論文の概要: IMILIA: interpretable multiple instance learning for inflammation prediction in IBD from H&E whole slide images

• arxiv url: http://arxiv.org/abs/2512.13440v1
• Date: Mon, 15 Dec 2025 15:36:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-16 17:54:56.726444
• Title: IMILIA: interpretable multiple instance learning for inflammation prediction in IBD from H&E whole slide images
• Title（参考訳）: IMILIA:H&E全スライド画像からの炎症予測のための多変量学習
• Authors: Thalyssa Baiocco-Rodrigues, Antoine Olivier, Reda Belbahri, Thomas Duboudin, Pierre-Antoine Bannier, Benjamin Adjadj, Katharina Von Loga, Nathan Noiry, Maxime Touzot, Hector Roux de Bezieux,
• Abstract要約: ヘマトキシリンとエオシン(H&E)で染色したIBDデジタル化スライドにおける炎症発生予測のためのエンドツーエンドフレームワークであるIMILIAを導入する。 IMILIAは炎症予測モジュールと、細胞インスタンスの検出のためのHistoPLUSと上皮のセグメンテーションのためのEpiSegの2つのブロックに分けられる解釈性モジュールで構成されている。 高い予測スコアを持つタイルは免疫細胞の密度を増大させるが、低色タイルは正常な上皮細胞を主に含む。
• 参考スコア（独自算出の注目度）: 2.5182612992285844
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: As the therapeutic target for Inflammatory Bowel Disease (IBD) shifts toward histologic remission, the accurate assessment of microscopic inflammation has become increasingly central for evaluating disease activity and response to treatment. In this work, we introduce IMILIA (Interpretable Multiple Instance Learning for Inflammation Analysis), an end-to-end framework designed for the prediction of inflammation presence in IBD digitized slides stained with hematoxylin and eosin (H&E), followed by the automated computation of markers characterizing tissue regions driving the predictions. IMILIA is composed of an inflammation prediction module, consisting of a Multiple Instance Learning (MIL) model, and an interpretability module, divided in two blocks: HistoPLUS, for cell instance detection, segmentation and classification; and EpiSeg, for epithelium segmentation. IMILIA achieves a cross-validation ROC-AUC of 0.83 on the discovery cohort, and a ROC-AUC of 0.99 and 0.84 on two external validation cohorts. The interpretability module yields biologically consistent insights: tiles with higher predicted scores show increased densities of immune cells (lymphocytes, plasmocytes, neutrophils and eosinophils), whereas lower-scored tiles predominantly contain normal epithelial cells. Notably, these patterns were consistent across all datasets. Code and models to partially replicate the results on the public IBDColEpi dataset can be found at https://github.com/owkin/imilia.
• Abstract（参考訳）: 炎症性腸疾患 (IBD) の治療対象が組織学的寛解へと移行するにつれ, 顕微鏡的炎症の正確な評価は, 疾患活動の評価や治療に対する反応においてますます重要になっている。 IMILIA(Interpretable Multiple Instance Learning for Inflammation Analysis)は、ヘマトキシリンとエオシン(H&E)で染色したIBDデジタル化スライドにおける炎症の有無を予測するためのエンドツーエンドフレームワークである。 IMILIAは、複数のインスタンス学習(MIL)モデルからなる炎症予測モジュールと、細胞インスタンスの検出、セグメンテーション、分類のためのHistoPLUSと、上皮セグメンテーションのためのEpiSegの2つのブロックに分けられる。 IMILIAは発見コホート上で0.83の相互検証ROC-AUC、2つの外部検証コホート上で0.99と0.84のROC-AUCを達成する。 高い予測スコアを持つタイルは免疫細胞(リンパ球、プラスミド細胞、好中球、好酸球)の密度を増大させるが、低色タイルは主に正常な上皮細胞を含む。 特に、これらのパターンはすべてのデータセットで一貫性があった。 パブリックなIBDColEpiデータセットで結果を部分的に再現するコードとモデルは、https://github.com/owkin/imiliaで見ることができる。

