論文の概要: HiFusion: Hierarchical Intra-Spot Alignment and Regional Context Fusion for Spatial Gene Expression Prediction from Histopathology

• arxiv url: http://arxiv.org/abs/2511.12969v2
• Date: Wed, 19 Nov 2025 05:37:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-20 13:41:21.104358
• Title: HiFusion: Hierarchical Intra-Spot Alignment and Regional Context Fusion for Spatial Gene Expression Prediction from Histopathology
• Title（参考訳）: ヒフュージョン : 病理組織からの空間的遺伝子発現予測のための階層的空間内アライメントと局所文脈フュージョン
• Authors: Ziqiao Weng, Yaoyu Fang, Jiahe Qian, Xinkun Wang, Lee AD Cooper, Weidong Cai, Bo Zhou,
• Abstract要約: HiFusionは、2つの補完的なコンポーネントを統合する新しいディープラーニングフレームワークである。 HiFusionは,2次元のスライドワイドクロスバリデーションと,より困難な3次元サンプル固有シナリオの両面において,最先端のパフォーマンスを実現する。 これらの結果は、定期的な病理組織学からのST推論の堅牢で正確でスケーラブルな解としてのHiFusionの可能性を裏付けるものである。
• 参考スコア（独自算出の注目度）: 7.982889842329205
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Spatial transcriptomics (ST) bridges gene expression and tissue morphology but faces clinical adoption barriers due to technical complexity and prohibitive costs. While computational methods predict gene expression from H&E-stained whole-slide images (WSIs), existing approaches often fail to capture the intricate biological heterogeneity within spots and are susceptible to morphological noise when integrating contextual information from surrounding tissue. To overcome these limitations, we propose HiFusion, a novel deep learning framework that integrates two complementary components. First, we introduce the Hierarchical Intra-Spot Modeling module that extracts fine-grained morphological representations through multi-resolution sub-patch decomposition, guided by a feature alignment loss to ensure semantic consistency across scales. Concurrently, we present the Context-aware Cross-scale Fusion module, which employs cross-attention to selectively incorporate biologically relevant regional context, thereby enhancing representational capacity. This architecture enables comprehensive modeling of both cellular-level features and tissue microenvironmental cues, which are essential for accurate gene expression prediction. Extensive experiments on two benchmark ST datasets demonstrate that HiFusion achieves state-of-the-art performance across both 2D slide-wise cross-validation and more challenging 3D sample-specific scenarios. These results underscore HiFusion's potential as a robust, accurate, and scalable solution for ST inference from routine histopathology.
• Abstract（参考訳）: 空間転写学(ST)は遺伝子発現と組織形態を橋渡しするが、技術的複雑さと禁止費用のために臨床応用障壁に直面している。 H&E-stained whole-slide image (WSI) から遺伝子発現を予測する計算手法があるが、既存の手法では斑点内の複雑な生物学的不均一性を捉えることができず、周囲の組織からコンテキスト情報を統合する際には形態的ノイズの影響を受けやすい。 これらの制限を克服するために,2つの補完的なコンポーネントを統合する新しいディープラーニングフレームワークであるHiFusionを提案する。 まず,マルチレゾリューションサブパッチ分解による微細なモルフォロジー表現を抽出する階層内モデルモジュールを提案する。 同時に、生物学的に関係のある地域コンテキストを選択的に組み込んで表現能力を高めるために、クロスアテンションを用いたコンテキスト対応クロススケールフュージョンモジュールを提案する。 このアーキテクチャは、正確な遺伝子発現予測に必須である細胞レベル特徴と組織微小環境手がかりの両方の包括的なモデリングを可能にする。 2つのベンチマークSTデータセットに対する大規模な実験により、HiFusionは2Dスライドワイドクロスバリデーションとより困難な3Dサンプル特定シナリオの両方で最先端のパフォーマンスを達成している。 これらの結果は、定期的な病理組織学からのST推論の堅牢で正確でスケーラブルな解としてのHiFusionの可能性を裏付けるものである。

関連論文リスト

• C3-Diff: Super-resolving Spatial Transcriptomics via Cross-modal Cross-content Contrastive Diffusion Modelling [5.986183062217602]
  本研究は, 組織像をガイダンスとしてST強調のために, C3-Diffと呼ばれるクロスモーダルクロスコントラスト拡散フレームワークを提案する。 STマップにおける低シークエンシング感度の問題を克服するため,特徴単位超球面上でノイズに基づく情報拡張を行う。 本稿では,STデータ不足を軽減するための動的クロスモーダル計算に基づくトレーニング戦略を提案する。
  論文  参考訳（メタデータ） (2025-11-04T13:12:25Z)
• AdaFusion: Prompt-Guided Inference with Adaptive Fusion of Pathology Foundation Models [49.550545038402184]
  本稿では,新しいプロンプト誘導推論フレームワークであるAdaFusionを提案する。 本手法は,多様なモデルからタイルレベルの特徴を圧縮・整列する。 AdaFusionは、分類タスクと回帰タスクの両方にわたって、個々のPFMを一貫して上回っている。
  論文  参考訳（メタデータ） (2025-08-07T07:09:31Z)
• Adaptive Spatial Transcriptomics Interpolation via Cross-modal Cross-slice Modeling [26.230748488216648]
  空間転写学(Spatial transcriptomics、ST)は、組織コンテキスト内の空間的遺伝子プロファイリングパターンを特徴づける技法である。 本稿では, 隣接するSTスライス間の任意の中間位置において, 欠損STスライスを補間する最初の試みであるC2-STiを提案する。
  論文  参考訳（メタデータ） (2025-05-15T22:14:39Z)
• PH2ST:ST-Prompt Guided Histological Hypergraph Learning for Spatial Gene Expression Prediction [9.420121324844066]
  本稿では,空間的遺伝子発現予測のためのマルチスケールな組織学的表現学習を支援するために,プロンプト誘導型ハイパーグラフ学習フレームワークPH2STを提案する。 PH2STは既存の最先端手法に勝るだけでなく、欠落点の計算、ST超解像、局所-グローバル予測などの実用的な応用にも大きな可能性を秘めている。
  論文  参考訳（メタデータ） (2025-03-21T03:10:43Z)
• 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)
• Cross-modal Diffusion Modelling for Super-resolved Spatial Transcriptomics [5.904688354944791]
  空間転写学は、発見研究のための組織内の空間遺伝子発現を特徴づけることができる。 超高分解能アプローチは、組織像とプロファイルされた組織スポットの遺伝子発現を統合することでSTマップを強化することを約束する。 本稿では, 組織像の誘導による超解像STマップのクロスモーダル拡散モデルを提案する。
  論文  参考訳（メタデータ） (2024-04-19T16:01:00Z)
• Data-driven generation of plausible tissue geometries for realistic photoacoustic image synthesis [53.65837038435433]
  光音響トモグラフィ(pat)は形態的および機能的組織特性を回復する可能性がある。 我々は,PATデータシミュレーションの新たなアプローチを提案し,これを「シミュレーションの学習」と呼ぶ。 我々は、意味的注釈付き医療画像データに基づいて訓練されたGAN(Generative Adversarial Networks)の概念を活用して、可塑性組織ジオメトリを生成する。
  論文  参考訳（メタデータ） (2021-03-29T11:30:18Z)

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。