論文の概要: IPGPhormer: Interpretable Pathology Graph-Transformer for Survival Analysis
- arxiv url: http://arxiv.org/abs/2508.12381v1
- Date: Sun, 17 Aug 2025 14:32:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-19 14:49:10.709894
- Title: IPGPhormer: Interpretable Pathology Graph-Transformer for Survival Analysis
- Title（参考訳）: IPGPhormer:生存分析のための解釈可能な病理グラフ変換器
- Authors: Guo Tang, Songhan Jiang, Jinpeng Lu, Linghan Cai, Yongbing Zhang,
- Abstract要約: 腫瘍の微小環境の特徴を捉え,組織全体にわたる空間的依存関係をモデル化する新しい枠組みを提案する。
IPGPhormerは、ホック後の手動のアノテーションを必要とせずに、組織と細胞レベルでの解釈性を提供する。
4つの公開ベンチマークデータセットの総合的な評価は、IPGPhormerが予測精度と解釈可能性の両方で最先端の手法より優れていることを示している。
- 参考スコア（独自算出の注目度）: 6.753315684414596
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Pathological images play an essential role in cancer prognosis, while survival analysis, which integrates computational techniques, can predict critical clinical events such as patient mortality or disease recurrence from whole-slide images (WSIs). Recent advancements in multiple instance learning have significantly improved the efficiency of survival analysis. However, existing methods often struggle to balance the modeling of long-range spatial relationships with local contextual dependencies and typically lack inherent interpretability, limiting their clinical utility. To address these challenges, we propose the Interpretable Pathology Graph-Transformer (IPGPhormer), a novel framework that captures the characteristics of the tumor microenvironment and models their spatial dependencies across the tissue. IPGPhormer uniquely provides interpretability at both tissue and cellular levels without requiring post-hoc manual annotations, enabling detailed analyses of individual WSIs and cross-cohort assessments. Comprehensive evaluations on four public benchmark datasets demonstrate that IPGPhormer outperforms state-of-the-art methods in both predictive accuracy and interpretability. In summary, our method, IPGPhormer, offers a promising tool for cancer prognosis assessment, paving the way for more reliable and interpretable decision-support systems in pathology. The code is publicly available at https://anonymous.4open.science/r/IPGPhormer-6EEB.
- Abstract（参考訳）: 病理画像は癌予後において重要な役割を担っているが、生存分析は計算技術を統合しており、患者死亡や全スライディング画像(WSI)からの疾患再発などの重要な臨床事象を予測することができる。
複数インスタンス学習の最近の進歩は、生存率分析の効率を大幅に改善した。
しかし、既存の手法はしばしば、局所的な文脈依存と長距離空間関係のモデリングのバランスをとるのに苦労し、典型的には固有の解釈可能性に欠け、臨床効果を制限している。
これらの課題に対処するために,腫瘍の微小環境の特徴を捉え,組織全体にわたる空間的依存関係をモデル化する新しいフレームワークであるIPGPhormerを提案する。
IPGPhormerは、ポストホックな手動アノテーションを必要とせず、組織と細胞レベルでの解釈可能性を提供し、個々のWSIの詳細な分析とクロスコホートアセスメントを可能にする。
4つの公開ベンチマークデータセットの総合的な評価は、IPGPhormerが予測精度と解釈可能性の両方で最先端の手法より優れていることを示している。
まとめると,IPGPhormerは癌予後評価のための有望なツールであり,病理学におけるより信頼性が高く解釈可能な意思決定支援システムを実現する。
コードはhttps://anonymous.4open.science/r/IPGPhormer-6EEBで公開されている。
関連論文リスト
- Deep Survival Analysis in Multimodal Medical Data: A Parametric and Probabilistic Approach with Competing Risks [47.19194118883552]
