Fugu-MT 論文翻訳(概要): A Mixture-of-Experts Framework with Log-Logistic Components for Survival Analysis on Histopathology Images

論文の概要: A Mixture-of-Experts Framework with Log-Logistic Components for Survival Analysis on Histopathology Images

arxiv url: http://arxiv.org/abs/2511.06266v1
Date: Sun, 09 Nov 2025 08:02:15 GMT
ステータス: 翻訳完了
システム内更新日: 2025-11-11 21:18:44.850738
Title: A Mixture-of-Experts Framework with Log-Logistic Components for Survival Analysis on Histopathology Images
Title（参考訳）: 組織像の生存分析のためのログロジスティックな成分を用いた実験用フレームワーク
Authors: Ardhendu Sekhar, Vasu Soni, Keshav Aske, Shivam Madnoorkar, Pranav Jeevan, Amit Sethi,
Abstract要約: スライド画像全体(WSI)から癌特異的生存を予測するためのモジュラーフレームワークを提案する。このモデルは、TGA LUADで0.644、TGA KIRCで0.751、TGA BRCAで0.752となる。
参考スコア（独自算出の注目度）: 6.825656149756289
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We propose a modular framework for predicting cancer specific survival from whole slide pathology images (WSIs). The method integrates four components: (i) Quantile Gated Patch Selection via quantile based thresholding to isolate prognostically informative tissue regions; (ii) Graph Guided Clustering using a k nearest neighbor graph to capture phenotype level heterogeneity through spatial and morphological coherence; (iii) Hierarchical Context Attention to learn intra and inter cluster interactions; and (iv) an Expert Driven Mixture of Log logistics framework to estimate complex survival distributions using Log logistics distributions. The model attains a concordance index of 0.644 on TCGA LUAD, 0.751 on TCGA KIRC, and 0.752 on TCGA BRCA respectively, outperforming existing state of the art approaches.
Abstract（参考訳）: 本稿では,全スライド画像(WSI)から癌特異的生存を予測するためのモジュラーフレームワークを提案する。メソッドは4つのコンポーネントを統合する。一 Quantile Gated Patch Selection by Quantile based thresholding to isolated prognostically informationative tissue region (II) k近傍グラフを用いたグラフガイドクラスタリングによる空間的・形態的コヒーレンスによる表現型レベルの不均一性の把握三クラスタ内及びクラスタ間相互作用を学習するための階層的コンテキスト注意 (iv) ログロジスティクス分布を用いて複雑な生存分布を推定する、ログロジスティクスのエキスパート駆動混合フレームワーク。このモデルは、TGA LUADで0.644、TGA KIRCで0.751、TGA BRCAで0.752と一致し、既存の最先端のアプローチより優れている。

