論文の概要: BioX-CPath: Biologically-driven Explainable Diagnostics for Multistain IHC Computational Pathology
- arxiv url: http://arxiv.org/abs/2503.20880v1
- Date: Wed, 26 Mar 2025 18:00:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-28 12:51:03.221711
- Title: BioX-CPath: Biologically-driven Explainable Diagnostics for Multistain IHC Computational Pathology
- Title(参考訳): BioX-CPath: Multistain IHC Computational Pathology における生体駆動型説明可能な診断法
- Authors: Amaya Gallagher-Syed, Henry Senior, Omnia Alwazzan, Elena Pontarini, Michele Bombardieri, Costantino Pitzalis, Myles J. Lewis, Michael R. Barnes, Luca Rossi, Gregory Slabaugh,
- Abstract要約: BioX-CPathは、全スライド画像(WSI)分類のための説明可能なグラフニューラルネットワークアーキテクチャである。
BioX-CPathはStain-Aware Attention Pooling (SAAP)モジュールを導入した。
- 参考スコア(独自算出の注目度): 0.9603373981832565
- License:
- Abstract: The development of biologically interpretable and explainable models remains a key challenge in computational pathology, particularly for multistain immunohistochemistry (IHC) analysis. We present BioX-CPath, an explainable graph neural network architecture for whole slide image (WSI) classification that leverages both spatial and semantic features across multiple stains. At its core, BioX-CPath introduces a novel Stain-Aware Attention Pooling (SAAP) module that generates biologically meaningful, stain-aware patient embeddings. Our approach achieves state-of-the-art performance on both Rheumatoid Arthritis and Sjogren's Disease multistain datasets. Beyond performance metrics, BioX-CPath provides interpretable insights through stain attention scores, entropy measures, and stain interaction scores, that permit measuring model alignment with known pathological mechanisms. This biological grounding, combined with strong classification performance, makes BioX-CPath particularly suitable for clinical applications where interpretability is key. Source code and documentation can be found at: https://github.com/AmayaGS/BioX-CPath.
- Abstract(参考訳): 生物学的に解釈可能で説明可能なモデルの開発は、特に多段階免疫組織化学(IHC)分析において、計算病理学において重要な課題である。
スライド画像全体(WSI)分類のための説明可能なグラフニューラルネットワークアーキテクチャであるBioX-CPathについて述べる。
BioX-CPathはStain-Aware Attention Pooling (SAAP)モジュールを導入した。
本手法は慢性関節リウマチとシェーグレン病のマルチスタンスデータセットにおける最先端の成績を実現する。
パフォーマンス指標以外にも、BioX-CPathは、染色注意スコア、エントロピー測定、および染色相互作用スコアを通じて解釈可能な洞察を提供し、既知の病理機構とモデルアライメントを測定することができる。
この生物学的接地と強力な分類性能が組み合わさって、BioX-CPathは、解釈可能性の鍵となる臨床応用に特に適している。
ソースコードとドキュメントは、https://github.com/AmayaGS/BioX-CPath.comで見ることができる。
関連論文リスト
- Biology Instructions: A Dataset and Benchmark for Multi-Omics Sequence Understanding Capability of Large Language Models [51.316001071698224]
本稿では,生物配列関連命令チューニングデータセットであるBiology-Instructionsを紹介する。
このデータセットは、大きな言語モデル(LLM)と複雑な生物学的シーケンスに関連するタスクのギャップを埋めることができます。
また、新たな3段階トレーニングパイプラインを備えたChatMultiOmicsという強力なベースラインも開発しています。
論文 参考訳(メタデータ) (2024-12-26T12:12:23Z) - From Whole-slide Image to Biomarker Prediction: A Protocol for
