論文の概要: Inferring Clinically Relevant Molecular Subtypes of Pancreatic Cancer from Routine Histopathology Using Deep Learning

• arxiv url: http://arxiv.org/abs/2601.03410v1
• Date: Tue, 06 Jan 2026 20:52:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-08 18:12:46.072664
• Title: Inferring Clinically Relevant Molecular Subtypes of Pancreatic Cancer from Routine Histopathology Using Deep Learning
• Title（参考訳）: 深層学習を用いた肝病理組織からの膵癌関連分子サブタイプの検討
• Authors: Abdul Rehman Akbar, Alejandro Levya, Ashwini Esnakula, Elshad Hasanov, Anne Noonan, Upender Manne, Vaibhav Sahai, Lingbin Meng, Susan Tsai, Anil Parwani, Wei Chen, Ashish Manne, Muhammad Khalid Khan Niazi,
• Abstract要約: PDACの基底型および古典型TCGへの分子置換は予後および予測値を確立している。 本稿では,標準的なH&E染色WSIから直接治療関連分子サブタイプを予測する,解釈可能なディープラーニングフレームワークであるPanSubNetを紹介する。 PanSubNetは2つの多施設コホートにまたがる1,055人のデータを用いて開発された。
• 参考スコア（独自算出の注目度）: 30.979270201588236
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Molecular subtyping of PDAC into basal-like and classical has established prognostic and predictive value. However, its use in clinical practice is limited by cost, turnaround time, and tissue requirements, thereby restricting its application in the management of PDAC. We introduce PanSubNet, an interpretable deep learning framework that predicts therapy-relevant molecular subtypes directly from standard H&E-stained WSIs. PanSubNet was developed using data from 1,055 patients across two multi-institutional cohorts (PANCAN, n=846; TCGA, n=209) with paired histology and RNA-seq data. Ground-truth labels were derived using the validated Moffitt 50-gene signature refined by GATA6 expression. The model employs dual-scale architecture that fuses cellular-level morphology with tissue-level architecture, leveraging attention mechanisms for multi-scale representation learning and transparent feature attribution. On internal validation within PANCAN using five-fold cross-validation, PanSubNet achieved mean AUC of 88.5% with balanced sensitivity and specificity. External validation on the independent TCGA cohort without fine-tuning demonstrated robust generalizability (AUC 84.0%). PanSubNet preserved and, in metastatic disease, strengthened prognostic stratification compared to RNA-seq based labels. Prediction uncertainty linked to intermediate transcriptional states, not classification noise. Model predictions are aligned with established transcriptomic programs, differentiation markers, and DNA damage repair signatures. By enabling rapid, cost-effective molecular stratification from routine H&E-stained slides, PanSubNet offers a clinically deployable and interpretable tool for genetic subtyping. We are gathering data from two institutions to validate and assess real-world performance, supporting integration into digital pathology workflows and advancing precision oncology for PDAC.
• Abstract（参考訳）: PDACの基底型および古典型への分子置換は、予後および予測的価値を確立している。 しかしながら、臨床におけるその使用は、コスト、ターンアラウンド時間、組織要件によって制限され、PDACの管理におけるその適用が制限される。 本稿では,標準的なH&E染色WSIから直接治療関連分子サブタイプを予測する,解釈可能なディープラーニングフレームワークであるPanSubNetを紹介する。 PanSubNetは2つの多施設コホート(PANCAN, n=846; TCGA, n=209)にまたがる1,055人のデータを用いて開発された。 GATA6発現により改良されたMoffitt 50-geneシグネチャを用いて, 地上構造ラベルを導出した。 このモデルは、細胞レベルの形態と組織レベルの構造を融合させるデュアルスケールアーキテクチャを採用し、マルチスケールの表現学習と透過的な特徴帰属のための注意機構を活用する。 5倍のクロスバリデーションを用いたPANCANの内部検証では、PanSubNetは感度と特異性のバランスが取れた88.5%の平均AUCを達成した。 微調整のない独立したTCGAコホートに対する外的検証は、堅牢な一般化可能性(AUC 84.0%)を示した。 転移性疾患では,PanSubNetはRNA-seqをベースとしたラベルと比較して予後層形成を増強した。 中間転写状態に関連付けられた予測の不確実性は、分類ノイズではない。 モデル予測は、確立された転写プログラム、分化マーカー、DNA損傷修復シグネチャと一致している。 通常のH&Eステンディングスライドから、迅速で費用対効果の高い分子層化を可能にすることで、PanSubNetは、臨床的にデプロイ可能で、遺伝子置換のための解釈可能なツールを提供する。 我々は、2つの機関のデータを収集し、実世界のパフォーマンスを検証・評価し、デジタル病理ワークフローへの統合を支援し、PDACの精度オンコロジーを推し進めている。

