論文の概要: HistoMet: A Pan-Cancer Deep Learning Framework for Prognostic Prediction of Metastatic Progression and Site Tropism from Primary Tumor Histopathology

• arxiv url: http://arxiv.org/abs/2602.07608v1
• Date: Sat, 07 Feb 2026 16:25:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-10 20:26:24.720722
• Title: HistoMet: A Pan-Cancer Deep Learning Framework for Prognostic Prediction of Metastatic Progression and Site Tropism from Primary Tumor Histopathology
• Title（参考訳）: HistoMet:原発性腫瘍組織からの転移進展と部位トロピズムの予後予測のためのパンキャンサー深層学習フレームワーク
• Authors: Yixin Chen, Ziyu Su, Lingbin Meng, Elshad Hasanov, Wei Chen, Anil Parwani, M. Khalid Khan Niazi,
• Abstract要約: 原発性腫瘍WSIの予後予測のためのMILフレームワークHistoMetを提案する。 HistoMetは言語学的に定義されたメタスタティックな概念とデータ順応的なメタスタティックな概念を、事前訓練された病理視覚言語モデルを通じて統合する。 HistoMetは転移例を条件に、1.3の標準偏差で74.6のマクロF1と92.1のマクロ1-vsレストAUCを達成している。
• 参考スコア（独自算出の注目度）: 6.661235806449948
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Metastatic Progression remains the leading cause of cancer-related mortality, yet predicting whether a primary tumor will metastasize and where it will disseminate directly from histopathology remains a fundamental challenge. Although whole-slide images (WSIs) provide rich morphological information, prior computational pathology approaches typically address metastatic status or site prediction as isolated tasks, and do not explicitly model the clinically sequential decision process of metastatic risk assessment followed by downstream site-specific evaluation. To address this research gap, we present a decision-aware, concept-aligned MIL framework, HistoMet, for prognostic metastatic outcome prediction from primary tumor WSIs. Our proposed framework adopts a two-module prediction pipeline in which the likelihood of metastatic progression from the primary tumor is first estimated, followed by conditional prediction of metastatic site for high-risk cases. To guide representation learning and improve clinical interpretability, our framework integrates linguistically defined and data-adaptive metastatic concepts through a pretrained pathology vision-language model. We evaluate HistoMet on a multi-institutional pan-cancer cohort of 6504 patients with metastasis follow-up and site annotations. Under clinically relevant high-sensitivity screening settings (95 percent sensitivity), HistoMet significantly reduces downstream workload while maintaining high metastatic risk recall. Conditional on metastatic cases, HistoMet achieves a macro F1 of 74.6 with a standard deviation of 1.3 and a macro one-vs-rest AUC of 92.1. These results demonstrate that explicitly modeling clinical decision structure enables robust and deployable prognostic prediction of metastatic progression and site tropism directly from primary tumor histopathology.
• Abstract（参考訳）: 転移性進行はがん関連死亡の主な原因であり続けているが、原発性腫瘍が転移し、病理組織から直接拡散するかどうかを予測することは根本的な課題である。 全身スライディング画像(WSI)は、豊富な形態情報を提供するが、従来の計算病理学的アプローチは、通常、転移状態や部位予測を独立したタスクとして扱う。 本研究のギャップに対処するため,原発性腫瘍WSIの予後予測のための意思決定・概念整合型MILフレームワークHistoMetを提案する。 提案するフレームワークでは,原発性腫瘍からの転移の確率を第一に推定し,次いで高リスク症例の転移部位を条件付きで予測する2モジュール予測パイプラインを採用している。 本フレームワークは,表現学習の指導と臨床解釈性の向上を目的として,言語学的に定義されたメタスタティックな概念とデータ適応型メタスタティックな概念を,事前学習された病理視覚言語モデルを通じて統合する。 HistoMetは6504例の転移追跡およびサイトアノテーションを有する多施設の汎癌コホートで評価した。 臨床的に関連のある高感度スクリーニング設定(95%の感度)の下では、HistoMetは、高い転移リスクリコールを維持しながら、下流のワークロードを大幅に削減する。 HistoMetは転移例を条件に、1.3の標準偏差で74.6のマクロF1と92.1のマクロ1-vsレストAUCを達成している。 以上より, 臨床的決定構造を明示的にモデル化することにより, 転移の進行と部位のトロピズムの堅牢かつ展開可能な予測が, 原発性腫瘍組織から直接可能であることが示唆された。

