論文の概要: Integrating Pathology Foundation Models and Spatial Transcriptomics for Cellular Decomposition from Histology Images

• arxiv url: http://arxiv.org/abs/2507.07013v1
• Date: Wed, 09 Jul 2025 16:43:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-10 17:37:43.68079
• Title: Integrating Pathology Foundation Models and Spatial Transcriptomics for Cellular Decomposition from Histology Images
• Title（参考訳）: 病理組織像からの細胞分離のための病理基盤モデルと空間転写学の統合
• Authors: Yutong Sun, Sichen Zhu, Peng Qiu,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The rapid development of digital pathology and modern deep learning has facilitated the emergence of pathology foundation models that are expected to solve general pathology problems under various disease conditions in one unified model, with or without fine-tuning. In parallel, spatial transcriptomics has emerged as a transformative technology that enables the profiling of gene expression on hematoxylin and eosin (H&E) stained histology images. Spatial transcriptomics unlocks the unprecedented opportunity to dive into existing histology images at a more granular, cellular level. In this work, we propose a lightweight and training-efficient approach to predict cellular composition directly from H&E-stained histology images by leveraging information-enriched feature embeddings extracted from pre-trained pathology foundation models. By training a lightweight multi-layer perceptron (MLP) regressor on cell-type abundances derived via cell2location, our method efficiently distills knowledge from pathology foundation models and demonstrates the ability to accurately predict cell-type compositions from histology images, without physically performing the costly spatial transcriptomics. Our method demonstrates competitive performance compared to existing methods such as Hist2Cell, while significantly reducing computational complexity.
• Abstract（参考訳）: デジタル病理学と近代深層学習の急速な発展は、様々な疾患条件下での一般的な病態問題を、微調整の有無にかかわらず1つの統一モデルで解決することが期待される病理基盤モデルの出現を促している。 平行して、空間転写学は、ヘマトキシリンとエオシン(H&E)染色組織像上の遺伝子発現のプロファイリングを可能にする変換技術として登場した。 空間転写学は、既存の組織像をより粒度の細かい細胞レベルで掘り下げる前例のない機会を解き放つ。 本研究では,H&Eの組織像から直接細胞組成を予測するために,事前学習した病理基盤モデルから抽出した情報に富んだ特徴埋め込みを利用して,軽量で訓練効率の良いアプローチを提案する。 本手法は, 病理基盤モデルから知識を効率よく抽出し, 組織像から細胞型組成を正確に予測し, コストのかかる空間転写学を物理的に行うことなく, 軽量な多層パーセプトロン(MLP)レセプトロン(MLP)レセプトロン(MLP)レセプタ)のトレーニングを行う。 提案手法は,Hist2Cellなどの既存手法と比較して,計算複雑性を著しく低減しつつ,競合性能を示す。

関連論文リスト

• PAST: A multimodal single-cell foundation model for histopathology and spatial transcriptomics in cancer [26.795192024462963]
  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。
  論文  参考訳（メタデータ） (2025-07-08T21:51:25Z)
• PixCell: A generative foundation model for digital histopathology images [49.00921097924924]
  PixCellは,病理組織学における最初の拡散ベース生成基盤モデルである。 われわれはPanCan-30MでPixCellをトレーニングした。
  論文  参考訳（メタデータ） (2025-06-05T15:14:32Z)
• CytoFM: The first cytology foundation model [3.591868126270513]
  本稿では,デジタル細胞学のための初の自己教師型基礎モデルであるCytoFMを紹介する。 我々はCytoFMをさまざまなデータセットで事前訓練し、堅牢で転送可能な表現を学習する。 以上の結果から,CytoFMは3つの下流課題のうち2つの課題において,病理組織学で事前訓練された既存の基礎モデルよりも優れていたことが示唆された。
  論文  参考訳（メタデータ） (2025-04-18T01:37:50Z)
• Teaching pathology foundation models to accurately predict gene expression with parameter efficient knowledge transfer [1.5416321520529301]
  PEKA(Efficient Knowledge Adaptation)は、クロスモーダルな知識伝達のための知識蒸留と構造アライメント損失を統合する新しいフレームワークである。 複数の空間転写学データセットを用いた遺伝子発現予測のためのPEKAの評価を行った。
  論文  参考訳（メタデータ） (2025-04-09T17:24:41Z)
• 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)
• TopoCellGen: Generating Histopathology Cell Topology with a Diffusion Model [32.670806339139034]
  本研究では,トポロジ制約を拡散モデルに統合し,現実的で文脈的に正確なセルトポロジの生成を改善する手法を提案する。 本手法は, セル分布と相互作用のシミュレーションを改良し, 下流タスクにおける結果の精度と解釈可能性を高める。
  論文  参考訳（メタデータ） (2024-12-08T18:02:22Z)
• LeFusion: Controllable Pathology Synthesis via Lesion-Focused Diffusion Models [42.922303491557244]
  実際の臨床実践から得られた患者データは、しばしばデータ不足と長い尾の不均衡に悩まされる。 本研究では,病変のない画像から病変を含む画像分割ペアを生成することで,これらの課題に対処する。 レフュージョン生成データにより、最先端セグメンテーションモデルの性能が大幅に向上する。
  論文  参考訳（メタデータ） (2024-03-21T01:25:39Z)
• 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)
• Data-driven generation of plausible tissue geometries for realistic photoacoustic image synthesis [53.65837038435433]
  光音響トモグラフィ(pat)は形態的および機能的組織特性を回復する可能性がある。 我々は,PATデータシミュレーションの新たなアプローチを提案し,これを「シミュレーションの学習」と呼ぶ。 我々は、意味的注釈付き医療画像データに基づいて訓練されたGAN(Generative Adversarial Networks)の概念を活用して、可塑性組織ジオメトリを生成する。
  論文  参考訳（メタデータ） (2021-03-29T11:30:18Z)

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。