論文の概要: Towards Comprehensive Cellular Characterisation of H&E slides

• arxiv url: http://arxiv.org/abs/2508.09926v1
• Date: Wed, 13 Aug 2025 16:24:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-14 20:42:00.95973
• Title: Towards Comprehensive Cellular Characterisation of H&E slides
• Title（参考訳）: H&Eスライドの包括的セル特性化に向けて
• Authors: Benjamin Adjadj, Pierre-Antoine Bannier, Guillaume Horent, Sebastien Mandela, Aurore Lyon, Kathryn Schutte, Ulysse Marteau, Valentin Gaury, Laura Dumont, Thomas Mathieu, Reda Belbahri, Benoît Schmauch, Eric Durand, Katharina Von Loga, Lucie Gillet,
• Abstract要約: HistoPLUSは、細胞解析のための最先端のモデルである。 13種類の細胞を含む108,722個の核からなる、新しい硬化したパンがんデータセットを訓練する。 現在の最先端モデルでは、検出品質が5.2%、全体的なF1分類スコアが23.7%を上回っている。
• 参考スコア（独自算出の注目度）: 0.508176430910354
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cell detection, segmentation and classification are essential for analyzing tumor microenvironments (TME) on hematoxylin and eosin (H&E) slides. Existing methods suffer from poor performance on understudied cell types (rare or not present in public datasets) and limited cross-domain generalization. To address these shortcomings, we introduce HistoPLUS, a state-of-the-art model for cell analysis, trained on a novel curated pan-cancer dataset of 108,722 nuclei covering 13 cell types. In external validation across 4 independent cohorts, HistoPLUS outperforms current state-of-the-art models in detection quality by 5.2% and overall F1 classification score by 23.7%, while using 5x fewer parameters. Notably, HistoPLUS unlocks the study of 7 understudied cell types and brings significant improvements on 8 of 13 cell types. Moreover, we show that HistoPLUS robustly transfers to two oncology indications unseen during training. To support broader TME biomarker research, we release the model weights and inference code at https://github.com/owkin/histoplus/.
• Abstract（参考訳）: ヘマトキシリンおよびエオシン(H&E)スライド上の腫瘍微小環境(TME)を解析するためには,細胞検出,セグメンテーション,分類が不可欠である。 既存の手法は、未調査の細胞型(公開データセットにはほとんど存在しないが)と制限されたクロスドメインの一般化の性能に悩まされている。 これらの欠点に対処するために,13種類の細胞を対象とする108,722個の新しい培養パン癌データセットをトレーニングした,最先端の細胞解析モデルであるHistoPLUSを紹介した。 4つの独立したコホートの外部検証において、HistoPLUSは現在の最先端モデルよりも5.2%、全体的なF1分類スコアは23.7%、パラメータは5倍少ない。 注目すべきは、HistoPLUSは7種類の未調査細胞の研究をアンロックし、13種類の細胞のうち8つの大きな改善をもたらすことである。 また,HistoPLUSはトレーニング中に見えない2つの腫瘍学的徴候に強く移行した。 より広範なTMEバイオマーカーの研究を支援するため、モデルウェイトと推論コードをhttps://github.com/owkin/histoplus/でリリースする。

関連論文リスト

• CellVerse: Do Large Language Models Really Understand Cell Biology? [74.34984441715517]
  我々は,4種類のシングルセルマルチオミクスデータを統合する統一言語中心の質問応答ベンチマークであるCellVerseを紹介する。 我々は,CellVerse上で160Mから671Bまでの14のオープンソースおよびクローズドソースLLMの性能を体系的に評価した。
  論文  参考訳（メタデータ） (2025-05-09T06:47:23Z)
• Interpretable Graph Kolmogorov-Arnold Networks for Multi-Cancer Classification and Biomarker Identification using Multi-Omics Data [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)
• Graph Structure Learning for Tumor Microenvironment with Cell Type Annotation from non-spatial scRNA-seq data [6.432270457083369]
  本稿では,細胞型予測と細胞間相互作用解析を強化する新しいグラフニューラルネットワーク(GNN)モデルを提案する。 提案したScGSLモデルは堅牢な性能を示し、平均精度84.83%、精度86.23%、リコール81.51%、F1スコア80.92%を全データセットで達成した。
  論文  参考訳（メタデータ） (2025-02-04T18:28:25Z)
• 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)
• Single-Cell Deep Clustering Method Assisted by Exogenous Gene Information: A Novel Approach to Identifying Cell Types [50.55583697209676]
  我々は,細胞間のトポロジ的特徴を効率的に捉えるために,注目度の高いグラフオートエンコーダを開発した。 クラスタリング過程において,両情報の集合を統合し,細胞と遺伝子の特徴を再構成し,識別的表現を生成する。 本研究は、細胞の特徴と分布に関する知見を高め、疾患の早期診断と治療の基礎となる。
  論文  参考訳（メタデータ） (2023-11-28T09:14:55Z)
• Immunohistochemistry guided segmentation of benign epithelial cells, in situ lesions, and invasive epithelial cells in breast cancer slides [0.3251634769699391]
  乳がん領域における上皮細胞のセグメンテーションのためのAIモデルを開発した。 浸潤上皮細胞,良性上皮細胞,in situ病変に対するDiceスコア0.70,0.79,0.75の定量評価を行った。
  論文  参考訳（メタデータ） (2023-11-22T09:25:08Z)
• CLIP-Driven Universal Model for Organ Segmentation and Tumor Detection [36.08551407926805]
  本稿では,Contrastive Language-Image Pre-trainingから学習したテキストをセグメンテーションモデルに組み込んだCLIP駆動ユニバーサルモデルを提案する。 提案モデルは14のデータセットから作成され、合計3,410個のCTスキャンを使用してトレーニングを行い、さらに3つの追加データセットから6,162個の外部CTスキャンで評価する。
  論文  参考訳（メタデータ） (2023-01-02T18:07:44Z)
• Cell abundance aware deep learning for cell detection on highly imbalanced pathological data [0.0]
  デジタル病理学では、少ない細胞型は生物学的に重要である。 モデルトレーニング中の細胞型の豊富さを考慮した深層学習パイプラインを提案しました。 その結果,細胞量による深層学習損失関数のスケールアップは細胞検出性能を向上させることがわかった。
  論文  参考訳（メタデータ） (2021-02-23T13:07:52Z)

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。