論文の概要: Cross-Modality Learning for Predicting IHC Biomarkers from H&E-Stained Whole-Slide Images

• arxiv url: http://arxiv.org/abs/2506.15853v1
• Date: Wed, 18 Jun 2025 20:01:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-23 19:00:04.84133
• Title: Cross-Modality Learning for Predicting IHC Biomarkers from H&E-Stained Whole-Slide Images
• Title（参考訳）: H&Eを用いた全スライディング画像からのIHCバイオマーカー予測のためのクロスモーダル学習
• Authors: Amit Das, Naofumi Tomita, Kyle J. Syme, Weijie Ma, Paige O'Connor, Kristin N. Corbett, Bing Ren, Xiaoying Liu, Saeed Hassanpour,
• Abstract要約: HistoStainAlignは、H&E全スライド画像から直接IHC染色パターンを予測する。 HistoStainAlignはこれら3つのICC染色に対してそれぞれ0.735 [95% Confidence Interval (CI): 0.670-0.799]、0.830 [95% CI: 0.772-0.886]、0.723 [95% CI: 0.607-0.836]の重み付きF1スコアを達成した。
• 参考スコア（独自算出の注目度）: 4.650292435891902
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Hematoxylin and Eosin (H&E) staining is a cornerstone of pathological analysis, offering reliable visualization of cellular morphology and tissue architecture for cancer diagnosis, subtyping, and grading. Immunohistochemistry (IHC) staining provides molecular insights by detecting specific proteins within tissues, enhancing diagnostic accuracy, and improving treatment planning. However, IHC staining is costly, time-consuming, and resource-intensive, requiring specialized expertise. To address these limitations, this study proposes HistoStainAlign, a novel deep learning framework that predicts IHC staining patterns directly from H&E whole-slide images (WSIs) by learning joint representations of morphological and molecular features. The framework integrates paired H&E and IHC embeddings through a contrastive training strategy, capturing complementary features across staining modalities without patch-level annotations or tissue registration. The model was evaluated on gastrointestinal and lung tissue WSIs with three commonly used IHC stains: P53, PD-L1, and Ki-67. HistoStainAlign achieved weighted F1 scores of 0.735 [95% Confidence Interval (CI): 0.670-0.799], 0.830 [95% CI: 0.772-0.886], and 0.723 [95% CI: 0.607-0.836], respectively for these three IHC stains. Embedding analyses demonstrated the robustness of the contrastive alignment in capturing meaningful cross-stain relationships. Comparisons with a baseline model further highlight the advantage of incorporating contrastive learning for improved stain pattern prediction. This study demonstrates the potential of computational approaches to serve as a pre-screening tool, helping prioritize cases for IHC staining and improving workflow efficiency.
• Abstract（参考訳）: ヘマトキシリンとエオシン(H&E)染色は病理学的解析の基礎であり、癌診断、サブタイピング、グレーディングのための細胞形態と組織構造の信頼性の高い可視化を提供する。 免疫組織化学(IHC)染色は、組織内の特定のタンパク質を検出し、診断精度を高め、治療計画を改善することによって、分子的な洞察を提供する。 しかし、IHC染色は費用がかかり、時間がかかり、資源が集中し、専門的な専門知識を必要とする。 これらの制約に対処するために,H&E全体スライディング画像(WSI)から直接IHC染色パターンを予測する新しいディープラーニングフレームワークHistoStainAlignを提案する。 このフレームワークは、対照的なトレーニング戦略を通じて、H&EとIHCの組込みを統合し、パッチレベルのアノテーションや組織登録なしに、染色モダリティの相補的な特徴をキャプチャする。 The model were evaluation on gastrointestinal and lung tissue WSIs with three used IHC stains: P53, PD-L1, Ki-67。 HistoStainAlignはこれら3つのICC染色に対してそれぞれ0.735 [95% Confidence Interval (CI): 0.670-0.799]、0.830 [95% CI: 0.772-0.886]、0.723 [95% CI: 0.607-0.836]の重み付きF1スコアを達成した。 埋め込み分析は、有意義な相互関係を捉える上で、対照的なアライメントの堅牢性を示した。 ベースラインモデルとの比較は、より優れた染色パターン予測のためのコントラスト学習を取り入れた利点をさらに強調する。 本研究は、IHC染色のケースの優先順位付けとワークフロー効率の向上を支援する、事前スクリーニングツールとしての計算手法の可能性を示す。

