論文の概要: STAMP: Multi-pattern Attention-aware Multiple Instance Learning for STAS Diagnosis in Multi-center Histopathology Images

• arxiv url: http://arxiv.org/abs/2508.10473v1
• Date: Thu, 14 Aug 2025 09:20:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-15 22:24:48.250439
• Title: STAMP: Multi-pattern Attention-aware Multiple Instance Learning for STAS Diagnosis in Multi-center Histopathology Images
• Title（参考訳）: STAMP:マルチセンター病理画像におけるSTAS診断のためのマルチパターン注意型マルチインスタンス学習
• Authors: Liangrui Pan, xiaoyu Li, Guang Zhu, Guanting Li, Ruixin Wang, Jiadi Luo, Yaning Yang, Liang qingchun, Shaoliang Peng,
• Abstract要約: 肺腺癌(LUAD)における空気空間(STAS)の拡散は新しい浸潤パターンを構成する 深層学習モデルをSTAS診断に活用するためには, プレッシャー的な臨床効果がある。 本稿では,STASの存在を解析・診断するための多パターン対応マルチインスタンス学習フレームワークSTAMPを提案する。
• 参考スコア（独自算出の注目度）: 7.759973080855308
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Spread through air spaces (STAS) constitutes a novel invasive pattern in lung adenocarcinoma (LUAD), associated with tumor recurrence and diminished survival rates. However, large-scale STAS diagnosis in LUAD remains a labor-intensive endeavor, compounded by the propensity for oversight and misdiagnosis due to its distinctive pathological characteristics and morphological features. Consequently, there is a pressing clinical imperative to leverage deep learning models for STAS diagnosis. This study initially assembled histopathological images from STAS patients at the Second Xiangya Hospital and the Third Xiangya Hospital of Central South University, alongside the TCGA-LUAD cohort. Three senior pathologists conducted cross-verification annotations to construct the STAS-SXY, STAS-TXY, and STAS-TCGA datasets. We then propose a multi-pattern attention-aware multiple instance learning framework, named STAMP, to analyze and diagnose the presence of STAS across multi-center histopathology images. Specifically, the dual-branch architecture guides the model to learn STAS-associated pathological features from distinct semantic spaces. Transformer-based instance encoding and a multi-pattern attention aggregation modules dynamically selects regions closely associated with STAS pathology, suppressing irrelevant noise and enhancing the discriminative power of global representations. Moreover, a similarity regularization constraint prevents feature redundancy across branches, thereby improving overall diagnostic accuracy. Extensive experiments demonstrated that STAMP achieved competitive diagnostic results on STAS-SXY, STAS-TXY and STAS-TCGA, with AUCs of 0.8058, 0.8017, and 0.7928, respectively, surpassing the clinical level.
• Abstract（参考訳）: 腫瘍再発と生存率の低下に伴う肺腺癌(LUAD)の新たな浸潤パターンを構成する。 しかし, LUADの大規模なSTAS診断は, その特異な病理学的特徴と形態学的特徴から, 過度な監視と誤診の順応を伴い, 労働集約的努力が続けられている。 その結果,STASの診断に深層学習モデルを活用するためのプレッシャー的臨床命令が存在する。 本研究は,TGA-LUADコホートとともに,第2Xiangya病院と第3Xiangya病院でSTAS患者の病理像を収集した。 3人の病理学者が、STAS-SXY、STAS-TXY、STAS-TCGAデータセットを構築するための相互検証アノテーションを実行した。 そこで本研究では,多施設の病理組織像におけるSTASの有無を解析・診断するために,STAMPというマルチパターン対応のマルチインスタンス学習フレームワークを提案する。 特に、デュアルブランチアーキテクチャは、STASに関連する病的特徴を異なる意味空間から学習するためにモデルをガイドする。 トランスフォーマーベースのインスタンスエンコーディングとマルチパターンアテンションアグリゲーションモジュールは、STASの病理と密接に関連する領域を動的に選択し、無関係なノイズを抑え、グローバル表現の識別力を高める。 さらに、類似性正規化制約により、分岐間の特徴冗長が防止され、全体的な診断精度が向上する。 その結果,STAMPはSTAS-SXY,STAS-TXY,STAS-TCGAでそれぞれ0.8058,0.8017,0.7928の成績を示した。

