論文の概要: Hierarchical Multi-Scale Graph Learning with Knowledge-Guided Attention for Whole-Slide Image Survival Analysis

• arxiv url: http://arxiv.org/abs/2602.23557v2
• Date: Mon, 02 Mar 2026 09:07:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-03 15:39:04.014998
• Title: Hierarchical Multi-Scale Graph Learning with Knowledge-Guided Attention for Whole-Slide Image Survival Analysis
• Title（参考訳）: 全スライディング画像サバイバル解析のための知識誘導型階層型マルチスケールグラフ学習
• Authors: Bin Xu, Yufei Zhou, Boling Song, Jingwen Sun, Yang Bian, Cheng Lu, Ye Wu, Jianfei Tu, Xiangxue Wang,
• Abstract要約: Hierarchical Multi-scale Knowledge-aware Graph Network (HMKGN) は、がん予後のための全スライディング画像(WSI)内のマルチスケール相互作用と空間的階層関係をモデル化する。 生存予測には4つのTCGAコホート(KIRC, LGG, PAAD, STAD)を用いてHMKGNを評価した。
• 参考スコア（独自算出の注目度）: 7.719549259296449
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose a Hierarchical Multi-scale Knowledge-aware Graph Network (HMKGN) that models multi-scale interactions and spatially hierarchical relationships within whole-slide images (WSIs) for cancer prognostication. Unlike conventional attention-based MIL, which ignores spatial organization, or graph-based MIL, which relies on static handcrafted graphs, HMKGN enforces a hierarchical structure with spatial locality constraints, wherein local cellular-level dynamic graphs aggregate spatially proximate patches within each region of interest (ROI) and a global slide-level dynamic graph integrates ROI-level features into WSI-level representations. Moreover, multi-scale integration at the ROI level combines coarse contextual features from broader views with fine-grained structural representations from local patch-graph aggregation. We evaluate HMKGN on four TCGA cohorts (KIRC, LGG, PAAD, and STAD; N=513, 487, 138, and 370) for survival prediction. It consistently outperforms existing MIL-based models, yielding improved concordance indices (10.85% better) and statistically significant stratification of patient survival risk (log-rank p < 0.05).
• Abstract（参考訳）: 本稿では,がん診断のための階層型マルチスケール知識認識グラフネットワーク (HMKGN) を提案する。 HMKGNは、空間的構造を無視する従来のアテンションベースのMILや、静的な手作りグラフに依存するグラフベースのMILとは異なり、局所的な局所性制約を持つ階層構造を強制し、局所的なセルレベルの動的グラフは、各領域(ROI)内の空間的に近似パッチを集約し、大域的なスライドレベルの動的グラフは、ROIレベルの特徴をWSIレベルの表現に統合する。 さらに、ROIレベルでのマルチスケール統合は、より広い視点からの粗いコンテキスト特徴と、局所的なパッチグラフアグリゲーションからのきめ細かい構造表現を組み合わせる。 生存予測には4つのTCGAコホート(KIRC, LGG, PAAD, STAD, N=513, 487, 138, 370)を用いてHMKGNを評価した。 既存のMILモデルよりも一貫して優れており、コンコータンス指標の改善(10.85%改善)と、統計学的に有意な患者生存リスクの成層化(log-rank p < 0.05)をもたらす。

