論文の概要: INSIGHT: Spatially resolved survival modelling from routine histology crosslinked with molecular profiling reveals prognostic epithelial-immune axes in stage II/III colorectal cancer
- arxiv url: http://arxiv.org/abs/2512.22262v1
- Date: Wed, 24 Dec 2025 14:36:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-30 22:37:29.945752
- Title: INSIGHT: Spatially resolved survival modelling from routine histology crosslinked with molecular profiling reveals prognostic epithelial-immune axes in stage II/III colorectal cancer
- Title（参考訳）: INSIGHT: 分子プロファイリングと交差する定期組織学からの空間分解生存モデルによる大腸癌II期/III期における予後上皮免疫軸の同定
- Authors: Piotr Keller, Mark Eastwood, Zedong Hu, Aimée Selten, Ruqayya Awan, Gertjan Rasschaert, Sara Verbandt, Vlad Popovici, Hubert Piessevaux, Hayley T Morris, Petros Tsantoulis, Thomas Alexander McKee, André D'Hoore, Cédric Schraepen, Xavier Sagaert, Gert De Hertogh, Sabine Tejpar, Fayyaz Minhas,
- Abstract要約: 本稿では,日常的な組織像から直接生存を予測するグラフニューラルネットワークINSIGHTを提案する。
TCGAとSURGENでトレーニングされ、クロスバリデーションされたINSIGHTは、患者レベルで空間的に解決されたリスクスコアを生成する。
- 参考スコア（独自算出の注目度）: 0.5824363189082821
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Routine histology contains rich prognostic information in stage II/III colorectal cancer, much of which is embedded in complex spatial tissue organisation. We present INSIGHT, a graph neural network that predicts survival directly from routine histology images. Trained and cross-validated on TCGA (n=342) and SURGEN (n=336), INSIGHT produces patient-level spatially resolved risk scores. Large independent validation showed superior prognostic performance compared with pTNM staging (C-index 0.68-0.69 vs 0.44-0.58). INSIGHT spatial risk maps recapitulated canonical prognostic histopathology and identified nuclear solidity and circularity as quantitative risk correlates. Integrating spatial risk with data-driven spatial transcriptomic signatures, spatial proteomics, bulk RNA-seq, and single-cell references revealed an epithelium-immune risk manifold capturing epithelial dedifferentiation and fetal programs, myeloid-driven stromal states including $\mathrm{SPP1}^{+}$ macrophages and $\mathrm{LAMP3}^{+}$ dendritic cells, and adaptive immune dysfunction. This analysis exposed patient-specific epithelial heterogeneity, stratification within MSI-High tumours, and high-risk routes of CDX2/HNF4A loss and CEACAM5/6-associated proliferative programs, highlighting coordinated therapeutic vulnerabilities.
- Abstract（参考訳）: ルーチン組織学は、第II/III期大腸癌において豊富な予後情報を含んでおり、その多くは複雑な空間組織に埋め込まれている。
本稿では,日常的な組織像から直接生存を予測するグラフニューラルネットワークINSIGHTを提案する。
TCGA(n=342)とSURGEN(n=336)でトレーニングおよびクロスバリデーションを行い、INSIGHTは患者レベルで空間的に解決されたリスクスコアを生成する。
大規模独立検証はpTNMのステージング(C-index 0.68-0.69 vs 0.44-0.58)と比較して優れた予後を示した。
InSIGHT空間リスクマップは、標準的予後組織学を再カプセル化し、核の固形度と円度を定量的なリスク相関として同定した。
データ駆動型空間転写因子、空間プロテオミクス、バルクRNA-seq、単細胞レファレンスと空間リスクを統合すると、上皮性脱分化と胎児のプログラム、マクロファージ$\mathrm{SPP1}^{+}、$\mathrm{LAMP3}^{+}、樹状細胞$\mathrm{LAMP3}^{+}、および順応性免疫不全を呈する上皮免疫リスク多様体がみられた。
本研究は, 患者特異的上皮不均一性, MSI-High腫瘍内層状化, CDX2/HNF4A欠損の高リスク経路, CEACAM5/6関連増殖プログラムを呈し, 協調治療上の脆弱性を強調した。
関連論文リスト
- R-GenIMA: Integrating Neuroimaging and Genetics with Interpretable Multimodal AI for Alzheimer's Disease Progression [63.97617759805451]
アルツハイマー病の早期発見には、マクロスケールの神経解剖学的変化とマイクロスケールの遺伝的感受性を統合できるモデルが必要である。
本稿では,新しいROIワイド・ビジョン・トランスフォーマと遺伝的プロンプトを結合した多モード多言語モデルR-GenIMAを紹介する。
