論文の概要: MINT: Molecularly Informed Training with Spatial Transcriptomics Supervision for Pathology Foundation Models
- arxiv url: http://arxiv.org/abs/2603.07895v1
- Date: Mon, 09 Mar 2026 02:29:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-10 15:13:15.345884
- Title: MINT: Molecularly Informed Training with Spatial Transcriptomics Supervision for Pathology Foundation Models
- Title（参考訳）: MINT:分子インフォームドトレーニング : 病理基盤モデルのための空間転写学シミュレーション
- Abstract要約: 我々は、空間転写学の監督を事前学習した病理学の視覚変換器に組み込む微調整フレームワークであるMINTを提案する。
MINTは学習可能なSTトークンをViT入力に追加し、形態学的CLSトークンとは別個の転写情報をエンコードする。
MINTは、HEST-Benchの遺伝子発現予測と一般的な病理学タスクの両方において、最高の全体的なパフォーマンスを達成する。
- 参考スコア（独自算出の注目度）: 5.15189458127282
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Pathology foundation models learn morphological representations through self-supervised pretraining on large-scale whole-slide images, yet they do not explicitly capture the underlying molecular state of the tissue. Spatial transcriptomics technologies bridge this gap by measuring gene expression in situ, offering a natural cross-modal supervisory signal. We propose MINT (Molecularly Informed Training), a fine-tuning framework that incorporates spatial transcriptomics supervision into pretrained pathology Vision Transformers. MINT appends a learnable ST token to the ViT input to encode transcriptomic information separately from the morphological CLS token, preventing catastrophic forgetting through DINO self-distillation and explicit feature anchoring to the frozen pretrained encoder. