論文の概要: Explainable histomorphology-based survival prediction of glioblastoma, IDH-wildtype

• arxiv url: http://arxiv.org/abs/2601.11691v1
• Date: Fri, 16 Jan 2026 15:35:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:22.288223
• Title: Explainable histomorphology-based survival prediction of glioblastoma, IDH-wildtype
• Title（参考訳）: Glioblastoma, IDH-wildtypeの組織学的検索による生存予測
• Authors: Jan-Philipp Redlich, Friedrich Feuerhake, Stefan Nikolin, Nadine Sarah Schaadt, Sarah Teuber-Hanselmann, Joachim Weis, Sabine Luttmann, Andrea Eberle, Christoph Buck, Timm Intemann, Pascal Birnstill, Klaus Kraywinkel, Jonas Ort, Peter Boor, André Homeyer,
• Abstract要約: Glioblastoma, IDH-wildtype (GBM-IDHwt) が最も多い悪性脳腫瘍である。 病理組織学はGBM-IDHwtの統合診断において重要な要素である。 本稿では, 生存に伴う組織学的特徴の体系的解釈を支援するための, 説明可能なAIベースの手法を提案する。
• 参考スコア（独自算出の注目度）: 0.030922209117666726
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Glioblastoma, IDH-wildtype (GBM-IDHwt) is the most common malignant brain tumor. Histomorphology is a crucial component of the integrated diagnosis of GBM-IDHwt. Artificial intelligence (AI) methods have shown promise to extract additional prognostic information from histological whole-slide images (WSI) of hematoxylin and eosin-stained glioblastoma tissue. Here, we present an explainable AI-based method to support systematic interpretation of histomorphological features associated with survival. It combines an explainable multiple instance learning (MIL) architecture with a sparse autoencoder (SAE) to relate human-interpretable visual patterns of tissue to survival. The MIL architecture directly identifies prognosis-relevant image tiles and the SAE maps these tiles post-hoc to visual patterns. The MIL method was trained and evaluated using a new real-world dataset that comprised 720 GBM-IDHwt cases from three hospitals and four cancer registries in Germany. The SAE was trained using 1878 WSIs of glioblastoma from five independent public data collections. Despite the many factors influencing survival time, our method showed some ability to discriminate between patients living less than 180 days or more than 360 days solely based on histomorphology (AUC: 0.67; 95% CI: 0.63-0.72). Cox proportional hazards regression confirmed a significant difference in survival time between the predicted groups after adjustment for established prognostic factors (hazard ratio: 1.47; 95% CI: 1.26-1.72). Our method identified multiple interpretable visual patterns associated with survival. Three neuropathologists separately found that 21 of the 24 most strongly associated patterns could be clearly attributed to seven histomorphological categories. Necrosis and hemorrhage appeared to be associated with shorter survival while highly cellular tumor areas were associated with longer survival.
• Abstract（参考訳）: Glioblastoma, IDH-wildtype (GBM-IDHwt) が最も多い悪性脳腫瘍である。 病理組織学はGBM-IDHwtの統合診断において重要な要素である。 人工知能(AI)法は、ヘマトキシリンおよびエオシン含有グリオ芽腫組織の組織学的全スライディング画像(WSI)から追加の予後情報を抽出することを約束している。 本稿では、生存に伴う組織学的特徴の体系的解釈を支援するための、AIに基づく説明可能な手法を提案する。 説明可能なマルチインスタンス学習(MIL)アーキテクチャとスパースオートエンコーダ(SAE)を組み合わせることで、人間の解釈可能な組織の視覚パターンと生存を関連付ける。 MILアーキテクチャは予後関連画像タイルを直接識別し、SAEはこれらのタイルをポストホックから視覚パターンにマッピングする。 MIL法は、ドイツの3つの病院と4つのがん登録所から720のGBM-IDHwtの症例からなる新しい実世界のデータセットを用いて、訓練および評価を行った。 SAEは5つの独立した公開データ収集から1878年のグリオ芽腫のWSIを用いて訓練された。 生存時間に影響を及ぼす要因は多岐にわたるが, 組織形態学のみに基づいて180日以上, 360日以上生きる患者(AUC: 0.67; 95% CI: 0.63-0.72)の鑑別が可能であった。 コックス比例的ハザード回帰は、確立された予後因子(ハザード比: 1.47; 95% CI: 1.26-1.72)の調整後の予測群間で生存時間に有意な差が認められた。 生存にともなう複数の視覚パターンを同定した。 3人の神経病理学者は、24の最も強い関連性のあるパターンのうち21が7つの組織形態学的分類によるものであることを別々に発見した。 壊死と出血は生存期間が短く,高細胞域は生存期間が長かった。

