論文の概要: A Tumour-Aware Multimodal Framework for Explainable Prediction of IDH Mutation in Gliomas from Multi-Sequence MRI
- arxiv url: http://arxiv.org/abs/2611.17712v1
- Date: Fri, 13 Nov 2026 03:44:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-16 18:43:16.299753
- Title: A Tumour-Aware Multimodal Framework for Explainable Prediction of IDH Mutation in Gliomas from Multi-Sequence MRI
- Title(参考訳): マルチシーケンスMRIによるグリオーマのIDH変異予測のためのTumour-Aware Multimodal Framework
- Abstract要約: 本研究は,MRIから診断可能な非侵襲的IDH変異予測のための腫瘍認識型マルチモーダルフレームワークを提案する。
このフレームワークは、4つのMRIシーケンス(T1, T1CE, T2, FLAIR)、腫瘍サブリージョンセグメンテーション、定量的放射線ディスクリプタ、臨床情報を統合されたディープラーニングアーキテクチャに統合する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate prediction of isocitrate dehydrogenase (IDH) mutation status is essential for glioma diagnosis, prognosis, and treatment planning. Although recent deep learning approaches have demonstrated promising performance, many rely on whole-brain feature extraction and provide limited interpretability. This study proposes a tumour-aware multimodal framework for explainable, non-invasive prediction of IDH mutation status from multiparametric magnetic resonance imaging (MRI). The proposed framework integrates four MRI sequences (T1, T1CE, T2, and FLAIR), tumour subregion segmentation, quantitative radiomic descriptors, and clinical information within a unified deep learning architecture. An ablation study was conducted to evaluate the contribution of tumour-aware learning, radiomic features, and clinical variables. Model performance was assessed using multiple complementary evaluation metrics, including accuracy, precision, recall, F1-score, balanced accuracy, receiver operating characteristic analysis, confusion matrix evaluation, and Grad-CAM visualisation. Experimental results demonstrated that the proposed multimodal framework consistently outperformed the baseline MRI-only model, with the Clinical Fusion model achieving the strongest overall predictive performance. The integration of tumour-aware learning, radiomic descriptors, and clinical information progressively improved classification performance, while Grad-CAM visualisations indicated that the model predominantly focused on biologically relevant tumour regions. These findings suggest that tumour-aware multimodal feature integration enables accurate, interpretable, and non-invasive molecular profiling of gliomas and provides a promising foundation for future clinical decision support in precision neuro-oncology.
- Abstract(参考訳): Isocitrate dehydrogenase (IDH) 変異の正確な予測は、グリオーマの診断、予後、治療計画に不可欠である。
最近のディープラーニングアプローチは有望な性能を示しているが、その多くは全脳機能抽出に依存しており、限定的な解釈性を提供している。
マルチパラメトリックMRI(Multiparametric magnetic resonance imaging, MRI)を用いて, IDH変異の非侵襲的予測が可能な腫瘍認識型マルチモーダルフレームワークを提案する。
提案フレームワークは,4つのMRIシークエンス(T1,T1CE,T2,FLAIR),腫瘍サブリージョンセグメンテーション,定量的放射線ディスクリプタ,臨床情報を統合されたディープラーニングアーキテクチャに統合する。
腫瘍認識学習,放射線学的特徴,臨床変数の寄与を評価するためのアブレーション研究を行った。
モデル性能は、精度、精度、リコール、F1スコア、バランスの取れた精度、受信機動作特性分析、混乱行列評価、Grad-CAM可視化など、複数の相補的評価指標を用いて評価した。
実験の結果,提案したマルチモーダル・フレームワークはMRIのみのベースラインモデルより一貫して優れており,臨床融合モデルが最も高い総合的な予測性能を達成できた。
腫瘍認識学習,放射線ディスクリプタ,臨床情報の統合により,分類性能は徐々に向上し,Grad-CAMの可視化では,主に生物学的に関連する腫瘍領域に焦点を当てた。
