論文の概要: CellEcoNet: Decoding the Cellular Language of Pathology with Deep Learning for Invasive Lung Adenocarcinoma Recurrence Prediction

• arxiv url: http://arxiv.org/abs/2508.16742v1
• Date: Fri, 22 Aug 2025 18:48:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-26 18:43:45.15625
• Title: CellEcoNet: Decoding the Cellular Language of Pathology with Deep Learning for Invasive Lung Adenocarcinoma Recurrence Prediction
• Title（参考訳）: CellEcoNet: 浸潤性肺腺癌再発予測のための深層学習による病理組織診断
• Authors: Abdul Rehman Akbar, Usama Sajjad, Ziyu Su, Wencheng Li, Fei Xing, Jimmy Ruiz, Wei Chen, Muhammad Khalid Khan Niazi,
• Abstract要約: 本稿では,スライド画像全体(WSI)を自然言語のアナロジーでモデル化する空間認識型ディープラーニングフレームワークであるCellEcoNetを紹介する。 456のH&E-stained WSIのデータセットで、CellEcoNetは優れた予測性能(AUC:77.8% HR:9.54)を達成し、IASLCグレーティングシステムを上回った。 CellEcoNetは、腫瘍の微小環境の細胞"言語"をデコードすることで、細胞の変化が再発リスクをいかに微妙にコードするかを明らかにするパラダイムシフトである。
• 参考スコア（独自算出の注目度）: 4.366720713768054
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Despite surgical resection, ~70% of invasive lung adenocarcinoma (ILA) patients recur within five years, and current tools fail to identify those needing adjuvant therapy. To address this unmet clinical need, we introduce CellEcoNet, a novel spatially aware deep learning framework that models whole slide images (WSIs) through natural language analogy, defining a "language of pathology," where cells act as words, cellular neighborhoods become phrases, and tissue architecture forms sentences. CellEcoNet learns these context-dependent meanings automatically, capturing how subtle variations and spatial interactions derive recurrence risk. On a dataset of 456 H&E-stained WSIs, CellEcoNet achieved superior predictive performance (AUC:77.8% HR:9.54), outperforming IASLC grading system (AUC:71.4% HR:2.36), AJCC Stage (AUC:64.0% HR:1.17) and state-of-the-art computational methods (AUCs:62.2-67.4%). CellEcoNet demonstrated fairness and consistent performance across diverse demographic and clinical subgroups. Beyond prognosis, CellEcoNet marks a paradigm shift by decoding the tumor microenvironment's cellular "language" to reveal how subtle cell variations encode recurrence risk.
• Abstract（参考訳）: 外科的切除にもかかわらず、浸潤性肺腺癌(ILA)患者の約70%は5年以内に再発し、現在の治療法ではアジュバント療法を必要とする患者を特定することができない。 このような未解決の臨床的ニーズに対処するために,我々はCellEcoNetを紹介した。CellEcoNetは,自然言語のアナロジーを通じてスライド画像全体(WSI)をモデル化し,細胞が言葉として機能し,細胞近傍がフレーズとなり,組織構造が文を形成する「病理言語」を定義する,空間認識型深層学習フレームワークである。 CellEcoNetはこれらの文脈に依存した意味を自動的に学習し、微妙な変動と空間的相互作用がいかに再発リスクをもたらすかをキャプチャする。 456のH&E-stained WSIのデータセットでは、CellEcoNetは優れた予測性能(AUC:77.8% HR:9.54)、IASLCグレーティングシステム(AUC:71.4% HR:2.36)、AJCCステージ(AUC:64.0% HR:1.17)、最先端の計算方法(AUC:62.2-67.4%)を達成している。 CellEcoNetは多様な集団群と臨床群で公正性と一貫した性能を示した。 予後以外にも、CellEcoNetは腫瘍の微小環境の細胞「言語」を解読し、細胞の変化が再発リスクをいかに微妙にコードするかを明らかにすることでパラダイムシフトを図っている。

関連論文リスト

• 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)
• Cyto R-CNN and CytoNuke Dataset: Towards reliable whole-cell segmentation in bright-field histological images [44.83069198478997]
  我々は,セル全体を鮮視野画像に正確に分割できるネットワークアーキテクチャCyto R-CNNを提案する。 また,頭頸部扁平上皮癌細胞に対する数千の手動アノテーションからなる新しいデータセットCytoNukeも提示した。
  論文  参考訳（メタデータ） (2024-01-28T12:22:34Z)
• 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)
• Semantic segmentation of surgical hyperspectral images under geometric domain shifts [69.91792194237212]
  本稿では、幾何学的アウト・オブ・ディストリビューション(OOD)データの存在下で、最先端のセマンティックセグメンテーションネットワークを初めて分析する。 有機移植(Organ transplantation)と呼ばれる専用の拡張技術により、一般化可能性にも対処する。 提案手法は,SOA DSCの最大67 % (RGB) と90% (HSI) を改善し,実際のOODテストデータ上での分配内性能と同等の性能を示す。
  論文  参考訳（メタデータ） (2023-03-20T09:50:07Z)
• Exploiting segmentation labels and representation learning to forecast therapy response of PDAC patients [60.78505216352878]
  化学療法に対する腫瘍反応を予測するためのハイブリッドディープニューラルネットワークパイプラインを提案する。 セグメンテーションから分類への表現伝達の組み合わせと、ローカライゼーションと表現学習を利用する。 提案手法は, 合計477個のデータセットを用いて, ROC-AUC 63.7% の処理応答を予測できる, 極めて効率的な手法である。
  論文  参考訳（メタデータ） (2022-11-08T11:50:31Z)
• 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)

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。