関連論文リスト

• Histology-informed tiling of whole tissue sections improves the interpretability and predictability of cancer relapse and genetic alterations [4.70518291890921]
  デジタル病理パイプラインは、しばしば組織アーキテクチャを無視したグリッドベースのタイリングに依存している。 意味的セグメンテーションを用いてスライド画像から腺を抽出する組織学的インフォームド・タイリング(HIT)を導入する。 760 WSIsから380,000個の腺を抽出し,MILモデルAUCを10%改良し,上皮間葉移行(EMT)およびMYCに関連する遺伝子のコピー数変動(CNVs)を検出した。
  論文  参考訳（メタデータ） (2025-11-13T15:54:25Z)
• Scaling Artificial Intelligence for Multi-Tumor Early Detection with More Reports, Fewer Masks [59.37427210144734]
  医療報告における記述に一致する腫瘍をセグメント化するためにAIを訓練するR-Superを紹介する。 101,654のレポートでトレーニングされたAIモデルは、723のマスクでトレーニングされたモデルに匹敵するパフォーマンスを達成した。 R-Superは脾・胆嚢・前立腺・膀胱・子宮・食道の腫瘍の分画を可能にした。
  論文  参考訳（メタデータ） (2025-10-16T15:35:44Z)
• Morphology-Aware Prognostic model for Five-Year Survival Prediction in Colorectal Cancer from H&E Whole Slide Images [3.429845395459449]
  大腸癌(CRC)は世界で3番目に多い悪性腫瘍であり、2025年には154,000人の新規症例と54,000人の死亡が予想される。 本研究の目的は,各形態に連続的な変動スペクトルを組み込んだ,新しい解釈可能なAIモデルであるPRISMを開発することである。
  論文  参考訳（メタデータ） (2025-10-16T15:32:05Z)
• A Knowledge-enhanced Pathology Vision-language Foundation Model for Cancer Diagnosis [58.85247337449624]
  本稿では,疾患知識を階層型セマンティックグループ内のアライメントに組み込む知識強化型視覚言語事前学習手法を提案する。 KEEPはゼロショット癌診断タスク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） (2024-12-17T17:45:21Z)
• Analysis of the BraTS 2023 Intracranial Meningioma Segmentation Challenge [44.76736949127792]
  我々はBraTS 2023の頭蓋内髄膜腫チャレンジの設計と結果について述べる。 BraTS髄膜腫チャレンジ(BraTS Meningioma Challenge)は、髄膜腫に焦点を当てた以前のBraTSグリオーマチャレンジとは異なる。 上層部は腫瘍,腫瘍コア,腫瘍全体の拡張のために0.976,0.976,0.964の病変中央値類似係数(DSC)を有していた。
  論文  参考訳（メタデータ） (2024-05-16T03:23:57Z)
• 3D-Morphomics, Morphological Features on CT scans for lung nodule malignancy diagnosis [8.728543774561405]
  本研究はCTボリュームにおける形態学的特徴(3次元形態学)に基づく病理状態の予測モデルを構築した。 その後、XGBoost教師付き分類器が3次元形態学で訓練され、病理状態を予測する。 肺結節の悪性度と良性度との分類モデルでは, 3D-morphomicsのみを用いて0.964のAUCが得られる。
  論文  参考訳（メタデータ） (2022-07-27T23:50:47Z)
• Federated Learning Enables Big Data for Rare Cancer Boundary Detection [98.5549882883963]
  6大陸にわたる71の医療機関のデータを含む,これまでで最大のフェデレーテッドML研究の結果を報告する。 グリオ芽腫の稀な疾患に対する腫瘍境界自動検出装置を作製した。 当科では, 外科的に標的とした腫瘍の悪性度を高めるために, 33%の改善率を示し, 腫瘍全体に対する23%の改善率を示した。
  論文  参考訳（メタデータ） (2022-04-22T17:27:00Z)
• Harvesting, Detecting, and Characterizing Liver Lesions from Large-scale Multi-phase CT Data via Deep Dynamic Texture Learning [24.633802585888812]
  ダイナミックコントラストCT(Dynamic contrast Computed Tomography)のための完全自動多段階肝腫瘍評価フレームワークを提案する。 本システムでは, 腫瘍提案検出, 腫瘍採取, 原発部位の選択, 深部テクスチャに基づく腫瘍評価の4段階からなる。
  論文  参考訳（メタデータ） (2020-06-28T19:55:34Z)
• Melanoma Diagnosis with Spatio-Temporal Feature Learning on Sequential Dermoscopic Images [40.743870665742975]
  悪性黒色腫自動診断のための既存の皮膚科医は、病変の単一点像に基づいている。 そこで本研究では,連続した皮膚内視鏡像を用いたメラノーマ診断のための自動フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-19T04:08:22Z)

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。