論文の概要: Explainable Pathomics Feature Visualization via Correlation-aware Conditional Feature Editing

• arxiv url: http://arxiv.org/abs/2602.05397v1
• Date: Thu, 05 Feb 2026 07:28:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-06 18:49:08.816633
• Title: Explainable Pathomics Feature Visualization via Correlation-aware Conditional Feature Editing
• Title（参考訳）: 相関型条件付き特徴編集による説明可能な特徴可視化
• Authors: Yuechen Yang, Junlin Guo, Ruining Deng, Junchao Zhu, Zhengyi Lu, Chongyu Qu, Yanfan Zhu, Xingyi Guo, Yu Wang, Shilin Zhao, Haichun Yang, Yuankai Huo,
• Abstract要約: 制御可能で生物学的に可塑性な細胞核編集のためのフレームワークを提案する。 本手法は,変分オートエンコーダによって学習された不整合潜在空間内の特徴軌跡を正規化する。 実験により,本手法はこれらの特徴を編集する際に,病的特徴の多様体をナビゲートできることを示した。
• 参考スコア（独自算出の注目度）: 5.903787798512142
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Pathomics is a recent approach that offers rich quantitative features beyond what black-box deep learning can provide, supporting more reproducible and explainable biomarkers in digital pathology. However, many derived features (e.g., "second-order moment") remain difficult to interpret, especially across different clinical contexts, which limits their practical adoption. Conditional diffusion models show promise for explainability through feature editing, but they typically assume feature independence**--**an assumption violated by intrinsically correlated pathomics features. Consequently, editing one feature while fixing others can push the model off the biological manifold and produce unrealistic artifacts. To address this, we propose a Manifold-Aware Diffusion (MAD) framework for controllable and biologically plausible cell nuclei editing. Unlike existing approaches, our method regularizes feature trajectories within a disentangled latent space learned by a variational auto-encoder (VAE). This ensures that manipulating a target feature automatically adjusts correlated attributes to remain within the learned distribution of real cells. These optimized features then guide a conditional diffusion model to synthesize high-fidelity images. Experiments demonstrate that our approach is able to navigate the manifold of pathomics features when editing those features. The proposed method outperforms baseline methods in conditional feature editing while preserving structural coherence.
• Abstract（参考訳）: 近ごろのPathomicsは、ブラックボックスのディープラーニングが提供する以上の豊富な量的特徴を提供するアプローチであり、デジタル病理学においてより再現性が高く説明可能なバイオマーカーをサポートする。 しかし、多くの派生した特徴(例:「第2次モーメント」)は解釈し難いままであり、特に臨床の状況によってその実践的採用を制限している。 条件付き拡散モデルは、特徴編集による説明可能性を示すが、それらは通常、本質的に相関したパノミクス特徴に反する特徴独立*-**の仮定を仮定する。 その結果、ある特徴を編集し、他の特徴を修正すれば、モデルを生物学的多様体から切り離し、非現実的なアーティファクトを生成することができる。 そこで本研究では, 制御可能かつ生物学的に可塑性な細胞核編集のための, マニフォールド・アウェア拡散(MAD)フレームワークを提案する。 既存手法とは異なり,本手法は変分オートエンコーダ(VAE)によって学習された非絡み合った潜在空間内の特徴軌跡を正規化する。 これにより、対象の機能を操作すれば、実細胞の学習された分布内に留まる関連属性を自動的に調整できる。 これらの最適化された特徴は、条件付き拡散モデルを用いて高忠実度画像を合成する。 実験により,本手法はこれらの特徴を編集する際に,病的特徴の多様体をナビゲートできることを示した。 提案手法は,構造的コヒーレンスを維持しつつ条件付き特徴編集において,ベースライン法よりも優れる。

関連論文リスト

• GeneFlow: Translation of Single-cell Gene Expression to Histopathological Images via Rectified Flow [35.71809278327705]
  そこで我々は,2つのセルイメージに転写学をマッピングする新しいフレームワークGeneFlowを構築した。 異なる染色法で高分解能画像を生成し、様々な細胞・組織構造をハイライトする。
  論文  参考訳（メタデータ） (2025-10-31T05:25:15Z)
• Suppress Content Shift: Better Diffusion Features via Off-the-Shelf Generation Techniques [119.02857688205295]
  拡散機能は、コンテンツシフトと呼ばれる隠れた、普遍的な現象によって妨げられていることがわかりました。 本稿では,拡散モデルに固有の特徴として内容変化の原因を見いだし,拡散特性にこの現象が存在することを示唆する。 本稿では,本手法の有効性を効果的に評価し,提案手法の実装を行うための実践的ガイドラインであるGATEを提案する。
  論文  参考訳（メタデータ） (2024-10-09T09:43:36Z)
• Revisiting Adaptive Cellular Recognition Under Domain Shifts: A Contextual Correspondence View [49.03501451546763]
  生物学的文脈における暗黙の対応の重要性を明らかにする。 モデル構成成分間のインスタンス認識トレードオフを確保するために, 自己適応型動的蒸留を提案する。
  論文  参考訳（メタデータ） (2024-07-14T04:41:16Z)
• Decomposing the Neurons: Activation Sparsity via Mixture of Experts for Continual Test Time Adaptation [37.79819260918366]
  継続的なテスト時間適応(CTTA)は、トレーニング済みのモデルを進化し続けるターゲットドメインに適応させることを目的としている。 我々はCTTAタスクのアダプタとしてMixture-of-Activation-Sparsity-Experts (MoASE)の統合について検討する。
  論文  参考訳（メタデータ） (2024-05-26T08:51:39Z)
• Conditionally Invariant Representation Learning for Disentangling Cellular Heterogeneity [25.488181126364186]
  本稿では,不必要な変数や乱れに条件付き不変な表現を学習するために,ドメインの可変性を活用する新しい手法を提案する。 単細胞ゲノム学におけるデータ統合など,生物の課題に対して本手法を適用した。 具体的には、提案手法は、対象のタスクと無関係なデータバイアスや興味の因果的説明から生物学的信号を解き放つのに役立つ。
  論文  参考訳（メタデータ） (2023-07-02T12:52:41Z)
• ContraFeat: Contrasting Deep Features for Semantic Discovery [102.4163768995288]
  StyleGANは、アンタングル化セマンティックコントロールの強い可能性を示している。 StyleGANの既存の意味発見手法は、修正された潜在層を手作業で選択することで、良好な操作結果が得られる。 本稿では,このプロセスを自動化し,最先端のセマンティック発見性能を実現するモデルを提案する。
  論文  参考訳（メタデータ） (2022-12-14T15:22:13Z)
• Encoding Domain Information with Sparse Priors for Inferring Explainable Latent Variables [2.8935588665357077]
  説明可能な因子の推論を促進するために,スパース先行の因子潜在変数モデルであるspex-LVMを提案する。 spex-LVMは、既存の生物医療経路の知識を利用して、潜在因子にアノテート属性を自動的に割り当てる。 シミュレーションおよび実シングルセルRNA-seqデータセットの評価は、本モデルが本質的に説明可能な方法で関連構造を頑健に識別することを示す。
  論文  参考訳（メタデータ） (2021-07-08T10:19:32Z)

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。