以上より,腫瘍認識型マルチモーダル機能統合はグリオーマの正確な,解釈可能な,非侵襲的な分子プロファイリングを可能にすることが示唆された。
関連論文リスト
- A Systematic Benchmark of GAN Architectures for MRI-to-CT Synthesis [38.31064949197421]
MRIからCTへの変換にはGANアーキテクチャが提案されている。
我々は,3つの解剖学的領域にわたるSynthRAD2025データセットを用いて評価した10のGANのベンチマークを示す。
論文 参考訳(メタデータ) (2026-03-13T18:54:20Z) - Multimodal classification of Radiation-Induced Contrast Enhancements and tumor recurrence using deep learning [0.23179411766464517]
RICE-NETは、経時的MRIデータと放射線治療用線量分布を統合して自動病変分類を行うマルチモーダル3Dディープラーニングモデルである。
アブレーション実験では,各時間点とモダリティの寄与を定量化し,信頼性の高い分類が主に放射マップに依存することを示した。
論文 参考訳(メタデータ) (2026-03-12T11:48:22Z) - Multi-Modal Machine Learning Framework for Predicting Early Recurrence of Brain Tumors Using MRI and Clinical Biomarkers [9.330025605491505]
術後再発予測を改善するために,構造的MRI特徴と臨床バイオマーカーを統合したマルチモーダル機械学習フレームワークを提案する。
我々のモデルは有望なパフォーマンスを示し、リスク階層化とパーソナライズされたフォローアップ計画のための潜在的なツールを提供する。
論文 参考訳(メタデータ) (2025-09-01T06:34:53Z) - From Promise to Practical Reality: Transforming Diffusion MRI Analysis with Fast Deep Learning Enhancement [35.368152968098194]
FastFOD-Netは、FODを優れたパフォーマンスで強化し、臨床使用のためのトレーニング/推論効率を提供するエンドツーエンドのディープラーニングフレームワークである。
この研究は、拡散MRIの強化のための深層学習に基づく手法を、より広く採用し、臨床信頼を構築することを促進する。
論文 参考訳(メタデータ) (2025-08-13T17:56:29Z) - SurgeryLSTM: A Time-Aware Neural Model for Accurate and Explainable Length of Stay Prediction After Spine Surgery [44.119171920037196]
選択的脊椎手術における滞在時間(LOS)予測のための機械学習モデルの開発と評価を行った。
我々は,従来のMLモデルと,マスク付き双方向長短期記憶(BiLSTM)であるオペレーショナルLSTMを比較した。
決定係数(R2)を用いて性能を評価し,説明可能なAIを用いて鍵予測器を同定した。
論文 参考訳(メタデータ) (2025-07-15T01:18:28Z) - Radiomic fingerprints for knee MR images assessment [39.11295870085984]
既存の放射線学的アプローチでは、放射線学的特徴の固定セットを使用し、人口レベルで選択され、すべての患者に均一に適用される。
これらのシグネチャは解釈可能であるが、個々の病理学的変異を表現するには制約が多すぎることが多い。
DLモデルにより選択された各患者に対して放射線特徴セット(指紋)を動的に構築する新しい放射線指紋フレームワークを提案する。
既存の放射線検査と異なり, 患者毎の指紋は, 大型放射線検査プールの特徴的関連を予測し, 患者ごとに臨床症状を予測できるもののみを選択することにより, 患者毎の指紋を抽出する。
論文 参考訳(メタデータ) (2025-06-25T10:39:22Z) - Interpretable Graph Kolmogorov-Arnold Networks for Multi-Cancer Classification and Biomarker Identification using Multi-Omics Data [36.92842246372894]
Multi-Omics Graph Kolmogorov-Arnold Network (MOGKAN)は、メッセンジャーRNA、マイクロRNA配列、DNAメチル化サンプルを利用するディープラーニングフレームワークである。
グラフに基づく深層学習とマルチオミクスデータを統合することにより,提案手法は頑健な予測性能と解釈可能性を示す。
論文 参考訳(メタデータ) (2025-03-29T02:14:05Z) - Glioma Multimodal MRI Analysis System for Tumor Layered Diagnosis via Multi-task Semi-supervised Learning [9.665261760136032]
グリオーマは中枢神経系の最も一般的な原発性腫瘍である。
本研究では,複数のイベントを同時に処理する深層学習ネットワークを用いたGlioma Multimodal MRI Analysis System (GMMAS)を提案する。
論文 参考訳(メタデータ) (2025-01-29T16:50:04Z) - Cross-modality Guidance-aided Multi-modal Learning with Dual Attention
for MRI Brain Tumor Grading [47.50733518140625]
脳腫瘍は世界で最も致命的ながんの1つであり、子供や高齢者に非常に多い。
本稿では,MRI脳腫瘍グレーディングの課題に対処するために,新たな多モード学習法を提案する。
論文 参考訳(メタデータ) (2024-01-17T07:54:49Z) - Expectation-Maximization Regularized Deep Learning for Weakly Supervised
Tumor Segmentation for Glioblastoma [8.24450401153384]
本研究では,弱監督腫瘍分割のためのEM正規化ディープラーニング(EMReDL)モデルを提案する。
この枠組みは周囲の脳組織への拡散浸潤を特徴とする悪性腫瘍の一種であるグリオ芽腫に特化していた。
論文 参考訳(メタデータ) (2021-01-21T18:14:43Z)
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。