論文の概要: SpaCRD: Multimodal Deep Fusion of Histology and Spatial Transcriptomics for Cancer Region Detection

• arxiv url: http://arxiv.org/abs/2603.06186v1
• Date: Fri, 06 Mar 2026 11:46:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-09 13:17:45.585721
• Title: SpaCRD: Multimodal Deep Fusion of Histology and Spatial Transcriptomics for Cancer Region Detection
• Title（参考訳）: SpaCRD : 癌領域検出のためのマルチモーダル深層核融合と空間転写学
• Authors: Shuailin Xue, Jun Wan, Lihua Zhang, Wenwen Min,
• Abstract要約: 本稿では,組織像とSTデータを深く統合し,信頼性の高いCTR検出を可能にする転写学習手法であるSpaCRDを提案する。 ソースデータでトレーニングすると、SpaCRDは簡単に一般化され、異なるプラットフォームやバッチのサンプルをまたいだがん領域を正確に検出できる。
• 参考スコア（独自算出の注目度）: 28.47842822036658
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate detection of cancer tissue regions (CTR) enables deeper analysis of the tumor microenvironment and offers crucial insights into treatment response. Traditional CTR detection methods, which typically rely on the rich cellular morphology in histology images, are susceptible to a high rate of false positives due to morphological similarities across different tissue regions. The groundbreaking advances in spatial transcriptomics (ST) provide detailed cellular phenotypes and spatial localization information, offering new opportunities for more accurate cancer region detection. However, current methods are unable to effectively integrate histology images with ST data, especially in the context of cross-sample and cross-platform/batch settings for accomplishing the CTR detection. To address this challenge, we propose SpaCRD, a transfer learning-based method that deeply integrates histology images and ST data to enable reliable CTR detection across diverse samples, platforms, and batches. Once trained on source data, SpaCRD can be readily generalized to accurately detect cancerous regions across samples from different platforms and batches. The core of SpaCRD is a category-regularized variational reconstruction-guided bidirectional cross-attention fusion network, which enables the model to adaptively capture latent co-expression patterns between histological features and gene expression from multiple perspectives. Extensive benchmark analysis on 23 matched histology-ST datasets spanning various disease types, platforms, and batches demonstrates that SpaCRD consistently outperforms existing eight state-of-the-art methods in CTR detection.
• Abstract（参考訳）: 癌組織領域(CTR)の正確な検出は、腫瘍の微小環境のより深い分析を可能にし、治療反応に重要な洞察を与える。 組織像のリッチな細胞形態に依存した従来のCTR検出法は、組織領域の異なる形態的類似性に起因する偽陽性の頻度が高い。 空間転写学(ST)における画期的な進歩は、詳細な細胞表現型と空間局在情報を提供し、より正確ながん領域検出のための新たな機会を提供する。 しかし、現在の方法では、特にCTR検出を実現するためのクロスサンプルとクロスプラットフォーム/バッチ設定の文脈において、STデータとヒストロジーイメージを効果的に統合することはできない。 この課題に対処するために,様々なサンプル,プラットフォーム,バッチ間で信頼性の高いCTR検出を実現するために,組織像とSTデータを深く統合した転写学習に基づくSpaCRDを提案する。 ソースデータでトレーニングすると、SpaCRDは簡単に一般化され、異なるプラットフォームやバッチのサンプルをまたいだがん領域を正確に検出できる。 SpaCRDのコアは、分類規則化された再構成誘導双方向連接核融合ネットワークであり、複数の視点から、組織学的特徴と遺伝子発現の間の潜在的共発現パターンを適応的に捉えることができる。 さまざまな病型、プラットフォーム、バッチにまたがる23のマッチングヒストロジー-STデータセットの大規模なベンチマーク分析により、SpaCRDはCTR検出において既存の8つの最先端メソッドを一貫して上回っていることが示された。

