論文の概要: A Hierarchical Geometry-guided Transformer for Histological Subtyping of Primary Liver Cancer

• arxiv url: http://arxiv.org/abs/2510.05657v1
• Date: Tue, 07 Oct 2025 08:10:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-08 17:57:08.152056
• Title: A Hierarchical Geometry-guided Transformer for Histological Subtyping of Primary Liver Cancer
• Title（参考訳）: 原発性肝癌の組織亜型化のための階層型形状誘導型トランス
• Authors: Anwen Lu, Mingxin Liu, Yiping Jiao, Hongyi Gong, Geyang Xu, Jun Chen, Jun Xu,
• Abstract要約: 肝臓癌は消化器系の最も異質で予後の異なる癌である。 全スライド画像(WSI)における特徴の表現は、肝癌組織学的サブタイピングにおいて重要な情報を含んでいる。 ARGUSはTME内のマクロメソマイクロ階層情報を取り込み,肝癌における組織学的サブタイピングを進展させることが提案されている。
• 参考スコア（独自算出の注目度）: 9.468531938157998
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Primary liver malignancies are widely recognized as the most heterogeneous and prognostically diverse cancers of the digestive system. Among these, hepatocellular carcinoma (HCC) and intrahepatic cholangiocarcinoma (ICC) emerge as the two principal histological subtypes, demonstrating significantly greater complexity in tissue morphology and cellular architecture than other common tumors. The intricate representation of features in Whole Slide Images (WSIs) encompasses abundant crucial information for liver cancer histological subtyping, regarding hierarchical pyramid structure, tumor microenvironment (TME), and geometric representation. However, recent approaches have not adequately exploited these indispensable effective descriptors, resulting in a limited understanding of histological representation and suboptimal subtyping performance. To mitigate these limitations, ARGUS is proposed to advance histological subtyping in liver cancer by capturing the macro-meso-micro hierarchical information within the TME. Specifically, we first construct a micro-geometry feature to represent fine-grained cell-level pattern via a geometric structure across nuclei, thereby providing a more refined and precise perspective for delineating pathological images. Then, a Hierarchical Field-of-Views (FoVs) Alignment module is designed to model macro- and meso-level hierarchical interactions inherent in WSIs. Finally, the augmented micro-geometry and FoVs features are fused into a joint representation via present Geometry Prior Guided Fusion strategy for modeling holistic phenotype interactions. Extensive experiments on public and private cohorts demonstrate that our ARGUS achieves state-of-the-art (SOTA) performance in histological subtyping of liver cancer, which provide an effective diagnostic tool for primary liver malignancies in clinical practice.
• Abstract（参考訳）: 原発性肝悪性腫瘍は消化器系の最も異質で予後の異なる癌として広く認められている。 肝細胞癌 (HCC) と肝内胆管癌 (ICC) は2つの組織型として出現し, 組織形態, 細胞構造が他の一般的な腫瘍より有意に複雑であった。 全スライド画像(WSI)の特徴の複雑な表現は、肝癌組織学的サブタイピングにおいて、階層的ピラミッド構造、腫瘍微小環境(TME)、幾何学的表現に関する重要な情報を含んでいる。 しかし、近年のアプローチでは、これらの必要不可欠な効果的な記述子を適切に利用していないため、組織学的表現と準最適サブタイプ性能の限定的な理解が得られている。 これらの制限を緩和するために、ARGUSはTME内のマクロ・メソマイクロ階層情報を取り込み、肝癌における組織学的サブタイピングを促進することが提案されている。 具体的には、まず、核を横断する幾何学的構造を通して微細な細胞レベルのパターンを表現するマイクロジオメトリ機能を構築し、病理像のより精細で正確な視点を提供する。 次に、WSIに固有のマクロおよびメソレベルの階層的相互作用をモデル化するために、階層的視野(FoV)アライメントモジュールを設計する。 最後に、拡張されたマイクロジオメトリとFoVは、全体的表現型相互作用をモデル化するための現在のGeometry Prior Guided Fusion戦略を介して、ジョイント表現に融合される。 肝癌の病理組織学的サブタイピングにおけるARGUS(State-of-the-art (SOTA)) の成績は, 臨床における原発性肝悪性腫瘍の診断に有効であることを示す。

