論文の概要: PGVMS: A Prompt-Guided Unified Framework for Virtual Multiplex IHC Staining with Pathological Semantic Learning

• arxiv url: http://arxiv.org/abs/2602.23292v1
• Date: Thu, 26 Feb 2026 18:03:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-27 18:41:22.828119
• Title: PGVMS: A Prompt-Guided Unified Framework for Virtual Multiplex IHC Staining with Pathological Semantic Learning
• Title（参考訳）: PGVMS: 病的セマンティック学習を用いた仮想多重IHCのためのプロンプトガイド統合フレームワーク
• Authors: Fuqiang Chen, Ranran Zhang, Wanming Hu, Deboch Eyob Abera, Yue Peng, Boyun Zheng, Yiwen Sun, Jing Cai, Wenjian Qin,
• Abstract要約: 免疫組織化学的(IHC)染色は、タンパク質発現の正確な分子プロファイリングを可能にする。 仮想多重染色は、H&E画像を複数のIHC表現にデジタル変換する革新的なソリューションとして現れる。 単体トレーニングデータのみを用いた仮想多重IHC染色のためのプロンプト誘導フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 10.055967463477447
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Immunohistochemical (IHC) staining enables precise molecular profiling of protein expression, with over 200 clinically available antibody-based tests in modern pathology. However, comprehensive IHC analysis is frequently limited by insufficient tissue quantities in small biopsies. Therefore, virtual multiplex staining emerges as an innovative solution to digitally transform H&E images into multiple IHC representations, yet current methods still face three critical challenges: (1) inadequate semantic guidance for multi-staining, (2) inconsistent distribution of immunochemistry staining, and (3) spatial misalignment across different stain modalities. To overcome these limitations, we present a prompt-guided framework for virtual multiplex IHC staining using only uniplex training data (PGVMS). Our framework introduces three key innovations corresponding to each challenge: First, an adaptive prompt guidance mechanism employing a pathological visual language model dynamically adjusts staining prompts to resolve semantic guidance limitations (Challenge 1). Second, our protein-aware learning strategy (PALS) maintains precise protein expression patterns by direct quantification and constraint of protein distributions (Challenge 2). Third, the prototype-consistent learning strategy (PCLS) establishes cross-image semantic interaction to correct spatial misalignments (Challenge 3).
• Abstract（参考訳）: イムノヒストケミカル(IHC)染色はタンパク質発現の正確な分子プロファイリングを可能にする。 しかし、包括的IHC分析は小さな生検では不十分な組織量によってしばしば制限される。 したがって、仮想多重染色は、H&E画像をデジタル化して複数のIHC表現に変換する革新的なソリューションとして現れるが、現在の手法では、(1)マルチスタンディングのセマンティックガイダンスの不十分、(2)免疫化学染色の不整合分布、(3)異なる染色の空間的不整合の3つの重要な課題に直面している。 これらの制約を克服するために,単体トレーニングデータ(PGVMS)のみを用いた仮想多重IHC染色のためのプロンプト誘導フレームワークを提案する。 まず、病的視覚言語モデルを用いた適応的プロンプト誘導機構は、意味的指示の制限を解決するために染色プロンプトを動的に調整する(図1)。 第2に、タンパク質認識学習戦略(PALS)は、タンパク質分布の直接定量化と制約による正確なタンパク質発現パターンを維持している(図2)。 第3に、プロトタイプ一貫性学習戦略(PCLS)は、空間的不整合を補正するためのクロスイメージセマンティックインタラクションを確立する(図3)。

関連論文リスト

• A Semantically Enhanced Generative Foundation Model Improves Pathological Image Synthesis [82.01597026329158]
  本稿では,組織合成のための相関調整フレームワーク(CRAFTS)について紹介する。 CRAFTSは、生物学的精度を確保するためにセマンティックドリフトを抑制する新しいアライメント機構を組み込んでいる。 本モデルは,30種類の癌にまたがる多彩な病理像を生成する。
  論文  参考訳（メタデータ） (2025-12-15T10:22:43Z)
• PRINTER:Deformation-Aware Adversarial Learning for Virtual IHC Staining with In Situ Fidelity [18.922782766983378]
  PRINTERは、PRototype-drIvenコンテンツとstaiNing patTERnデカップリングと変形対応の逆学習戦略を統合した弱い教師付きフレームワークである。 私たちの研究は、仮想染色のための堅牢でスケーラブルなソリューションを提供し、計算病理学の分野を前進させます。
  論文  参考訳（メタデータ） (2025-09-01T07:53:05Z)
• HaDM-ST: Histology-Assisted Differential Modeling for Spatial Transcriptomics Generation [3.0708458805558347]
  本稿では,H&E画像と低分解能STを条件とした高分解能ST生成フレームワークであるHaDM-STを提案する。 様々な組織や種にまたがる200の遺伝子に対する実験では、HDM-STは従来法よりも一貫して優れており、高分解能ST予測における空間的忠実度と遺伝子レベルのコヒーレンスを高めている。
  論文  参考訳（メタデータ） (2025-08-10T08:09:06Z)
• Score-based Diffusion Model for Unpaired Virtual Histology Staining [7.648204151998162]
  ヘマトキシリンとエオシン(H&E)染色は組織学を可視化するが、診断マーカーには特異性がない。 ヘマトキシリンおよびエオシン(H&E)染色はタンパク質標的染色を提供するが、組織可用性と抗体特異性によって制限される。 仮想染色、すなわち組織構造を保存しながらH&E画像をIHCに変換することで、効率的なIHC生成が期待できる。 本研究では,相互情報を用いた仮想染色のためのスコアベース拡散モデルを提案する。
  論文  参考訳（メタデータ） (2025-06-29T11:02:45Z)
• 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)
• Pathological Semantics-Preserving Learning for H&E-to-IHC Virtual Staining [4.42401958204836]
  仮想ステイニングのための病的セマンティックス保存学習法を提案する。 PSPStainは分子レベルのセマンティック情報を取り入れ、セマンティックス相互作用を強化する。 PSPStainは現在の最先端H&E-to-IHC仮想染色法より優れている。
  論文  参考訳（メタデータ） (2024-07-04T05:54:00Z)
• Explainability Guided Multi-Site COVID-19 CT Classification [79.4957965474334]
  監督されたポジティブなケースの限られた数、地域ベースの監督の欠如、および買収サイト間のばらつきに対処する。 現状と比較すると,比較的多くの症例を抱えるサイトにおいてF1スコアが5%増加し,訓練画像が少ないサイトでは2倍の差がみられた。
  論文  参考訳（メタデータ） (2021-03-25T08:56:08Z)

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。