関連論文リスト

• RAA-MIL: A Novel Framework for Classification of Oral Cytology [0.0]
  本稿では,患者の口腔内サイトロジー全体像の診断を行うための,第1の弱教師付き深層学習フレームワークについて紹介する。 本研究は, 口腔細胞診における患者レベルの弱監督型ベンチマークを初めて確立し, 信頼性の高いAI支援型デジタル病理学へ向けたものである。
  論文  参考訳（メタデータ） (2025-11-15T15:48:36Z)
• Exploring Few-Shot Object Detection on Blood Smear Images: A Case Study of Leukocytes and Schistocytes [37.440449828136586]
  調査は、DE-ViTと呼ばれる新しいアプローチに焦点を当てている。 この手法はFew-Shotパラダイムで採用されており、トレーニングは限られた数の画像に依存している。 DE-ViTはCOCOデータセットとLVISデータセットで最先端のパフォーマンスを示しているが、どちらもRaabin-WBCデータセットでのパフォーマンスを上回っている。
  論文  参考訳（メタデータ） (2025-03-21T12:46:49Z)
• Phenome-wide causal proteomics enhance systemic lupus erythematosus flare prediction: A study in Asian populations [8.003585790309332]
  全身性エリテマトーデス(Systemic lupus erythematosus, SLE)は、予測不能フレアを特徴とする複雑な自己免疫疾患である。 本研究は,アジア系SLE人口を対象とした新しいループに基づくリスク予測モデルの構築を目的とする。
  論文  参考訳（メタデータ） (2024-11-18T01:50:36Z)
• TACCO: Task-guided Co-clustering of Clinical Concepts and Patient Visits for Disease Subtyping based on EHR Data [42.96821770394798]
  TACCOは、EMHデータのハイパーグラフモデリングに基づいて、臨床概念と患者訪問のクラスターを共同で発見する新しいフレームワークである。 我々は,表現型分類と心血管リスク予測の下流臨床課題に対して,公共MIMIC-IIIデータセットとエモリー内部CRADLEデータセットを用いて実験を行った。 深層モデル解析,クラスタリング結果解析,臨床ケーススタディは,TACCOが提供した改良されたユーティリティと洞察に富んだ解釈をさらに検証する。
  論文  参考訳（メタデータ） (2024-06-14T14:18:38Z)
• CIMIL-CRC: a clinically-informed multiple instance learning framework for patient-level colorectal cancer molecular subtypes classification from H\&E stained images [42.771819949806655]
  CIMIL-CRCは、事前学習した特徴抽出モデルと主成分分析(PCA)を効率よく組み合わせ、全てのパッチから情報を集約することで、MSI/MSS MIL問題を解決するフレームワークである。 我々は,TCGA-CRC-DXコホートを用いたモデル開発のための5倍のクロスバリデーション実験装置を用いて,曲線下平均面積(AUC)を用いてCIMIL-CRC法の評価を行った。
  論文  参考訳（メタデータ） (2024-01-29T12:56:11Z)
• Neural Network-Based Histologic Remission Prediction In Ulcerative Colitis [38.150634108667774]
  潰瘍性大腸炎(UC)の新しい治療標的としての組織学的寛解 内視鏡(Endocytoscopy、EC)は、新しい超高倍率内視鏡技術である。 本稿では,心電図の組織学的疾患活動を評価するニューラルネットワークモデルを提案する。
  論文  参考訳（メタデータ） (2023-08-28T15:54:14Z)
• Interpretable histopathology-based prediction of disease relevant features in Inflammatory Bowel Disease biopsies using weakly-supervised deep learning [0.8521205677945196]
  Crohn's Disease(CD)とUlcerative Colitis(UC)は2種類の炎症性腸疾患である。 深層学習モデルを構築し,CDおよびUCの組織学的特徴を内視鏡的ラベルのみを用いて同定した。
  論文  参考訳（メタデータ） (2023-03-20T15:59:29Z)
• Learning to diagnose cirrhosis from radiological and histological labels with joint self and weakly-supervised pretraining strategies [62.840338941861134]
  そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。 我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。 この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
  論文  参考訳（メタデータ） (2023-02-16T17:06:23Z)

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。