関連論文リスト

• Artificial Intelligence-Assisted Prostate Cancer Diagnosis for Reduced Use of Immunohistochemistry [0.03775355948495808]
  診断精度を損なうことなく、AIモデルのIHC使用を最小限に抑える能力を評価する。 感度優先診断閾値の適用により、調査された3つのコホートにおいて、ICC染色の必要性は44.4%、42.0%、20.7%減少した。
  論文  参考訳（メタデータ） (2025-03-31T08:54:57Z)
• Integrating Deep Learning with Fundus and Optical Coherence Tomography for Cardiovascular Disease Prediction [47.7045293755736]
  心血管疾患(CVD)のリスクのある患者の早期発見は、効果的な予防ケア、医療負担の軽減、患者の生活の質の向上に不可欠である。 本研究は、網膜光コヒーレンス断層撮影(OCT)と眼底写真との併用による、将来の心疾患の特定の可能性を示すものである。 そこで我々は,MCVAE(Multi- Channel Variational Autoencoder)に基づく新たなバイナリ分類ネットワークを提案し,患者の眼底画像とOCT画像の潜伏埋め込みを学習し,個人を将来CVDを発症する可能性のあるものとそうでないものとの2つのグループに分類する。
  論文  参考訳（メタデータ） (2024-10-18T12:37:51Z)
• Improved Esophageal Varices Assessment from Non-Contrast CT Scans [15.648325577912608]
  食道静脈瘤(EV)は門脈圧亢進による重篤な健康上の問題である。 非造影CT(non-contrast Computed Tomography, NC-CT)は, 安価で非侵襲的な画像モダリティであるにもかかわらず, EV評価のための主要な臨床診断ツールとして完全には受け入れられていない。 我々は,NC-CTスキャンにおける重要な臓器機能の解析を改良し,EVを効果的に評価するMulti-Organ-cOhesion-Network(MOON)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T06:49:10Z)
• TACCO: Task-guided Co-clustering of Clinical Concepts and Patient Visits for Disease Subtyping based on EHR Data [42.96821770394798]
  TACCOは、EMHデータのハイパーグラフモデリングに基づいて、臨床概念と患者訪問のクラスターを共同で発見する新しいフレームワークである。 我々は,表現型分類と心血管リスク予測の下流臨床課題に対して,公共MIMIC-IIIデータセットとエモリー内部CRADLEデータセットを用いて実験を行った。 深層モデル解析,クラスタリング結果解析,臨床ケーススタディは,TACCOが提供した改良されたユーティリティと洞察に富んだ解釈をさらに検証する。
  論文  参考訳（メタデータ） (2024-06-14T14:18:38Z)
• IHC Matters: Incorporating IHC analysis to H&E Whole Slide Image Analysis for Improved Cancer Grading via Two-stage Multimodal Bilinear Pooling Fusion [19.813558168408047]
  IHCとH&Eは相補的な性質を保ちながら、明確な長所と短所があることが示される。 機能プーリングモジュールを用いた2段階のマルチモーダルバイリニアモデルを開発した。 実験により、H&E染色画像とともに、機械学習モデルにIHCデータを組み込むことで、がんのグレーディングに優れた予測結果が得られることが示された。
  論文  参考訳（メタデータ） (2024-05-13T21:21:44Z)
• CIMIL-CRC: a clinically-informed multiple instance learning framework for patient-level colorectal cancer molecular subtypes classification from H\&E stained images [42.771819949806655]
  CIMIL-CRCは、事前学習した特徴抽出モデルと主成分分析(PCA)を効率よく組み合わせ、全てのパッチから情報を集約することで、MSI/MSS MIL問題を解決するフレームワークである。 我々は,TCGA-CRC-DXコホートを用いたモデル開発のための5倍のクロスバリデーション実験装置を用いて,曲線下平均面積(AUC)を用いてCIMIL-CRC法の評価を行った。
  論文  参考訳（メタデータ） (2024-01-29T12:56:11Z)
• Evaluating Deep Learning-based Melanoma Classification using Immunohistochemistry and Routine Histology: A Three Center Study [1.4053129774629076]
  病理学者はメラナに対してヘマトキシリンとエオシン(H&E)染色組織スライドを常用する。 DL MelanAベースの補助システムは、ベンチマークH&E分類と同じ性能を示す。
  論文  参考訳（メタデータ） (2023-09-07T06:09:12Z)
• Self-supervised contrastive learning of echocardiogram videos enables label-efficient cardiac disease diagnosis [48.64462717254158]
  心エコービデオを用いた自己教師型コントラスト学習手法であるエコーCLRを開発した。 左室肥大症 (LVH) と大動脈狭窄症 (AS) の分類成績は,EchoCLR の訓練により有意に改善した。 EchoCLRは、医療ビデオの表現を学習する能力に特有であり、SSLがラベル付きデータセットからラベル効率の高い疾患分類を可能にすることを実証している。
  論文  参考訳（メタデータ） (2022-07-23T19:17:26Z)
• Deep learning-based transformation of the H&E stain into special stains [44.38127957263123]
  腎針核生検の組織切片を用いた,H&Eから特殊染色への教師あり学習型コンピュータステンレス変換の有用性を示す。 結果: 染色変態ネットワークにより生成された特殊染色の品質は, 標準組織化学的染色により生成されたものと統計的に同等であった。
  論文  参考訳（メタデータ） (2020-08-20T10:12:03Z)

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。