Fugu-MT 論文翻訳(概要): Computational Mapping of Reactive Stroma in Prostate Cancer Yields Interpretable, Prognostic Biomarkers

論文の概要: Computational Mapping of Reactive Stroma in Prostate Cancer Yields Interpretable, Prognostic Biomarkers

arxiv url: http://arxiv.org/abs/2601.06360v1
Date: Sat, 10 Jan 2026 00:03:33 GMT
ステータス: 翻訳完了
システム内更新日: 2026-01-13 19:08:00.771844
Title: Computational Mapping of Reactive Stroma in Prostate Cancer Yields Interpretable, Prognostic Biomarkers
Title（参考訳）: 前立腺癌における反応性ストロマの計算的マッピング
Authors: Mara Pleasure, Ekaterina Redekop, Dhakshina Ilango, Zichen Wang, Vedrana Ivezic, Kimberly Flores, Israa Laklouk, Jitin Makker, Gregory Fishbein, Anthony Sisk, William Speier, Corey W. Arnold,
Abstract要約: 本稿では,レギュラーなヘマトキシリンおよびエオシンスライドにおける反応性ストローマ(RS)を定量化するディープラーニングフレームワーク PROTAS を提案する。 PROTASで定義されたRSは、核拡大、コラーゲンの分解、収縮経路の転写学的富化によって特徴づけられる。
参考スコア（独自算出の注目度）: 17.12439149946061
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Current histopathological grading of prostate cancer relies primarily on glandular architecture, largely overlooking the tumor microenvironment. Here, we present PROTAS, a deep learning framework that quantifies reactive stroma (RS) in routine hematoxylin and eosin (H&E) slides and links stromal morphology to underlying biology. PROTAS-defined RS is characterized by nuclear enlargement, collagen disorganization, and transcriptomic enrichment of contractile pathways. PROTAS detects RS robustly in the external Prostate, Lung, Colorectal, and Ovarian (PLCO) dataset and, using domain-adversarial training, generalizes to diagnostic biopsies. In head-to-head comparisons, PROTAS outperforms pathologists for RS detection, and spatial RS features predict biochemical recurrence independently of established prognostic variables (c-index 0.80). By capturing subtle stromal phenotypes associated with tumor progression, PROTAS provides an interpretable, scalable biomarker to refine risk stratification.
Abstract（参考訳）: 前立腺癌の現在の病理組織学的グレーディングは主に腺アーキテクチャーに依存しており、主に腫瘍の微小環境を見下ろしている。本稿では,通常のヘマトキシリンおよびエオシン(H&E)スライド中の反応性ストローマ(RS)を定量化し,ストローム形態と基礎生物学をリンクするディープラーニングフレームワークであるPlatasを提案する。 PROTASで定義されたRSは、核拡大、コラーゲンの分解、収縮経路の転写学的富化によって特徴づけられる。 PROTASは、Prostate、Lung、Colorectal、Ovarian(PLCO)データセットでRSを堅牢に検出し、ドメイン・アドバイサルトレーニングを使用して、診断生検に一般化する。頭と頭の比較では、PRTASはRS検出の病理学者より優れており、空間RSの特徴は確立した予後変数(c-index 0.80)とは独立して生化学的再発を予測する。 PROTASは腫瘍進行に関連する微妙な間質性表現型を捕獲することにより、リスク層形成を洗練するための解釈可能でスケーラブルなバイオマーカーを提供する。

関連論文リスト

PEaRL: Pathway-Enhanced Representation Learning for Gene and Pathway Expression Prediction from Histology [8.879502752288325]
本稿では PEaRL (Pathway Enhanced Representation Learning) について述べる。 3つのがんSTデータセット全体でPEaRLはSOTA法を一貫して上回り、遺伝子レベルでの発現予測と経路レベルでの表現予測の精度が向上した。
論文参考訳（メタデータ） (2025-10-03T19:21:23Z)
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)
Benchmarking Histopathology Foundation Models for Ovarian Cancer Bevacizumab Treatment Response Prediction from Whole Slide Images [1.4999444543328293]
大規模全スライド画像(WSI)で訓練した最新の病理組織基盤モデルを用いて, 卵巣腫瘍組織の特徴を抽出し, ベクチズマブ反応を予測する。我々の生存モデルは、統計的に有意な高リスクおよび低リスクのケースを成層化することができる。
論文参考訳（メタデータ） (2024-07-30T07:15:39Z)
Variational and Explanatory Neural Networks for Encoding Cancer Profiles and Predicting Drug Responses [40.80133767939435]
既存のAIモデルは、転写学データのノイズと生物学的解釈性の欠如により、課題に直面している。ノイズ効果を軽減するために変動成分を組み込んだ新しいニューラルネットワークフレームワークVETEを紹介する。 VETEは、AIによる予測と、がん研究における生物学的に意味のある洞察のギャップを埋める。
論文参考訳（メタデータ） (2024-07-05T13:13:02Z)
Deep Learning-based Prediction of Breast Cancer Tumor and Immune Phenotypes from Histopathology [3.9270231212340354]
各患者の腫瘍に対する腫瘍および免疫性表現型を再現的に測定する方法は広くは存在しない。原発性乳癌のヘマトキシリンおよびエオシンスライドから10種類の生物学的関連経路の活性を評価するために,MILアルゴリズムを適用した。訓練されたモデルでは,H&Eから細胞サブ集団の生物学的に関連する空間パターンを認識できる。
論文参考訳（メタデータ） (2024-04-25T08:15:37Z)
hist2RNA: An efficient deep learning architecture to predict gene expression from breast cancer histopathology images [11.822321981275232]
深層学習アルゴリズムは、デジタル病理画像中の形態パターンを効果的に抽出し、分子の表現型を迅速かつ低コストで予測することができる。我々は,138遺伝子の発現を予測するために,バルクRNAシークエンシング技術にインスパイアされたhist2RNAという新しい計算効率の高い手法を提案する。
論文参考訳（メタデータ） (2023-04-10T10:54:32Z)
Enhancing Clinical Support for Breast Cancer with Deep Learning Models using Synthetic Correlated Diffusion Imaging [66.63200823918429]
深層学習モデルを用いた乳癌に対する臨床支援の強化について検討した。我々は、体積畳み込みニューラルネットワークを利用して、前処理コホートから深い放射能特徴を学習する。提案手法は, グレードと処理後応答予測の両方において, より良い性能を実現することができる。
論文参考訳（メタデータ） (2022-11-10T03:02:12Z)
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)
A Pathologist-Informed Workflow for Classification of Prostate Glands in Histopathology [62.997667081978825]
病理学者は、ガラススライド上の針生検の組織を調べて前立腺がんを診断し、診断する。がんの重症度と転移リスクは、前立腺の組織と形態に基づくスコアであるGleason gradeによって決定される。本稿では,病理学者のtextitmodus operandi に従って,個々の腺のマルチスケールパッチを分離・分類する自動ワークフローを提案する。
論文参考訳（メタデータ） (2022-09-27T14:08:19Z)
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)
TopoTxR: A Topological Biomarker for Predicting Treatment Response in Breast Cancer [11.724098271782335]
本研究では, 生体関連組織構造を包含する専用ボキセル群にニューラルネットワークの注目を向ける新しい手法を提案する。高い塩分率で多次元トポロジー構造を抽出することで、トポロジー由来のバイオマーカーtopotxrを構築する。乳癌における新アジュバント化学療法に対するTopoTxRの有効性について検討した。
論文参考訳（メタデータ） (2021-05-13T02:38:48Z)

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。