関連論文リスト

• CSASN: A Multitask Attention-Based Framework for Heterogeneous Thyroid Carcinoma Classification in Ultrasound Images [4.577163442985675]
  非均一な形態的特徴とデータ不均衡は、超音波画像を用いたまれな甲状腺癌の分類において重要な課題である。 本稿では,マルチタスク学習フレームワークであるChannel-Spatial Attention Synergy Network (CSASN)を提案する。
  論文  参考訳（メタデータ） (2025-05-04T18:23:03Z)
• SMILE: a Scale-aware Multiple Instance Learning Method for Multicenter STAS Lung Cancer Histopathology Diagnosis [9.06963630835666]
  病理学者は現在、非常に主観的で変動しがちな手作業による評価に時間を費やしている。 2,970個の肺がん組織スライドは、複数の中心から構成され、再診断され、3つの肺がんSTASデータセットを構築し、公開している。 肺癌のSTAS診断のためのSMILE法を提案する。
  論文  参考訳（メタデータ） (2025-03-18T01:09:52Z)
• GS-TransUNet: Integrated 2D Gaussian Splatting and Transformer UNet for Accurate Skin Lesion Analysis [44.99833362998488]
  本稿では,2次元ガウススプラッティングとTransformer UNetアーキテクチャを組み合わせた皮膚癌自動診断手法を提案する。 セグメンテーションと分類の精度は著しく向上した。 この統合は、新しいベンチマークをこの分野に設定し、マルチタスク医療画像解析手法のさらなる研究の可能性を強調している。
  論文  参考訳（メタデータ） (2025-02-23T23:28:47Z)
• Enhanced MRI Representation via Cross-series Masking [48.09478307927716]
  自己教師型でMRI表現を効果的に学習するためのクロスシリーズ・マスキング(CSM)戦略 メソッドは、パブリックデータセットと社内データセットの両方で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-12-10T10:32:09Z)
• Lesion-Aware Cross-Phase Attention Network for Renal Tumor Subtype Classification on Multi-Phase CT Scans [17.708032663036512]
  腎癌の術前診断にはCT(multi-phase Computed Tomography)が広く用いられている。 深層学習に基づくアプローチは、最近腎臓癌の鑑別診断のために研究されているが、ネットワーク設計におけるCTフェーズ間の関係を明示的にモデル化するものではない。 腎病変のCT位相間の時間的依存性を効果的に把握できる新しい病変認識型クロスフェーズアテンションネットワーク (LACPANet) を提案する。
  論文  参考訳（メタデータ） (2024-06-24T05:15:15Z)
• Diagnosis Of Takotsubo Syndrome By Robust Feature Selection From The Complex Latent Space Of DL-based Segmentation Network [4.583480375083946]
  医学における分類モデルやセグメンテーションモデルを用いて、潜伏した特徴を学習し、堅牢な特徴選択をオプトアウトし、過度な適合につながる可能性がある。 本稿では,診断を支援するセグメンテーションモデルの潜在空間を用いた特徴選択手法を提案する。 診断精度82%が従来のSOTA (State-of-the-art) を上回り, 心疾患の鑑別診断に有用であった。
  論文  参考訳（メタデータ） (2023-12-19T22:53:32Z)
• Co-Heterogeneous and Adaptive Segmentation from Multi-Source and Multi-Phase CT Imaging Data: A Study on Pathological Liver and Lesion Segmentation [48.504790189796836]
  我々は,新しいセグメンテーション戦略,コヘテロジネティック・アダプティブセグメンテーション(CHASe)を提案する。 本稿では,外見に基づく半スーパービジョン,マスクに基づく対向ドメイン適応,擬似ラベルを融合した多目的フレームワークを提案する。 CHASeは4.2% sim 9.4%$の範囲で、病理的な肝臓マスクDice-Sorensen係数をさらに改善することができる。
  論文  参考訳（メタデータ） (2020-05-27T06:58:39Z)
• Diagnosis of Coronavirus Disease 2019 (COVID-19) with Structured Latent Multi-View Representation Learning [48.05232274463484]
  最近、コロナウイルス病2019(COVID-19)の流行は世界中で急速に広まっている。 多くの患者と医師の重労働のために、機械学習アルゴリズムによるコンピュータ支援診断が緊急に必要である。 本研究では,CT画像から抽出した一連の特徴を用いて,COVID-19の診断を行うことを提案する。
  論文  参考訳（メタデータ） (2020-05-06T15:19:15Z)
• Spatio-spectral deep learning methods for in-vivo hyperspectral laryngeal cancer detection [49.32653090178743]
  頭頸部腫瘍の早期発見は患者の生存に不可欠である。 ハイパースペクトルイメージング(HSI)は頭頸部腫瘍の非侵襲的検出に用いられる。 HSIに基づく喉頭癌診断のための複数の深層学習手法を提案する。
  論文  参考訳（メタデータ） (2020-04-21T17:07:18Z)

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。