End-to-End Deep Learning in Computational Pathology [0.725241982525598]
本プロトコルは, 病理組織における固形腫瘍連想モデル(STAMP)の実践的ワークフローを記述する。
STAMPワークフローはバイオマーカー非依存であり、遺伝子および臨床病理学的表層データを追加入力として含めることができる。
このプロトコルは5つの主要な段階から構成されており、様々な研究課題にうまく適用されている。
論文 参考訳(メタデータ) (2023-12-18T05:46:57Z) - GeoTop: Advancing Image Classification with Geometric-Topological
Analysis [0.0]
トポロジカルデータ解析とリプシッツ・キリング曲線は特徴抽出と分類のための強力なツールとして使用される。
両手法を組み合わせて分類精度を向上させる可能性について検討する。
このアプローチは、様々な生体医学応用における複雑な生物学的プロセスの理解を深める可能性がある。
論文 参考訳(メタデータ) (2023-11-08T23:38:32Z) - Tertiary Lymphoid Structures Generation through Graph-based Diffusion [54.37503714313661]
本研究では,最先端のグラフベース拡散モデルを用いて生物学的に意味のある細胞グラフを生成する。
本研究では, グラフ拡散モデルを用いて, 3次リンパ構造(TLS)の分布を正確に学習できることを示す。
論文 参考訳(メタデータ) (2023-10-10T14:37:17Z) - Histopathology Whole Slide Image Analysis with Heterogeneous Graph
Representation Learning [78.49090351193269]
本稿では,WSI分析のために,異なる種類の核間の相互関係を利用する新しいグラフベースのフレームワークを提案する。
具体的には、WSI を各ノードに "nucleus-type" 属性と各エッジに類似した意味属性を持つ異種グラフとして定式化する。
我々のフレームワークは、様々なタスクに対してかなりのマージンで最先端の手法より優れています。
論文 参考訳(メタデータ) (2023-07-09T14:43:40Z) - Modeling Dense Multimodal Interactions Between Biological Pathways and Histology for Survival Prediction [3.2274401541163322]
本稿では,パスとヒストロジーパッチトークン間の相互作用をモデル化できるメモリ効率の良いマルチモーダルトランスを提案する。
提案モデルであるSURVPATHは,非モーダルベースラインとマルチモーダルベースラインの両方に対して評価した場合に,最先端の性能を実現する。
論文 参考訳(メタデータ) (2023-04-13T21:02:32Z) - Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based
Sparse PCA Network [93.22587316229954]
ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。
我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
論文 参考訳(メタデータ) (2021-10-27T19:28:36Z) - G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for
Biomarker Identification and Disease Classification [49.53651166356737]
診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。
2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
論文 参考訳(メタデータ) (2021-01-27T19:28:04Z) - Interpretable multimodal fusion networks reveal mechanisms of brain
cognition [26.954460880062506]
我々は,自動診断と結果解釈を同時に行うことができる,解釈可能なマルチモーダル融合モデルgCAM-CCLを開発した。
脳画像遺伝学的研究におけるgCAM-CCLモデルの有効性を検証し,gCAM-CCLの分類と機構解析の両面において良好な性能を示した。
論文 参考訳(メタデータ) (2020-06-16T18:52:50Z) - A Biologically Interpretable Two-stage Deep Neural Network (BIT-DNN) For
Vegetation Recognition From Hyperspectral Imagery [3.708283803668841]
本研究では,生物学的に解釈可能な2段階深層ニューラルネットワーク(BIT-DNN)を用いた新しい解釈可能な深層学習モデルを提案する。
提案モデルは、最先端の5つのディープラーニングモデルと比較されている。
論文 参考訳(メタデータ) (2020-04-19T15:58:19Z) - Weakly supervised multiple instance learning histopathological tumor
segmentation [51.085268272912415]
スライド画像全体のセグメント化のための弱教師付きフレームワークを提案する。
トレーニングモデルに複数のインスタンス学習スキームを利用する。
提案するフレームワークは,The Cancer Genome AtlasとPatchCamelyonデータセットのマルチロケーションとマルチ中心公開データに基づいて評価されている。
論文 参考訳(メタデータ) (2020-04-10T13:12:47Z)
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。