単一リスクシナリオと競合リスクシナリオの両方をモデル化可能な生存分析のためのマルチモーダルディープラーニングフレームワークを提案する。
生存予測のための新しいディープラーニングアーキテクチャであるSAMVAE(Survival Analysis Multimodal Variational Autoencoder)を提案する。
論文 参考訳（メタデータ） (2025-07-10T14:29:48Z) - MIL vs. Aggregation: Evaluating Patient-Level Survival Prediction Strategies Using Graph-Based Learning [52.231128973251124]
我々は,WSIおよび患者レベルでの生存を予測するための様々な戦略を比較した。
前者はそれぞれのWSIを独立したサンプルとして扱い、他の作業で採用された戦略を模倣します。
後者は、複数のWSIの予測を集約するか、最も関連性の高いスライドを自動的に識別するメソッドを含む。
論文 参考訳（メタデータ） (2025-03-29T11:14:02Z) - From Pixels to Histopathology: A Graph-Based Framework for Interpretable Whole Slide Image Analysis [81.19923502845441]
我々はWSIグラフ表現を構成するグラフベースのフレームワークを開発する。
任意のパッチではなく生物学的境界に従う組織表現(ノード)を構築します。
本手法の最終段階として,グラフアテンションネットワークを用いて診断課題を解決する。
論文 参考訳（メタデータ） (2025-03-14T20:15:04Z) - Doctor-in-the-Loop: An Explainable, Multi-View Deep Learning Framework for Predicting Pathological Response in Non-Small Cell Lung Cancer [0.6800826356148091]
非小細胞肺癌(NSCLC)はいまだに世界的な健康上の課題である。
専門家主導のドメイン知識と説明可能な人工知能技術を統合する新しいフレームワークであるDoctor-in-the-Loopを提案する。
アプローチでは段階的なマルチビュー戦略を採用し,より広いコンテキスト特徴からより微細で病変特異的な詳細まで,モデルの焦点を段階的に洗練する。
論文 参考訳（メタデータ） (2025-02-21T16:35:30Z) - Self-Explaining Hypergraph Neural Networks for Diagnosis Prediction [45.89562183034469]
既存のディープラーニング診断予測モデルと本質的な解釈性は、過去の診断や病院訪問の度に注意重みを割り当てることが多い。
我々は、パーソナライズされた簡潔で忠実な説明を提供するように設計された、自己説明型ハイパーグラフニューラルネットワークモデルSHyを紹介する。
SHyは高次疾患の相互作用を捉え、パーソナライズされた説明として異なる時間的表現型を抽出する。
論文 参考訳（メタデータ） (2025-02-15T06:33:02Z) - Large-scale cervical precancerous screening via AI-assisted cytology whole slide image analysis [11.148919818020495]
頸部がんは婦人科における主要な悪性腫瘍であり続けており、世界規模で女性の健康に永続的な脅威をもたらしている。
Whole Slide Image (WSI) による早期スクリーニングは、このがんの進行を予防し、生存率を向上させるために重要である。
しかし、病理学者の単体検査は、WSI内でレビューする必要がある膨大な数の細胞のために、必然的に偽陰性に悩まされる。
論文 参考訳（メタデータ） (2024-07-28T15:29:07Z) - Histopathologic Cancer Detection [0.0]
この作業では、PatchCamelyonベンチマークデータセットを使用して、モデルをマルチレイヤのパーセプトロンと畳み込みモデルでトレーニングし、精度の高いリコール、F1スコア、精度、AUCスコアでモデルのパフォーマンスを観察する。
また,データ拡張を伴うResNet50とInceptionNetモデルを導入し,ResNet50が最先端モデルに勝てることを示す。
論文 参考訳（メタデータ） (2023-11-13T19:51:46Z) - Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based
Sparse PCA Network [93.22587316229954]
ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。
我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
論文 参考訳（メタデータ） (2021-10-27T19:28:36Z) - Survival-oriented embeddings for improving accessibility to complex data
structures [2.1847940931069605]
本稿では、生存分析の文脈における深層ニューラルネットワークの直接解釈を支援するハザード規則化変分オートエンコーダを提案する。
肝腫瘍患者の腹部CT検査と生存時間について検討した。
論文 参考訳（メタデータ） (2021-10-21T17:38:08Z) - Computational analysis of pathological image enables interpretable
prediction for microsatellite instability [5.774965366076466]
マイクロサテライト不安定症 (MSI) はいくつかの腫瘍タイプに関連付けられ, 患者治療決定の導出においてその地位はますます重要になっている。
本研究は,医療専門家が自動的にMSIを識別するのを支援するために,病的画像解析戦略を確立するものである。
これらの戦略は、ユビキタスなヘマトキシリンと、エオシンを染色した全スライド画像しか必要とせず、The Cancer Genome Atlasから収集された3つのコホートで十分な性能を発揮する。
論文 参考訳（メタデータ） (2020-10-07T03:05:05Z)
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。