関連論文リスト

• Cancer-Net PCa-MultiSeg: Multimodal Enhancement of Prostate Cancer Lesion Segmentation Using Synthetic Correlated Diffusion Imaging [55.62977326180104]
  前立腺癌病変の分節化に対する近年の深層学習アプローチは,限られた性能を達成している。 本稿では,標準拡散型プロトコルの拡張として,合成相関拡散イメージング(CDI$s$)について検討する。 以上の結果から,PCa病変セグメント化タスクの実践的ドロップイン強化として,CDI$s$に対する検証済み統合経路が確立された。
  論文  参考訳（メタデータ） (2025-11-11T04:16:12Z)
• Hemorica: A Comprehensive CT Scan Dataset for Automated Brain Hemorrhage Classification, Segmentation, and Detection [0.749500254646884]
  Hemoricaは、2012年から2024年の間に取得された372個の頭部CT検査の公開コレクションである。 ICHサブタイプ(EPH)、サブデューラル(SDH)、サブアラキノイド(SAH)、パーレンキマル(IPH)の5つのサブタイプ(EPH)に対して、各スキャンは徹底的に注釈付けされている。 Hemoricaは、マルチタスクとカリキュラム学習をサポートする統一されたきめ細かいベンチマークを提供する。
  論文  参考訳（メタデータ） (2025-09-26T23:09:41Z)
• Uncertainty-aware Cross-training for Semi-supervised Medical Image Segmentation [45.96892342675963]
  半教師型医療画像(UC-Seg)のための不確実性を考慮したクロストレーニングフレームワークを提案する。 本手法は,他の最先端半教師付き手法と比較して,セグメンテーション精度と一般化性能に優れる。
  論文  参考訳（メタデータ） (2025-08-12T15:28:10Z)
• FoundBioNet: A Foundation-Based Model for IDH Genotyping of Glioma from Multi-Parametric MRI [1.4249472316161877]
  我々は,多パラメータMRIから非侵襲的にIDH変異を予測できるFoundBioNet(FoundBioNet)を提案する。 1705人のグリオーマ患者を6つの公開データセットから多施設で訓練し, 評価した。 我々のモデルは、EGD、TCGA、Ivy GAP、RHUH、UPennの独立したテストセットに対して90.58%、88.08%、65.41%、および80.31%のAUCを達成した。
  論文  参考訳（メタデータ） (2025-08-09T00:08:10Z)
• 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)
• Accurate Detection of Paroxysmal Atrial Fibrillation with Certified-GAN and Neural Architecture Search [1.1744028458220426]
  発作性心房細動(PxAF)検出のための新しい機械学習フレームワークを提案する。 このフレームワークにはGAN(Generative Adversarial Network)とNAS(Neural Architecture Search)が含まれている。 実験の結果,提案手法の精度は99%と高い値を示した。
  論文  参考訳（メタデータ） (2023-01-17T14:04:17Z)
• Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based Sparse PCA Network [93.22587316229954]
  ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。 我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
  論文  参考訳（メタデータ） (2021-10-27T19:28:36Z)
• G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for Biomarker Identification and Disease Classification [49.53651166356737]
  診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。 2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
  論文  参考訳（メタデータ） (2021-01-27T19:28:04Z)
• ECG-DelNet: Delineation of Ambulatory Electrocardiograms with Mixed Quality Labeling Using Neural Networks [69.25956542388653]
  ディープラーニング(DL)アルゴリズムは、学術的、産業的にも重くなっている。 セグメンテーションフレームワークにECGの検出とデライン化を組み込むことにより、低解釈タスクにDLをうまく適用できることを実証する。 このモデルは、PhyloNetのQTデータベースを使用して、105個の増幅ECG記録から訓練された。
  論文  参考訳（メタデータ） (2020-05-11T16:29:12Z)

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。