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)
• Boosting Pathology Foundation Models via Few-shot Prompt-tuning for Rare Cancer Subtyping [80.92960114162746]
  視覚言語病理基盤モデルの可能性を生かした新しいフレームワークPathPTを提案する。 PathPTは、WSIレベルの監視を、VLモデルのゼロショット機能を活用することで、きめ細かいタイルレベルのガイダンスに変換する。 以上の結果から,PathPTは一貫して優れた性能を示し,サブタイピング精度と癌領域の接地能力を著しく向上することが示された。
  論文  参考訳（メタデータ） (2025-08-21T18:04:41Z)
• MEATRD: Multimodal Anomalous Tissue Region Detection Enhanced with Spatial Transcriptomics [11.792057304685692]
  組織像とSTデータを統合する新しいATR検出法MEATRDを提案する。 MEATRDは、マルチモーダル埋め込みから正常組織スポットの画像パッチと遺伝子発現プロファイルを再構築するよう訓練されている。 8つの実STデータセットの大規模な評価は、ATR検出におけるMEATRDの優れた性能を示している。
  論文  参考訳（メタデータ） (2024-12-14T03:09:04Z)
• TopOC: Topological Deep Learning for Ovarian and Breast Cancer Diagnosis [3.262230127283452]
  トポロジカルデータ分析は、異なる色チャネルにわたるトポロジカルパターンの評価を通じて重要な情報を抽出することで、ユニークなアプローチを提供する。 卵巣癌と乳癌では, トポロジカルな特徴を取り入れることで, 腫瘍型の分化が著しく向上することが示唆された。
  論文  参考訳（メタデータ） (2024-10-13T12:24:13Z)
• Lesion-Aware Cross-Phase Attention Network for Renal Tumor Subtype Classification on Multi-Phase CT Scans [17.708032663036512]
  腎癌の術前診断にはCT(multi-phase Computed Tomography)が広く用いられている。 深層学習に基づくアプローチは、最近腎臓癌の鑑別診断のために研究されているが、ネットワーク設計におけるCTフェーズ間の関係を明示的にモデル化するものではない。 腎病変のCT位相間の時間的依存性を効果的に把握できる新しい病変認識型クロスフェーズアテンションネットワーク (LACPANet) を提案する。
  論文  参考訳（メタデータ） (2024-06-24T05:15:15Z)
• Classification of lung cancer subtypes on CT images with synthetic pathological priors [41.75054301525535]
  同症例のCT像と病理像との間には,画像パターンに大規模な関連性が存在する。 肺がんサブタイプをCT画像上で正確に分類するための自己生成型ハイブリッド機能ネットワーク(SGHF-Net)を提案する。
  論文  参考訳（メタデータ） (2023-08-09T02:04:05Z)
• Correlated Feature Aggregation by Region Helps Distinguish Aggressive from Indolent Clear Cell Renal Cell Carcinoma Subtypes on CT [1.455251203143627]
  腎細胞癌(英: Renal cell carcinoma, RCC)は、臨床行動が異なるがんである。 CT画像に対する攻撃性の決定は、リスク階層化と治療計画を容易にするために臨床的に重要である。 本研究の目的は, 病理像の特徴と相関する放射線学的特徴を機械学習で同定し, 病理像ではなくCT画像上でのがん攻撃性の評価を容易にすることである。
  論文  参考訳（メタデータ） (2022-09-29T09:39:31Z)
• Radiomics-Guided Global-Local Transformer for Weakly Supervised Pathology Localization in Chest X-Rays [65.88435151891369]
  Radiomics-Guided Transformer (RGT)は、テキストトグロバル画像情報と、テキストトグロバル情報とを融合する。 RGTは、画像トランスフォーマーブランチ、放射能トランスフォーマーブランチ、および画像と放射線情報を集約する融合層から構成される。
  論文  参考訳（メタデータ） (2022-07-10T06:32:56Z)
• Topological Data Analysis of copy number alterations in cancer [70.85487611525896]
  癌ゲノム情報に含まれる情報を新しいトポロジに基づくアプローチで捉える可能性を探る。 本手法は, 癌体性遺伝データに有意な低次元表現を抽出する可能性を秘めている。
  論文  参考訳（メタデータ） (2020-11-22T17:31:23Z)

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。