論文の概要: Learning Glioblastoma Tumor Heterogeneity Using Brain Inspired Topological Neural Networks

• arxiv url: http://arxiv.org/abs/2602.11234v1
• Date: Wed, 11 Feb 2026 16:28:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-13 21:07:25.47283
• Title: Learning Glioblastoma Tumor Heterogeneity Using Brain Inspired Topological Neural Networks
• Title（参考訳）: 脳誘発トポロジカルニューラルネットワークを用いたグリオーマ腫瘍の均一性学習
• Authors: Ankita Paul, Wenyi Wang,
• Abstract要約: TopoGBMは3D MRIからスキャナ・ロバスト表現をキャプチャする学習フレームワークである。 機械的解釈可能性分析により、再構成残基が病理学的に不均一な領域に高度に局在していることが判明した。
• 参考スコア（独自算出の注目度）: 3.120728330365825
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate prognosis for Glioblastoma (GBM) using deep learning (DL) is hindered by extreme spatial and structural heterogeneity. Moreover, inconsistent MRI acquisition protocols across institutions hinder generalizability of models. Conventional transformer and DL pipelines often fail to capture the multi-scale morphological diversity such as fragmented necrotic cores, infiltrating margins, and disjoint enhancing components leading to scanner-specific artifacts and poor cross-site prognosis. We propose TopoGBM, a learning framework designed to capture heterogeneity-preserved, scanner-robust representations from multi-parametric 3D MRI. Central to our approach is a 3D convolutional autoencoder regularized by a topological regularization that preserves the complex, non-Euclidean invariants of the tumor's manifold within a compressed latent space. By enforcing these topological priors, TopoGBM explicitly models the high-variance structural signatures characteristic of aggressive GBM. Evaluated across heterogeneous cohorts (UPENN, UCSF, RHUH) and external validation on TCGA, TopoGBM achieves better performance (C-index 0.67 test, 0.58 validation), outperforming baselines that degrade under domain shift. Mechanistic interpretability analysis reveals that reconstruction residuals are highly localized to pathologically heterogeneous zones, with tumor-restricted and healthy tissue error significantly low (Test: 0.03, Validation: 0.09). Furthermore, occlusion-based attribution localizes approximately 50% of the prognostic signal to the tumor and the diverse peritumoral microenvironment advocating clinical reliability of the unsupervised learning method. Our findings demonstrate that incorporating topological priors enables the learning of morphology-faithful embeddings that capture tumor heterogeneity while maintaining cross-institutional robustness.
• Abstract（参考訳）: 深層学習(DL)を用いたGlioblastoma (GBM) の正確な予後は, 極端に空間的, 構造的不均一性によって阻害される。 さらに, 施設間におけるMRI取得プロトコルの不整合は, モデルの一般化を妨げている。 従来のトランスフォーマーとDLパイプラインは、断片化された壊死コア、浸潤するマージン、そしてスキャナー固有のアーティファクトに繋がる分断強化コンポーネント、およびクロスサイト予後不良といった、多スケールのモルフォロジーの多様性を捉えるのに失敗することが多い。 TopoGBMは,マルチパラメトリック3次元MRIから異種保存・スキャナ・ロバスト表現をキャプチャする学習フレームワークである。 我々のアプローチの中心は、圧縮潜在空間内の腫瘍多様体の複素非ユークリッド不変量を保存するトポロジカル正規化によって正規化された3次元畳み込み自己エンコーダである。 これらのトポロジカル先行を強制することにより、TopoGBMは攻撃的なGBMの特徴を持つ高分散構造シグネチャを明示的にモデル化する。 ヘテロジニアスコホート(UPENN, UCSF, RHUH)とTCGAの外部バリデーションを評価すると、TopoGBMはパフォーマンスが向上し(C-index 0.67テスト、0.58バリデーション)、ドメインシフト時に劣化するベースラインよりも優れた性能を発揮する。 機械的解釈可能性分析により、再建残基は病理学的に不均一な領域に高度に局在しており、腫瘍に制限された正常な組織エラーは著しく低いことが判明した(検査:0.03、検証:0.09)。 さらに,オクルージョンをベースとした属性は腫瘍の予後信号の約50%を局在させ,非教師なし学習法の臨床的信頼性を主張する多種多様な経時的微小環境を呈する。 以上より, トポロジカルな前駆体を組み込むことで, 腫瘍の均一性を捉えつつ, 構造的堅牢性を保ちつつ, 形態学的に忠実な埋め込みを学べることが示唆された。

関連論文リスト

• TwinPurify: Purifying gene expression data to reveal tumor-intrinsic transcriptional programs via self-supervised learning [4.742294289533828]
  本稿では,Barlow Twinsの自己指導目的に適応する表現学習フレームワークであるTwinPurifyを紹介する。 バルク混合物を個別の細胞型分画に分解する代わりに、TwinPurifyは連続した高次元の腫瘍の埋め込みを学習する。
  論文  参考訳（メタデータ） (2026-01-26T16:11:34Z)
• Robust Computational Extraction of Non-Enhancing Hypercellular Tumor Regions from Clinical Imaging Data [0.0]
  日常的なMRIデータからNEH領域の確率マップを生成する頑健な計算フレームワークを提案する。 本手法は独立した臨床マーカーに対して有効であった。
  論文  参考訳（メタデータ） (2026-01-25T11:39:41Z)
• IMSAHLO: Integrating Multi-Scale Attention and Hybrid Loss Optimization Framework for Robust Neuronal Brain Cell Segmentation [0.6999740786886535]
  我々は,頑健で適応的な神経細胞分割のための新しいディープラーニングフレームワーク,IMSAHLOを提案する。 本フレームワークは81.4%の精度,マクロF1スコア82.7%の精度,マイクロF1スコア83.3%の精度,難密でスパースなケースでは99.5%の精度を実現している。
  論文  参考訳（メタデータ） (2026-01-14T23:43:33Z)
• DRBD-Mamba for Robust and Efficient Brain Tumor Segmentation with Analytical Insights [54.87947751720332]
  脳腫瘍の正確なセグメンテーションは、臨床診断と治療に重要である。 マンバを拠点とするState Space Modelsは、有望なパフォーマンスを示している。 本稿では,計算オーバーヘッドを最小限に抑えながら,マルチスケールの長距離依存関係をキャプチャするマルチ解像度双方向マンバを提案する。
  論文  参考訳（メタデータ） (2025-10-16T07:31:21Z)
• MIRROR: Multi-Modal Pathological Self-Supervised Representation Learning via Modality Alignment and Retention [57.044719143401664]
  病理組織学と転写学は、腫瘍学の基本的なモダリティであり、疾患の形態学的および分子的側面を包含している。 モーダルアライメントと保持を両立させる新しいマルチモーダル表現学習法であるMIRRORを提案する。 がんの亜型化と生存分析のためのTCGAコホートに関する広範囲な評価は,MIRRORの優れた性能を浮き彫りにしている。
  論文  参考訳（メタデータ） (2025-03-01T07:02:30Z)
• Adaptive unsupervised learning with enhanced feature representation for intra-tumor partitioning and survival prediction for glioblastoma [12.36330256366686]
  そこで本研究では, 腫瘍内パーティショニングとグリオ芽腫生存予測のための適応型非教師なし学習手法を提案する。 新規かつ問題特異的な自動エンコーダ(FAE)を開発した。 以上の結果から, 提案手法は, 堅牢で臨床的に関連のあるMRIサブリージョンと, 統計的に有意な生存予測をもたらすことが示唆された。
  論文  参考訳（メタデータ） (2021-08-21T02:47:59Z)

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。