R-GenIMAは、通常の認知、主観記憶、軽度認知障害、ADの4方向分類において最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2025-12-22T02:54:10Z) - Breast Cancer Recurrence Risk Prediction Based on Multiple Instance Learning [0.0]
本研究は,HematoxylinおよびEosinstened whole-slide image(WSIs)を用いた深層学習における計算病理の可能性について検討する。
CLAM-SB, ABMIL, ConvNeXt-MIL-XGBoostの3つのマルチインスタンス学習フレームワークを, 210症例の社内データセット上で開発・比較した。
5倍のクロスバリデーションでは、改良されたCLAM-SBモデルが最も高い性能を示し、平均曲線下面積(AUC)は0.836で、分類精度は76.2%であった。
論文 参考訳（メタデータ） (2025-12-21T13:46:50Z) - From Cells to Survival: Hierarchical Analysis of Cell Inter-Relations in Multiplex Microscopy for Lung Cancer Prognosis [0.9046327456472286]
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。
論文 参考訳（メタデータ） (2025-12-09T13:10:12Z) - Deep Pathomic Learning Defines Prognostic Subtypes and Molecular Drivers in Colorectal Cancer [16.930050030905782]
TDAM-CRC予測性能は、従来のステージングシステムや複数の最先端モデルよりも大幅に優れていた。
TDAM-CRCリスクスコアは多変量解析において独立した予後因子として確認された。
ミトコンドリアリボソーム蛋白L37 (MRPL37) は, 深部病原性特徴と臨床予後を関連付けるキーハブ遺伝子として同定し, 検証した。
論文 参考訳（メタデータ） (2025-11-19T03:19:43Z) - Graph-Radiomic Learning (GrRAiL) Descriptor to Characterize Imaging Heterogeneity in Confounding Tumor Pathologies [4.871686799559543]
臨床MRIにおいて, 髄腔内不均一性(ILH)を特徴付ける新しいグラフラジオグラフィー学習(GrRAiL)記述法を提案する。
多制度的な設定では、GrRAiLは一貫して最先端のベースラインを上回っている。
論文 参考訳（メタデータ） (2025-09-23T17:18:33Z) - TopoTxR: A topology-guided deep convolutional network for breast parenchyma learning on DCE-MRIs [49.69047720285225]
そこで本研究では,乳房側葉構造をよりよく近似するために,マルチスケールのトポロジ構造を明示的に抽出する新しいトポロジカルアプローチを提案する。
VICTREファントム乳房データセットを用いてemphTopoTxRを実験的に検証した。
本研究の質的および定量的分析は,乳房組織における画像診断におけるトポロジカルな挙動を示唆するものである。
論文 参考訳（メタデータ） (2024-11-05T19:35:10Z) - Penalized Deep Partially Linear Cox Models with Application to CT Scans
of Lung Cancer Patients [42.09584755334577]
肺がんは世界中のがん死亡の原因であり、効果的な治療法を設計するための死亡リスクを理解することの重要性を強調している。
NLST(National Lung Screening Trial)は、肺がん患者の死亡リスクを定量化するために、CTテクスチャ解析を用いている。
本稿では,SCADペナルティを組み込んで重要なテクスチャ特徴を抽出し,深層ニューラルネットワークを用いてモデルの非パラメトリック成分を推定する,Pentalized Deep partially Linear Cox Model (Penalized DPLC)を提案する。
論文 参考訳（メタデータ） (2023-03-09T15:38:16Z) - Deep Neural Networks integrating genomics and histopathological images
for predicting stages and survival time-to-event in colon cancer [2.338833859812519]
大腸癌ステージ分類のためのアンサンブルディープニューラルネットワークを構築し,低リスク生存群と高リスク生存群に分類した。
Ensemble Deep Conal Neural Networkモデルの結果は、統合データセットのステージ分類におけるパフォーマンスが改善されたことを示している。
2548個の融合した特徴のうち、1695個の特徴は抽出された特徴によって定義された2つのリスク群間で統計的に有意な生存確率差を示した。
論文 参考訳（メタデータ） (2022-12-13T16:12:45Z) - SurvLatent ODE : A Neural ODE based time-to-event model with competing
risks for longitudinal data improves cancer-associated Deep Vein Thrombosis
(DVT) prediction [68.8204255655161]
本稿では,不規則なサンプルデータの下で潜在表現をパラメータ化する生成時間対イベントモデルSurvLatent ODEを提案する。
そこで,本モデルでは,事象特異的ハザード関数の形状を指定せずに,複数の競合イベントの生存時間を柔軟に推定する。
SurvLatent ODEは、DVTリスクグループを成層化するために、現在の臨床標準であるKhorana Riskスコアより優れている。
論文 参考訳（メタデータ） (2022-04-20T17:28:08Z) - Co-Heterogeneous and Adaptive Segmentation from Multi-Source and
Multi-Phase CT Imaging Data: A Study on Pathological Liver and Lesion
Segmentation [48.504790189796836]
我々は,新しいセグメンテーション戦略,コヘテロジネティック・アダプティブセグメンテーション(CHASe)を提案する。
本稿では,外見に基づく半スーパービジョン,マスクに基づく対向ドメイン適応,擬似ラベルを融合した多目的フレームワークを提案する。
CHASeは4.2% sim 9.4%$の範囲で、病理的な肝臓マスクDice-Sorensen係数をさらに改善することができる。
論文 参考訳（メタデータ） (2020-05-27T06:58:39Z)
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。