論文の概要: From Cells to Survival: Hierarchical Analysis of Cell Inter-Relations in Multiplex Microscopy for Lung Cancer Prognosis

• arxiv url: http://arxiv.org/abs/2512.08572v1
• Date: Tue, 09 Dec 2025 13:10:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-10 22:28:07.968467
• Title: From Cells to Survival: Hierarchical Analysis of Cell Inter-Relations in Multiplex Microscopy for Lung Cancer Prognosis
• Title（参考訳）: 肺癌予後における細胞から生存までの細胞間関係の階層的解析
• Authors: Olle Edgren Schüllerqvist, Jens Baumann, Joakim Lindblad, Love Nordling, Artur Mezheyeuski, Patrick Micke, Nataša Sladoje,
• Abstract要約: HiGINEは、マルチプレックス免疫蛍光(mIF)画像におけるTME特性から患者の生存を予測するための階層的なグラフベースのアプローチである。 本モデルでは,細胞型と形態の情報を組み込んだ局所的およびグローバル的相互関係を符号化する。 我々は、HiGINEを2つのパブリックデータセット上で検証し、リスク階層化、ロバスト性、一般化可能性の向上を実証した。
• 参考スコア（独自算出の注目度）: 0.9046327456472286
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The tumor microenvironment (TME) has emerged as a promising source of prognostic biomarkers. To fully leverage its potential, analysis methods must capture complex interactions between different cell types. We propose HiGINE -- a hierarchical graph-based approach to predict patient survival (short vs. long) from TME characterization in multiplex immunofluorescence (mIF) images and enhance risk stratification in lung cancer. Our model encodes both local and global inter-relations in cell neighborhoods, incorporating information about cell types and morphology. Multimodal fusion, aggregating cancer stage with mIF-derived features, further boosts performance. We validate HiGINE on two public datasets, demonstrating improved risk stratification, robustness, and generalizability.
• Abstract（参考訳）: 腫瘍微小環境 (TME) は予後指標として期待されている。 そのポテンシャルを完全に活用するには、解析手法は異なる細胞種間の複雑な相互作用を捉える必要がある。 多発性免疫蛍光(mIF)画像におけるTME特徴から患者の生存率(短命と長命)を予測し,肺癌のリスク階層化を促進する階層的なグラフベースアプローチであるHiGINEを提案する。 本モデルでは,細胞型と形態の情報を組み込んだ局所的およびグローバル的相互関係を符号化する。 マルチモーダル融合は、mIFに由来する特徴を持つがんステージを凝集させ、パフォーマンスをさらに向上させる。 我々は、HiGINEを2つのパブリックデータセット上で検証し、リスク階層化、ロバスト性、一般化可能性の向上を実証した。

関連論文リスト

• Generalized promotion time cure model: A new modeling framework to identify cell-type-specific genes and improve survival prognosis [2.117421588033177]
  単細胞技術は、がん細胞と関連する腫瘍微小環境の間の相互作用を分離する前例のない機会を提供する。 本稿では, 細胞型特異的遺伝子を同定し, 癌予後を改善するため, マルチスケールデータ統合のためのベイズ一般化促進時間治療モデル(GPTCM)のクラスを提案する。
  論文  参考訳（メタデータ） (2025-08-31T21:35:57Z)
• 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)
• Interpretable Graph Kolmogorov-Arnold Networks for Multi-Cancer Classification and Biomarker Identification using Multi-Omics Data [36.92842246372894]
  Multi-Omics Graph Kolmogorov-Arnold Network (MOGKAN)は、メッセンジャーRNA、マイクロRNA配列、DNAメチル化サンプルを利用するディープラーニングフレームワークである。 グラフに基づく深層学習とマルチオミクスデータを統合することにより,提案手法は頑健な予測性能と解釈可能性を示す。
  論文  参考訳（メタデータ） (2025-03-29T02:14:05Z)
• LASSO-MOGAT: A Multi-Omics Graph Attention Framework for Cancer Classification [41.94295877935867]
  本稿では,メッセンジャーRNA,マイクロRNA,DNAメチル化データを統合し,31種類のがんを分類するグラフベースのディープラーニングフレームワークLASSO-MOGATを紹介する。
  論文  参考訳（メタデータ） (2024-08-30T16:26:04Z)
• MMIL: A novel algorithm for disease associated cell type discovery [58.044870442206914]
  単一細胞データセットは、しばしば個々の細胞ラベルを欠いているため、病気に関連する細胞を特定することは困難である。 セルレベルの分類器の訓練と校正を可能にする予測手法であるMixture Modeling for Multiple Learning Instance (MMIL)を導入する。
  論文  参考訳（メタデータ） (2024-06-12T15:22:56Z)
• Single-Cell Deep Clustering Method Assisted by Exogenous Gene Information: A Novel Approach to Identifying Cell Types [50.55583697209676]
  我々は,細胞間のトポロジ的特徴を効率的に捉えるために,注目度の高いグラフオートエンコーダを開発した。 クラスタリング過程において,両情報の集合を統合し,細胞と遺伝子の特徴を再構成し,識別的表現を生成する。 本研究は、細胞の特徴と分布に関する知見を高め、疾患の早期診断と治療の基礎となる。
  論文  参考訳（メタデータ） (2023-11-28T09:14:55Z)
• Improved Prognostic Prediction of Pancreatic Cancer Using Multi-Phase CT by Integrating Neural Distance and Texture-Aware Transformer [37.55853672333369]
  本稿では, 異なる患者のCT像における腫瘍と血管の正確な関係を記述した, 学習可能なニューラル距離を提案する。 発達したリスクマーカーは, 術前因子の生存率の予測因子として最強であった。
  論文  参考訳（メタデータ） (2023-08-01T12:46:02Z)
• Pathology-and-genomics Multimodal Transformer for Survival Outcome Prediction [43.1748594898772]
  大腸癌生存予測に病理学とゲノム学的知見を統合したマルチモーダルトランスフォーマー(PathOmics)を提案する。 ギガピクセル全スライド画像における組織ミクロ環境間の内在的相互作用を捉えるための教師なし事前訓練を強調した。 我々は,TCGA大腸癌と直腸癌コホートの両方に対するアプローチを評価し,提案手法は競争力があり,最先端の研究より優れていることを示す。
  論文  参考訳（メタデータ） (2023-07-22T00:59:26Z)
• Generating counterfactual explanations of tumor spatial proteomes to discover effective strategies for enhancing immune infiltration [44.99833362998488]
  腫瘍微小環境(TME)は免疫組成により癌予後に大きな影響を及ぼす。 本稿では,T細胞浸潤予測を自己教師型機械学習問題として定式化する。 悪性黒色腫,大腸癌肝転移,乳癌データに枠組みを応用し,T細胞浸潤が予測される摂動を発見した。
  論文  参考訳（メタデータ） (2022-11-08T05:46:02Z)

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。