論文の概要: MMSF: Multitask and Multimodal Supervised Framework for WSI Classification and Survival Analysis

• arxiv url: http://arxiv.org/abs/2601.20347v2
• Date: Wed, 04 Feb 2026 07:32:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-05 15:07:33.518715
• Title: MMSF: Multitask and Multimodal Supervised Framework for WSI Classification and Survival Analysis
• Title（参考訳）: MMSF:WSI分類と生存分析のためのマルチタスクおよびマルチモーダル監視フレームワーク
• Authors: Chengying She, Chengwei Chen, Xinran Zhang, Ben Wang, Lizhuang Liu, Chengwei Shao, Yun Bian,
• Abstract要約: 本稿では,線形複雑度MILバックボーン上に構築されたマルチタスクおよびマルチモーダル監視フレームワークMMSFを紹介する。 CAMELYON16 と TCGA-NSCLC の実験では、2.1--6.6% の精度と2.2--6.9% のAUC が競争ベースラインよりも向上した。
• 参考スコア（独自算出の注目度）: 8.125488986754968
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multimodal evidence is critical in computational pathology: gigapixel whole slide images capture tumor morphology, while patient-level clinical descriptors preserve complementary context for prognosis. Integrating such heterogeneous signals remains challenging because feature spaces exhibit distinct statistics and scales. We introduce MMSF, a multitask and multimodal supervised framework built on a linear-complexity MIL backbone that explicitly decomposes and fuses cross-modal information. MMSF comprises a graph feature extraction module embedding tissue topology at the patch level, a clinical data embedding module standardizing patient attributes, a feature fusion module aligning modality-shared and modality-specific representations, and a Mamba-based MIL encoder with multitask prediction heads. Experiments on CAMELYON16 and TCGA-NSCLC demonstrate 2.1--6.6\% accuracy and 2.2--6.9\% AUC improvements over competitive baselines, while evaluations on five TCGA survival cohorts yield 7.1--9.8\% C-index improvements compared with unimodal methods and 5.6--7.1\% over multimodal alternatives.
• Abstract（参考訳）: ギガピクセル全体のスライド画像は腫瘍形態を捉え、患者レベルの臨床記述者は予後の相補的な文脈を保っている。 このような異種信号の統合は、特徴空間が異なる統計とスケールを示すため、依然として困難である。 本稿では,線形複雑度MILバックボーン上に構築されたマルチタスクおよびマルチモーダル監視フレームワークMMSFを紹介する。 MMSFは、パッチレベルで組織トポロジーを埋め込んだグラフ特徴抽出モジュールと、患者属性を標準化した臨床データ埋め込みモジュールと、モダリティ共有およびモダリティ固有表現を整列した特徴融合モジュールと、マルチタスク予測ヘッドを備えたマンバベースのMILエンコーダとを備える。 CAMELYON16とTCGA-NSCLCの実験では、2.1--6.6\%の精度と2.2--6.9\%のAUCの改善が示され、5つのTCGAサバイバルコホートに対する評価は、アンモダル法と比較すると7.1-9.8\%のCインデックス改善と5.6--7.1\%のマルチモーダル法よりも優れている。

