワークは、幾何学的、位相的、臨床的貢献の別々な評価をサポートする。
すべてのスコアはバリデーション選択され、一般化性を確立するには独立したテストが必要である。
関連論文リスト
- CAPTOR: a vision-language foundation model for Chest-Abdomen-Pelvis Oncologic CT [33.82588336753218]
我々は,腫瘍性胸腔鏡(CAP)CTの解釈のための視覚提示基盤モデルを開発し,評価した。
AUC 0.767, 95%CI: 0.734-0.793, vs. 0.695, 95%CI: 0.645-0.736)
腫瘍学に富んだCAPCTデータに基づいて訓練された基礎モデルは、対象臨床コンテキストにおける関連する最先端モデルよりも優れていた。
論文 参考訳（メタデータ） (2026-10-09T18:39:01Z) - SAMI3D-DW: Interactive Segmentation of Any 3D Medical Images [41.76270845556824]
SAMI3D-DWは、Deepwiseの大規模プロプライエタリな医療画像データセットに基づいてトレーニングされたインタラクティブな3Dセグメンテーションモデルである。
219のソースデータセットから4,326のケースからなるCT/MRベンチマークを用いて,ユーザインタラクションのシミュレーションによるモデルの評価を行った。
放射線医や臨床医にとって、SAMI3D-DWは、CT上の頭蓋内血管木やMR血管造影などの複雑な解剖学的構造を数クリックで分割することができる。
論文 参考訳（メタデータ） (2026-09-22T06:25:11Z) - A cross-modal generative model for incomplete and degraded prostate MRI with multicentre clinical validation [48.14053205497089]
MSCNetは、入手できないコントラストを再構築し、劣化したコントラストを復元するためのシーケンス条件のクロスモーダル生成フレームワークである。
画像の画質は、DWI, ADC, T2Wの既定不等式基準を満たしたが、T1Wは満たされなかった。
論文 参考訳（メタデータ） (2026-08-17T08:11:25Z) - TriALS: Triphasic-Aided Liver Lesion Segmentation Benchmark in Non-Contrast CT [49.93685997940356]
コントラスト制限条件下での肝病変の自動分節に対するTriALSの課題について述べる。
最高性能は平均静脈圧0.754で, NCCTでは0.57に低下した。
アルゴリズムの性能は、トレーニングデータスケールと事前学習戦略によって最も強く予測された。
論文 参考訳（メタデータ） (2026-05-15T19:23:35Z) - MorphDistill: Distilling Unified Morphological Knowledge from Pathology Foundation Models for Colorectal Cancer Survival Prediction [3.2844015242965927]
複数の病理基盤モデルから補完的知識を抽出し,CRC固有のエンコーダに変換するフレームワークであるMorphDistillを提案する。
第1段階では,学生エンコーダは,大規模大腸データセット上でのコントラスト正規化を監督したディメンション非依存型マルチティーチンガー蒸留を用いて訓練される。
ステージIIでは、エンコーダが全スライド画像からパッチレベルの特徴を抽出し、注意に基づく複数インスタンス学習を通じて集約し、5年間の生存を予測する。
論文 参考訳（メタデータ） (2026-04-07T19:21:18Z) - Cerebra: A Multidisciplinary AI Board for Multimodal Dementia Characterization and Risk Assessment [56.62016795093786]
CerebraはインタラクティブなマルチエージェントAIチームで、ERH、臨床ノート、医療画像分析のための特殊エージェントをコーディネートする。
構造化された表現を操作することで、プライバシ保護デプロイメントをサポートし、モダリティが不完全であれば、堅牢である。
Cerebraは、有識者のパフォーマンスを著しく改善し、前向き認知症リスク推定において精度を17.5ポイント向上させた。
論文 参考訳（メタデータ） (2026-03-23T05:46:45Z) - Knowledge Graph Augmented Large Language Models for Disease Prediction [24.992170033802537]
知識グラフ(KG)誘導チェーン・オブ・シント(CoT)フレームワークは,MIMIC-IIIにおける来院レベルの疾患予測のための臨床基礎的推論を生成する。
ICD-9コードはPrimeKGにマッピングされ、病気関連ノードとマルチホップ推論パスが抽出され、CoT生成のための足場として使用される。
KG誘導モデルは、AUROC値0.66から0.70、マクロAUPR値0.40から0.47を達成し、強力な古典的ベースラインを上回った。
盲目臨床評価では,KG誘導型CoT説明の明瞭度,関連性,臨床正当性に一貫した嗜好を示す。
論文 参考訳（メタデータ） (2025-12-01T02:49:17Z) - Detection of subclinical atherosclerosis by image-based deep learning on chest x-ray [86.38767955626179]
460胸部X線で冠状動脈カルシウム(CAC)スコアを予測する深層学習アルゴリズムを開発した。
AICACモデルの診断精度は, 曲線下領域(AUC)で評価された。
論文 参考訳（メタデータ） (2024-03-27T16:56:14Z)
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。