関連論文リスト

PathMoE: Interpretable Multimodal Interaction Experts for Pediatric Brain Tumor Classification [30.58342408480846]
PathMoEは、H&Eスライド、病理報告、核レベルセルグラフを統合する、解釈可能なマルチモーダルフレームワークである。内科的脳腫瘍データセットと外部TGAデータセットの2つのデータセット固有の分類タスクについて,本フレームワークの評価を行った。
論文参考訳（メタデータ） (2026-03-02T07:17:44Z)
Hierarchical Multi-Scale Graph Learning with Knowledge-Guided Attention for Whole-Slide Image Survival Analysis [7.719549259296449]
Hierarchical Multi-scale Knowledge-aware Graph Network (HMKGN) は、がん予後のための全スライディング画像(WSI)内のマルチスケール相互作用と空間的階層関係をモデル化する。生存予測には4つのTCGAコホート(KIRC, LGG, PAAD, STAD)を用いてHMKGNを評価した。
論文参考訳（メタデータ） (2026-02-26T23:47:27Z)
MMSF: Multitask and Multimodal Supervised Framework for WSI Classification and Survival Analysis [8.125488986754968]
本稿では,線形複雑度MILバックボーン上に構築されたマルチタスクおよびマルチモーダル監視フレームワークMMSFを紹介する。 CAMELYON16 と TCGA-NSCLC の実験では、2.1--6.6% の精度と2.2--6.9% のAUC が競争ベースラインよりも向上した。
論文参考訳（メタデータ） (2026-01-28T08:05:46Z)
Mind the Gap: Continuous Magnification Sampling for Pathology Foundation Models [39.846652646235036]
広範に使用されている離散的な倍率の均一サンプリングにより,中間倍率の劣化が生じることを示す。倍率スケールで表現品質を最適化するサンプリング分布を導出する。実験により、連続サンプリングは中間倍率での離散サンプリングよりも大幅に改善されることが示された。
論文参考訳（メタデータ） (2026-01-05T15:19:59Z)
A Semantically Enhanced Generative Foundation Model Improves Pathological Image Synthesis [82.01597026329158]
本稿では,組織合成のための相関調整フレームワーク(CRAFTS)について紹介する。 CRAFTSは、生物学的精度を確保するためにセマンティックドリフトを抑制する新しいアライメント機構を組み込んでいる。本モデルは,30種類の癌にまたがる多彩な病理像を生成する。
論文参考訳（メタデータ） (2025-12-15T10:22:43Z)
Graph Laplacian Transformer with Progressive Sampling for Prostate Cancer Grading [2.9485900021889146]
本稿では,特徴学習と空間整合性の両立を図るために,反復リファインメントモジュール (IRM) と統合されたグラフラプラシアンアテンションベーストランス (GLAT) を提案する。 IRMは、事前訓練されたResNet50を局所的特徴抽出に利用し、重要なスコアリングのために、非段階的なモードで基礎モデルを活用することにより、パッチ選択を反復的に洗練する。 GLATは、パッチがノードとして機能するグラフを構築し、グラフラプラシアン制約による空間的一貫性を確保することによって、組織レベルの接続をモデル化する。
論文参考訳（メタデータ） (2025-12-11T16:55:57Z)
MeCaMIL: Causality-Aware Multiple Instance Learning for Fair and Interpretable Whole Slide Image Diagnosis [40.3028468133626]
MIL(Multiple Case Learning)は、コンピュータ病理学における全スライド画像(WSI)解析の主流パラダイムとして登場した。因果関係を意識したMILフレームワークである textbfMeCaMIL は、構造化因果グラフを通じて、階層的共同創設者を明示的にモデル化する。 MeCaMILは優れた公正性を達成する -- 人口格差の分散は、属性全体の平均で65%以上減少する。
論文参考訳（メタデータ） (2025-11-14T06:47:21Z)
scMRDR: A scalable and flexible framework for unpaired single-cell multi-omics data integration [53.683726781791385]
単一セルマルチオミクス(ScMRDR)と呼ばれるスケーラブルでフレキシブルな生成フレームワークを導入する。本手法は, バッチ補正, モダリティアライメント, 生体信号保存の観点から, ベンチマークデータセット上での優れた性能を実現する。
論文参考訳（メタデータ） (2025-10-28T21:28:39Z)
HySemRAG: A Hybrid Semantic Retrieval-Augmented Generation Framework for Automated Literature Synthesis and Methodological Gap Analysis [55.2480439325792]
HySemRAGは、Extract, Transform, Load (ETL)パイプラインとRetrieval-Augmented Generation (RAG)を組み合わせたフレームワークである。システムは、マルチ層アプローチを通じて既存のRAGアーキテクチャの制限に対処する。
論文参考訳（メタデータ） (2025-08-01T20:30:42Z)
Survival Modeling from Whole Slide Images via Patch-Level Graph Clustering and Mixture Density Experts [7.0624785659308165]