関連論文リスト

• A Sparse-Attention Deep Learning Model Integrating Heterogeneous Multimodal Features for Parkinson's Disease Severity Profiling [4.813020904720317]
  Class-Weighted Sparse-Attention Fusion Network (SAFN)は、堅牢なマルチモーダルプロファイリングのための解釈可能なディープラーニングフレームワークである。 SAFNは、MRI皮質厚み、MRI体積測定、臨床評価、人口統計学変数を統合している。 精度は0.98プラスまたは0.02、PR-AUCは1.00プラスまたは0.00で、確立された機械学習およびディープラーニングベースラインを上回っている。
  論文  参考訳（メタデータ） (2026-01-02T00:51:21Z)
• MTBBench: A Multimodal Sequential Clinical Decision-Making Benchmark in Oncology [37.556090746806845]
  LLM(Multimodal Large Language Models)は、バイオメディカル推論の可能性を保っているが、現在のベンチマークでは実際の臨床推論の複雑さを捉えていない。 MTBベンチ(MTBBench)は, MTB型意思決定を模擬したエージェントベンチマークであり, 臨床的に困難であり, マルチモーダルで, 縦断的な腫瘍学的な疑問を呈する。 地上の真実のアノテーションは、共同開発したアプリを通じて臨床医によって検証され、臨床関連性を保証する。
  論文  参考訳（メタデータ） (2025-11-25T16:56:25Z)
• SurvAgent: Hierarchical CoT-Enhanced Case Banking and Dichotomy-Based Multi-Agent System for Multimodal Survival Prediction [49.355973075150075]
  マルチモーダルサバイバル予測のための最初の階層的チェーン・オブ・シント(CoT)強化マルチエージェントシステムであるSurvAgentを紹介する。 SurvAgentは2つの段階から構成される: WSI-Gene CoT-Enhanced Case Bank Constructionは、低磁化スクリーニング、クロスモーダル類似性-アウェアパッチマイニング、および病理画像に対する信頼-アウェアパッチマイニングを通じて階層解析を使用する。 二分法に基づくMulti-Expert Agent Inferenceは、RAGを介して類似の事例を検索し、段階的間隔改善による専門家予測とマルチモーダルレポートを統合する。
  論文  参考訳（メタデータ） (2025-11-20T18:41:44Z)
• Meta-cognitive Multi-scale Hierarchical Reasoning for Motor Imagery Decoding [43.32839547082765]
  本研究では,4クラス脳波(EEG)信号の階層的,メタ認知的デコードフレームワークについて検討する。 バックボーンの特徴を時間的マルチスケール表現に再構成するマルチスケール階層型信号処理モジュールを提案する。 我々は,このフレームワークを3つの標準脳波バックボーン上でインスタンス化し,BCIコンペティションIV-2aデータセットを用いて4クラスMIデコーディングを評価する。
  論文  参考訳（メタデータ） (2025-11-11T06:32:23Z)
• Spatially-Aware Mixture of Experts with Log-Logistic Survival Modeling for Whole-Slide Images [6.825656149756289]
  4つの相補的な革新を通じて制限に対処する包括的計算病理学フレームワークを導入する。 大規模TCGAコホートでは, LUADでは0.644, KIRCでは0.751, BRCAでは0.752の時間依存一致指数が得られた。 このフレームワークはさらにキャリブレーションと解釈性を改善し、パーソナライズされたがん予後のためのWSIsの使用を推進している。
  論文  参考訳（メタデータ） (2025-11-09T08:02:15Z)
• Towards a Multimodal MRI-Based Foundation Model for Multi-Level Feature Exploration in Segmentation, Molecular Subtyping, and Grading of Glioma [0.2796197251957244]
  Multi-Task S-UNETR(MTSUNET)モデルはBrainSegFounderモデルに基づいて構築された新しい基盤ベースのフレームワークである。 同時にグリオーマのセグメンテーション、組織学的サブタイプ、神経画像サブタイプを行う。 非侵襲的, パーソナライズされたグリオーマ管理の進展には, 予測精度と解釈可能性を改善することにより有意な可能性を秘めている。
  論文  参考訳（メタデータ） (2025-03-10T01:27:09Z)
• Enhanced MRI Representation via Cross-series Masking [48.09478307927716]
  自己教師型でMRI表現を効果的に学習するためのクロスシリーズ・マスキング(CSM)戦略 メソッドは、パブリックデータセットと社内データセットの両方で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） (2024-12-10T10:32:09Z)
• multiPI-TransBTS: A Multi-Path Learning Framework for Brain Tumor Image Segmentation Based on Multi-Physical Information [1.7359724605901228]
  脳腫瘍距離(BraTS)は、臨床診断、治療計画、脳腫瘍の進行のモニタリングにおいて重要な役割を果たす。 腫瘍の出現、サイズ、強度の変動により、自動セグメンテーションは難しい課題である。 セグメント化精度を高めるために多物理情報を統合するトランスフォーマーベースの新しいフレームワークである MultiPI-TransBTS を提案する。
  論文  参考訳（メタデータ） (2024-09-18T17:35:19Z)
• Multiplex-detection Based Multiple Instance Learning Network for Whole Slide Image Classification [2.61155594652503]
  マルチ・インスタンス・ラーニング(MIL)は、診断病理のためのスライド画像全体(WSI)を分類する強力な手法である。 本稿では,上記の問題に対処するために,MDMIL(Multiple-detection-based multiple instance learning)を提案する。 具体的には、MDMILは内部クエリ生成モジュール(IQGM)と多重検出モジュール(MDM)によって構成される。
  論文  参考訳（メタデータ） (2022-08-06T14:36:48Z)
• TransMIL: Transformer based Correlated Multiple Instance Learning for Whole Slide Image Classication [38.58585442160062]
  マルチプル・インスタンス・ラーニング(MIL)は、スライド画像全体(WSI)に基づく病理診断において、弱い教師付き分類を解決する強力なツールである。 我々は、相関MILと呼ばれる新しいフレームワークを提案し、収束の証明を提供した。 我々は3つの異なる計算病理問題に対する様々な実験を行い、最先端の手法と比較してより優れた性能と高速な収束を実現した。
  論文  参考訳（メタデータ） (2021-06-02T02:57:54Z)
• 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)

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。