関連論文リスト

• Multi-label Classification with Panoptic Context Aggregation Networks [61.82285737410154]
  本稿では,多次幾何学的文脈を階層的に統合する新しいアプローチであるDeep Panoptic Context Aggregation Network(PanCAN)を紹介する。 PanCANは、ランダムウォークとアテンションメカニズムを組み合わせることで、各スケールで複数階の近傍関係を学習する。 NUS-WIDE、PASCAL VOC、2007、MS-COCOベンチマークの実験は、PanCANが一貫して競争結果を達成することを示した。
  論文  参考訳（メタデータ） (2025-12-29T14:16:21Z)
• Deformable Attention Graph Representation Learning for Histopathology Whole Slide Image Analysis [9.724220291296927]
  本稿では,病理画像解析における変形性を考慮した新しいGNNフレームワークを提案する。 パッチの特徴に基づいて動的重み付き有向グラフを構築し、各ノードが注目重み付きエッジを介して隣人からのコンテキスト情報を集約する。 具体的には、各パッチの実際の座標から得られる学習可能な空間オフセットを組み込み、モデルがスライド全体の形態的関連領域に適応的に参加できるようにする。
  論文  参考訳（メタデータ） (2025-08-07T13:30:29Z)
• Multi-level Graph Subspace Contrastive Learning for Hyperspectral Image Clustering [16.027471624621924]
  本研究では,HSIクラスタリングのためのマルチレベルグラフサブスペースコントラスト学習(MLGSC)を提案する。 提案したモデルは、Indian Pines、Pavia University、Houston、Xu Zhouの4つの人気のあるHSIデータセットで評価されている。 全体のアキュラシーは97.75%、99.96%、92.28%、95.73%であり、現在の最先端クラスタリング法よりもかなり優れている。
  論文  参考訳（メタデータ） (2024-04-08T05:50:46Z)
• Integrative Graph-Transformer Framework for Histopathology Whole Slide Image Representation and Classification [18.16710321320098]
  デジタル病理学において、MIL(Multiple Case Learning)戦略は、弱い教師付き病理組織像全体(WSI)分類タスクにおいて広く用いられている。 既存の注意に基づくMILアプローチは、しばしば隣接する組織タイル間のコンテキスト情報や本質的な空間的関係を見落としている。 本稿では、文脈対応リレーショナル特徴とグローバルWSI表現を同時にキャプチャする統合グラフ変換フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-03-26T22:31:05Z)
• Integrating multiscale topology in digital pathology with pyramidal graph convolutional networks [0.10995326465245926]
  グラフ畳み込みネットワーク(GCN)は、デジタル病理学における畳み込みニューラルネットワークを用いた複数インスタンス学習の強力な代替手段として登場した。 提案するマルチスケールGCN (MS-GCN) は,スライド画像全体において複数の倍率レベルにまたがる情報を活用することでこの問題に対処する。 MS-GCNは、既存の単一磁化GCN法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2024-03-22T09:48:50Z)
• DGNN: Decoupled Graph Neural Networks with Structural Consistency between Attribute and Graph Embedding Representations [62.04558318166396]
  グラフニューラルネットワーク(GNN)は、複雑な構造を持つグラフ上での表現学習の堅牢性を示す。 ノードのより包括的な埋め込み表現を得るために、Decoupled Graph Neural Networks (DGNN)と呼ばれる新しいGNNフレームワークが導入された。 複数のグラフベンチマークデータセットを用いて、ノード分類タスクにおけるDGNNの優位性を検証した。
  論文  参考訳（メタデータ） (2024-01-28T06:43:13Z)
• Efficient Multi-View Graph Clustering with Local and Global Structure Preservation [59.49018175496533]
  局所・グローバル構造保存を用いた効率的なマルチビューグラフクラスタリング(EMVGC-LG)という,アンカーベースのマルチビューグラフクラスタリングフレームワークを提案する。 具体的には、EMVGC-LGがクラスタリング品質を向上させるために、アンカー構築とグラフ学習を共同で最適化する。 さらに、EMVGC-LGはサンプル数に関する既存のAMVGCメソッドの線形複雑性を継承する。
  論文  参考訳（メタデータ） (2023-08-31T12:12:30Z)
• Spatial-Spectral Clustering with Anchor Graph for Hyperspectral Image [88.60285937702304]
  本稿では、HSIデータクラスタリングのための空間スペクトルクラスタリングとアンカーグラフ(SSCAG)という新しい非監視アプローチを提案する。 提案されたSSCAGは最先端のアプローチと競合する。
  論文  参考訳（メタデータ） (2021-04-24T08:09:27Z)
• Spatial-spectral Hyperspectral Image Classification via Multiple Random Anchor Graphs Ensemble Learning [88.60285937702304]
  本稿では,複数のランダムアンカーグラフアンサンブル学習(RAGE)を用いた空間スペクトルHSI分類手法を提案する。 まず、各選択されたバンドのより記述的な特徴を抽出し、局所的な構造と領域の微妙な変化を保存するローカルバイナリパターンを採用する。 次に,アンカーグラフの構成に適応隣接代入を導入し,計算複雑性を低減した。
  論文  参考訳（メタデータ） (2021-03-25T09:31:41Z)
• Multi-Level Graph Convolutional Network with Automatic Graph Learning for Hyperspectral Image Classification [63.56018768401328]
  HSI分類のための自動グラフ学習法(MGCN-AGL)を用いたマルチレベルグラフ畳み込みネットワーク(GCN)を提案する。 空間的に隣接する領域における重要度を特徴付けるために注意機構を利用することで、最も関連性の高い情報を適応的に組み込んで意思決定を行うことができる。 MGCN-AGLは局所的に生成した表現表現に基づいて画像領域間の長距離依存性を符号化する。
  論文  参考訳（メタデータ） (2020-09-19T09:26:20Z)

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。