スライド画像全体(WSI)から癌特異的生存を予測するためのモジュラーフレームワークを提案する。大規模なWSIに対処するために,Quantile-based thresholding を用いた動的パッチ選択を用いて予後情報組織領域を分離する。第3に、局所的な特徴を文脈化するために、クラスタ内関係とクラスタ間関係の両方をモデル化する注意機構を用いる。
論文参考訳（メタデータ） (2025-07-22T11:32:36Z)
A Dynamic Framework for Semantic Grouping of Common Data Elements (CDE) Using Embeddings and Clustering [0.782496834711349]
本研究の目的は、異種バイオメディカルデータセット間の共通データ要素(CDE)の調和を容易にする動的でスケーラブルなフレームワークを開発することである。本手法では,CDEを意味的関係やパターンをキャプチャする高密度ベクトルに変換するコンテキスト対応テキスト埋め込みに,Large Language Models (LLMs) を利用する。
論文参考訳（メタデータ） (2025-06-02T18:43:37Z)
PathFL: Multi-Alignment Federated Learning for Pathology Image Segmentation [40.87628787589962]
病理画像セグメンテーションのための新しいフェデレートラーニングフレームワークPathFLを提案する。 PathFLは、画像、特徴、モデルアグリゲーションの3段階のアライメント戦略を通じて、課題に対処する。
論文参考訳（メタデータ） (2025-05-28T16:09:02Z)
A Two-Stage Generative Model with CycleGAN and Joint Diffusion for MRI-based Brain Tumor Detection [41.454028276986946]
本稿では,脳腫瘍の検出とセグメンテーションを改善するための2段階生成モデル(TSGM)を提案する。 CycleGANは、未ペアデータに基づいてトレーニングされ、データとして正常な画像から異常な画像を生成する。 VE-JPは、合成対の異常画像をガイドとして使用して、健康な画像の再構成を行う。
論文参考訳（メタデータ） (2023-11-06T12:58:26Z)
The Whole Pathological Slide Classification via Weakly Supervised Learning [7.313528558452559]
細胞核疾患と病理タイルの空間的相関の2つの病因を考察した。本研究では,抽出器訓練中の汚れ分離を利用したデータ拡張手法を提案する。次に,隣接行列を用いてタイル間の空間的関係を記述する。これら2つのビューを統合することで,H&E染色組織像を解析するためのマルチインスタンス・フレームワークを設計した。
論文参考訳（メタデータ） (2023-07-12T16:14:23Z)
Histopathology Whole Slide Image Analysis with Heterogeneous Graph Representation Learning [78.49090351193269]
本稿では,WSI分析のために,異なる種類の核間の相互関係を利用する新しいグラフベースのフレームワークを提案する。具体的には、WSI を各ノードに "nucleus-type" 属性と各エッジに類似した意味属性を持つ異種グラフとして定式化する。我々のフレームワークは、様々なタスクに対してかなりのマージンで最先端の手法より優れています。
論文参考訳（メタデータ） (2023-07-09T14:43:40Z)
Improving Classification Model Performance on Chest X-Rays through Lung Segmentation [63.45024974079371]
本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
論文参考訳（メタデータ） (2022-02-22T15:24:06Z)
Spatial-spectral Hyperspectral Image Classification via Multiple Random Anchor Graphs Ensemble Learning [88.60285937702304]
本稿では,複数のランダムアンカーグラフアンサンブル学習(RAGE)を用いた空間スペクトルHSI分類手法を提案する。まず、各選択されたバンドのより記述的な特徴を抽出し、局所的な構造と領域の微妙な変化を保存するローカルバイナリパターンを採用する。次に,アンカーグラフの構成に適応隣接代入を導入し,計算複雑性を低減した。
論文参考訳（メタデータ） (2021-03-25T09:31:41Z)
Chest x-ray automated triage: a semiologic approach designed for clinical implementation, exploiting different types of labels through a combination of four Deep Learning architectures [83.48996461770017]
本研究では,異なる畳み込みアーキテクチャの後期融合に基づく深層学習手法を提案する。公開胸部x線画像と機関アーカイブを組み合わせたトレーニングデータセットを4つ構築した。 4つの異なるディープラーニングアーキテクチャをトレーニングし、それらのアウトプットとレイトフュージョン戦略を組み合わせることで、統一されたツールを得ました。
論文参考訳（メタデータ） (2020-12-23T14:38:35Z)
Amortized Probabilistic Detection of Communities in Graphs [39.56798207634738]
そこで我々は,アモータイズされたコミュニティ検出のためのシンプルなフレームワークを提案する。我々はGNNの表現力と最近のアモータイズクラスタリングの手法を組み合わせる。我々は、合成および実データセットに関するフレームワークから、いくつかのモデルを評価する。
論文参考訳（メタデータ） (2020-10-29T16:18:48Z)

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。