関連論文リスト

• CLARITY: Medical World Model for Guiding Treatment Decisions by Modeling Context-Aware Disease Trajectories in Latent Space [49.74032713886216]
  CLARITYは、構造化潜在空間内で直接疾患の進化を予測する医療世界モデルである。 時間間隔(時間的文脈)と患者固有のデータ(臨床的文脈)を明確に統合し、スムーズで解釈可能な軌跡として治療条件の進行をモデル化する。
  論文  参考訳（メタデータ） (2025-12-08T20:42:10Z)
• Prediction of Distant Metastasis for Head and Neck Cancer Patients Using Multi-Modal Tumor and Peritumoral Feature Fusion Network [6.753955554949766]
  頭頸部扁平上皮癌(HN SCC)における転移の意義 本研究では,CT画像,放射線画像,臨床データを統合し,HN SCC患者の転移リスクを予測するためのディープラーニングベースのフレームワークを開発した。
  論文  参考訳（メタデータ） (2025-08-28T06:39:38Z)
• A Metabolic-Imaging Integrated Model for Prognostic Prediction in Colorectal Liver Metastases [5.6492616107251274]
  本研究は,術後再発リスクを予測するための頑健な機械学習モデルを開発し,検証した。 コントラスト造影CTでは,術前臨床パラメータと放射線学的特徴に入力変数を制限した。 3ヶ月の再発予測モデルでは、AUCが0.723のクロスバリデーションで最適性能を示した。
  論文  参考訳（メタデータ） (2025-07-26T01:29:38Z)
• Medical World Model: Generative Simulation of Tumor Evolution for Treatment Planning [50.16114813279694]
  臨床診断に基づいて将来の疾患状態を視覚的に予測する医用世界モデル(MeWM)を紹介する。 MeWMは、(i)政策モデルとして機能する視覚言語モデルと、(ii)ダイナミックスモデルとして腫瘍生成モデルから構成される。 シミュレーション後腫瘍に対する生存解析を適用した逆ダイナミクスモデルを提案し,治療効果の評価と最適な臨床行動計画の選択を可能にした。
  論文  参考訳（メタデータ） (2025-06-02T23:50:40Z)
• Predicting Survivability of Cancer Patients with Metastatic Patterns Using Explainable AI [2.6182192515316247]
  本研究は、転移パターンを有するがん患者の生存可能性を予測するために機械学習(ML)を活用する。 MSK-METデータセットには、27種類のがんの25,775人のゲノムおよび臨床データが含まれている。 XGBoost は曲線 (AUC) が 0.82 である最高のパフォーマーとして登場した。
  論文  参考訳（メタデータ） (2025-04-07T20:48:15Z)
• Prediction of Lung Metastasis from Hepatocellular Carcinoma using the SEER Database [0.9055332067000195]
  肝細胞癌(HCC)は、がん関連死亡の原因である。 HCCにおける肺転移の予測モデルは、範囲と臨床応用性に限られている。 本研究では,Surveillance, Epidemiology, End Results (SEER)データベースのデータを用いて,エンドツーエンドの機械学習パイプラインの開発と検証を行う。
  論文  参考訳（メタデータ） (2025-01-20T20:06:31Z)
• Reasoning-Enhanced Healthcare Predictions with Knowledge Graph Community Retrieval [61.70489848327436]
  KAREは、知識グラフ(KG)コミュニティレベルの検索と大規模言語モデル(LLM)推論を統合する新しいフレームワークである。 MIMIC-IIIでは最大10.8～15.0%、MIMIC-IVでは12.6～12.7%である。
  論文  参考訳（メタデータ） (2024-10-06T18:46:28Z)
• SepsisLab: Early Sepsis Prediction with Uncertainty Quantification and Active Sensing [67.8991481023825]
  セプシスは米国での院内死亡の主な原因である。 既存の予測モデルは通常、情報不足の少ない高品質なデータで訓練される。 限られた観察により信頼性の低い高リスク患者に対して,ロバストな能動センシングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-07-24T04:47:36Z)
• Semi-supervised ViT knowledge distillation network with style transfer normalization for colorectal liver metastases survival prediction [1.283897253352624]
  本稿では,H&EおよびHPSで染色した組織学的スライドを用いて,自動予後予測のためのエンドツーエンドアプローチを提案する。 まずGAN(Generative Adversarial Network)を用いてスライス正規化を行い、染色のばらつきを低減し、予測パイプラインへの入力として使用される画像の全体的な品質を向上させる。 転移性結節および周囲組織から抽出した特徴を利用して予後モデルを訓練し,同時に知識蒸留フレームワークで視覚変換器(ViT)を訓練し,予後予測の性能を再現し,向上させる。
  論文  参考訳（メタデータ） (2023-11-17T03:32:11Z)
• Clinical Outcome Prediction from Admission Notes using Self-Supervised Knowledge Integration [55.88616573143478]
  臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。 退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。 複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
  論文  参考訳（メタデータ） (2021-02-08T10:26:44Z)

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。