関連論文リスト

• Multimodal Sheaf-based Network for Glioblastoma Molecular Subtype Prediction [5.563171090433323]
  我々はMRIと病理組織学データの構造認識と一貫した融合のための新しい枠組みを提案する。 我々のモデルはベースライン手法より優れ、不完全あるいは欠落したデータシナリオにおける堅牢性を示す。
  論文  参考訳（メタデータ） (2025-08-13T11:11:33Z)
• 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)
• MIRROR: Multi-Modal Pathological Self-Supervised Representation Learning via Modality Alignment and Retention [57.044719143401664]
  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)
• Comprehensive Pathological Image Segmentation via Teacher Aggregation for Tumor Microenvironment Analysis [0.15206737182982252]
  PAGET (Pathological image segmentation via AGgrEgated Teachers) は,複数のセグメンテーションモデルを統合する新しい知識蒸留手法である。 PAGETが様々な組織タイプや医療機関に対して,迅速かつ包括的なTMEセグメンテーションを行う能力を示す。
  論文  参考訳（メタデータ） (2025-01-06T10:33:14Z)
• BraTS-Path Challenge: Assessing Heterogeneous Histopathologic Brain Tumor Sub-regions [29.940537460789688]
  グリオ芽腫は、最も一般的な成人脳腫瘍であり、グリム予後を呈する。 BraTS-Pathの課題は、組織的に準備された包括的なデータセットと、ディープラーニングモデルの開発と適切な比較を行うためのベンチマーク環境を提供することである。
  論文  参考訳（メタデータ） (2024-05-17T16:02:21Z)
• Pathology-genomic fusion via biologically informed cross-modality graph learning for survival analysis [7.996257103473235]
  そこで我々は,全スライド画像(WSI)とバルクRNA-Seq発現データと異種グラフニューラルネットワークを統合したPGHG(Pathology-Genome Heterogeneous Graph)を提案する。 PGHGは生物学的知識誘導表現学習ネットワークと病理ゲノム不均一グラフから構成される。 腫瘍ゲノムアトラスの低悪性度グリオーマ,グリオーマ,腎乳頭状細胞癌データセットについて検討した。
  論文  参考訳（メタデータ） (2024-04-11T09:07:40Z)
• A Pathologist-Informed Workflow for Classification of Prostate Glands in Histopathology [62.997667081978825]
  病理学者は、ガラススライド上の針生検の組織を調べて前立腺がんを診断し、診断する。 がんの重症度と転移リスクは、前立腺の組織と形態に基づくスコアであるGleason gradeによって決定される。 本稿では,病理学者のtextitmodus operandi に従って,個々の腺のマルチスケールパッチを分離・分類する自動ワークフローを提案する。
  論文  参考訳（メタデータ） (2022-09-27T14:08:19Z)
• Learned super resolution ultrasound for improved breast lesion characterization [52.77024349608834]
  超高分解能超音波局在顕微鏡は毛細血管レベルでの微小血管のイメージングを可能にする。 この作業では、これらの課題に対処するために、信号構造を効果的に活用するディープニューラルネットワークアーキテクチャを使用します。 トレーニングしたネットワークを利用することで,従来のPSF知識を必要とせず,UCAの分離性も必要とせず,短時間で微小血管構造を復元する。
  論文  参考訳（メタデータ） (2021-07-12T09:04:20Z)
• Sequential Learning on Liver Tumor Boundary Semantics and Prognostic Biomarker Mining [73.23533486979166]
  腫瘍境界に対する毛細血管浸潤は予後指標であるmicrovascular invasion (mvi) と臨床的に相関することが証明されている。 本論文では,タスクを2つのコンポーネントに分離する,第1および新規な計算フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-03-09T01:43:05Z)

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。