論文の概要: PAST: A multimodal single-cell foundation model for histopathology and spatial transcriptomics in cancer

• arxiv url: http://arxiv.org/abs/2507.06418v1
• Date: Tue, 08 Jul 2025 21:51:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-10 17:37:43.401074
• Title: PAST: A multimodal single-cell foundation model for histopathology and spatial transcriptomics in cancer
• Title（参考訳）: PAST:癌における病理組織学および空間転写学のためのマルチモーダル単一細胞基盤モデル
• Authors: Changchun Yang, Haoyang Li, Yushuai Wu, Yilan Zhang, Yifeng Jiao, Yu Zhang, Rihan Huang, Yuan Cheng, Yuan Qi, Xin Guo, Xin Gao,
• Abstract要約: PASTは、2000万対の病理像と単細胞トランスクリプトームに基づいて訓練されたパン・カンサー単細胞基盤モデルである。 単細胞遺伝子の発現、仮想分子染色、および定期的な病理スライドから直接多モーダル生存解析を予測する。 我々の研究は、病理基盤モデルのための新しいパラダイムを確立し、高分解能空間オミクス、機械学的発見、精密がん研究のための多用途ツールを提供する。
• 参考スコア（独自算出の注目度）: 26.795192024462963
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: While pathology foundation models have transformed cancer image analysis, they often lack integration with molecular data at single-cell resolution, limiting their utility for precision oncology. Here, we present PAST, a pan-cancer single-cell foundation model trained on 20 million paired histopathology images and single-cell transcriptomes spanning multiple tumor types and tissue contexts. By jointly encoding cellular morphology and gene expression, PAST learns unified cross-modal representations that capture both spatial and molecular heterogeneity at the cellular level. This approach enables accurate prediction of single-cell gene expression, virtual molecular staining, and multimodal survival analysis directly from routine pathology slides. Across diverse cancers and downstream tasks, PAST consistently exceeds the performance of existing approaches, demonstrating robust generalizability and scalability. Our work establishes a new paradigm for pathology foundation models, providing a versatile tool for high-resolution spatial omics, mechanistic discovery, and precision cancer research.
• Abstract（参考訳）: 病理基盤モデルががん画像解析に転換した一方で、単細胞解像度での分子データとの統合が欠如しており、精度のオンコロジーに有効性が制限されている。 そこで本研究では,2000万枚の病理組織像と,複数の腫瘍タイプと組織コンテキストにまたがる単細胞トランスクリプトームに基づいて訓練したパン・カンサー単細胞基盤モデルであるPASTについて紹介する。 PASTは、細胞形態と遺伝子発現を共同でコードすることで、細胞レベルでの空間的および分子的不均一性の両方を捉える、一貫したクロスモーダル表現を学習する。 このアプローチは, 単細胞遺伝子の発現, 仮想分子染色, および日常的な病態スライドから直接のマルチモーダル生存解析の正確な予測を可能にする。 さまざまながんや下流タスクにまたがって、PASTは既存のアプローチのパフォーマンスを一貫して上回り、堅牢な一般化性とスケーラビリティを実証している。 我々の研究は、病理基盤モデルのための新しいパラダイムを確立し、高分解能空間オミクス、機械学的発見、精密がん研究のための多用途ツールを提供する。

