Fugu-MT 論文翻訳(概要): BioX-CPath: Biologically-driven Explainable Diagnostics for Multistain IHC Computational Pathology

論文の概要: BioX-CPath: Biologically-driven Explainable Diagnostics for Multistain IHC Computational Pathology

arxiv url: http://arxiv.org/abs/2503.20880v2
Date: Thu, 03 Apr 2025 17:47:49 GMT
ステータス: 翻訳完了
システム内更新日: 2025-04-07 16:30:18.089586
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: http://creativecommons.org/licenses/by/4.0/
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

From Pixels to Histopathology: A Graph-Based Framework for Interpretable Whole Slide Image Analysis [81.19923502845441]
我々はWSIグラフ表現を構成するグラフベースのフレームワークを開発する。任意のパッチではなく生物学的境界に従う組織表現(ノード)を構築します。本手法の最終段階として,グラフアテンションネットワークを用いて診断課題を解決する。
論文参考訳（メタデータ） (2025-03-14T20:15:04Z)
Leveraging Vision-Language Embeddings for Zero-Shot Learning in Histopathology Images [7.048241543461529]
ゼロショット組織像分類におけるこれらの課題に対処するため, MR-PHE(Multi-Resolution Prompt-Guided Hybrid Embedding)と呼ばれる新しいフレームワークを提案する。我々は,グローバルな画像埋め込みと重み付けされたパッチ埋め込みを統合したハイブリッドな埋め込み戦略を導入する。類似性に基づくパッチ重み付け機構は、クラス埋め込みとの関連性に基づいて、アテンションのような重み付けをパッチに割り当てる。
論文参考訳（メタデータ） (2025-03-13T12:18:37Z)
ExPath: Towards Explaining Targeted Pathways for Biological Knowledge Bases [36.89299758497499]
本稿では,生体データベースの様々なグラフ(バイオネットワーク)を分類するための新しい経路推論フレームワークであるExPathを提案する。 ExPathは、(1)A-seqをグラフにエンコードして埋め込む大きなタンパク質言語モデル(pLM)、(2)A-seqデータ処理における従来の障害を克服するPathMamba、(2)グラフニューラルネットワーク(GNN)と状態空間シーケンスモデリング(Mamba)を組み合わせたハイブリッドアーキテクチャで、局所的な相互作用とグローバルな経路レベルの依存関係の両方をキャプチャするPathExplainer、(3)機能的に重要なノードとエッジを列車を通して識別するサブグラフ学習モジュールであるPathExplainerの3つのコンポーネントから構成される。
論文参考訳（メタデータ） (2025-02-25T09:33:15Z)
BioMaze: Benchmarking and Enhancing Large Language Models for Biological Pathway Reasoning [49.487327661584686]
実際の研究から5.1Kの複雑な経路問題を持つデータセットであるBioMazeを紹介する。 CoT法やグラフ拡張推論法などの手法の評価は,LLMが経路推論に苦慮していることを示している。そこで本稿では,インタラクティブなサブグラフベースのナビゲーションにより推論を強化するLLMエージェントであるPathSeekerを提案する。
論文参考訳（メタデータ） (2025-02-23T17:38:10Z)
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)
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)
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)
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。