関連論文リスト

• Integrating Pathology Foundation Models and Spatial Transcriptomics for Cellular Decomposition from Histology Images [0.0]
  組織像から直接細胞組成を予測するための軽量で訓練効率の良い手法を提案する。 細胞2位法により誘導される細胞型多量体に対する軽量多層パーセプトロン (MLP) レジストレータの訓練により, 本手法は病理基盤モデルから効率的に知識を抽出する。
  論文  参考訳（メタデータ） (2025-07-09T16:43:04Z)
• Graph Kolmogorov-Arnold Networks for Multi-Cancer Classification and Biomarker Identification, An Interpretable Multi-Omics Approach [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)
• MIRROR: Multi-Modal Pathological Self-Supervised Representation Learning via Modality Alignment and Retention [52.106879463828044]
  病理組織学と転写学は、腫瘍学の基本的なモダリティであり、疾患の形態学的および分子的側面を包含している。 モーダルアライメントと保持を両立させる新しいマルチモーダル表現学習法であるMIRRORを提案する。 がんの亜型化と生存分析のためのTCGAコホートに関する広範囲な評価は,MIRRORの優れた性能を浮き彫りにしている。
  論文  参考訳（メタデータ） (2025-03-01T07:02:30Z)
• Joint Modelling Histology and Molecular Markers for Cancer Classification [4.267476747447838]
  分子マーカーと組織学的特徴を共同で予測するための新しいデジタル病理手法を提案する。 本手法は、グリオーマ、組織学的特徴および分子マーカーの分類において、他の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2025-02-11T21:52:32Z)
• Multimodal Prototyping for cancer survival prediction [45.61869793509184]
  ギガピクセルヒストロジー全体スライディング画像(WSI)と転写学的プロファイルを組み合わせたマルチモーダルサバイバル法は,患者の予後と成層化に特に有望である。 現在のアプローチでは、WSIを小さなパッチ(>10,000パッチ)にトークン化し、トランスクリプトミクスを遺伝子グループに分割し、結果を予測するためにTransformerを使用して統合する。 このプロセスは多くのトークンを生成し、これは注意を計算するための高いメモリ要求をもたらし、ポストホック解釈可能性分析を複雑にする。 我々のフレームワークは、新しい解釈可能性解析を解き放ちながら、はるかに少ない計算で最先端の手法より優れている。
  論文  参考訳（メタデータ） (2024-06-28T20:37:01Z)
• MGCT: Mutual-Guided Cross-Modality Transformer for Survival Outcome Prediction using Integrative Histopathology-Genomic Features [2.3942863352287787]
  Mutual-Guided Cross-Modality Transformer (MGCT) は、注意に基づくマルチモーダル学習フレームワークである。 腫瘍微小環境における遺伝子型-フェノタイプ相互作用をモデル化するために,組織学的特徴とゲノム的特徴を組み合わせたMGCTを提案する。
  論文  参考訳（メタデータ） (2023-11-20T10:49:32Z)
• Artificial-intelligence-based molecular classification of diffuse gliomas using rapid, label-free optical imaging [59.79875531898648]
  DeepGliomaは人工知能に基づく診断スクリーニングシステムである。 ディープグリオーマは、世界保健機関が成人型びまん性グリオーマ分類を定義するために使用する分子変化を予測することができる。
  論文  参考訳（メタデータ） (2023-03-23T18:50:18Z)
• CancerUniT: Towards a Single Unified Model for Effective Detection, Segmentation, and Diagnosis of Eight Major Cancers Using a Large Collection of CT Scans [45.83431075462771]
  ヒトの読者や放射線医は、臨床実践において、全身多臓器多臓器の検出と診断を日常的に行う。 ほとんどの医療用AIシステムは、いくつかの疾患のリストの狭い単一の臓器に焦点を当てて構築されている。 CancerUniT は、マルチ腫瘍予測の出力を持つクエリベースの Mask Transformer モデルである。
  論文  参考訳（メタデータ） (2023-01-28T20:09:34Z)
• Pan-Cancer Integrative Histology-Genomic Analysis via Interpretable Multimodal Deep Learning [4.764927152701701]
  14種類のがん患者5,720人のスライド画像,RNA配列,コピー数の変化,および突然変異データを統合する。 我々の解釈可能な、弱教師付き、マルチモーダルなディープラーニングアルゴリズムは、これらの不均一なモダリティを融合して結果を予測することができる。 本研究は,全ての癌型にまたがる予後予測に寄与する形態学的および分子マーカーを解析する。
  論文  参考訳（メタデータ） (2021-08-04T20:40:05Z)
• Topological Data Analysis of copy number alterations in cancer [70.85487611525896]
  癌ゲノム情報に含まれる情報を新しいトポロジに基づくアプローチで捉える可能性を探る。 本手法は, 癌体性遺伝データに有意な低次元表現を抽出する可能性を秘めている。
  論文  参考訳（メタデータ） (2020-11-22T17:31:23Z)

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。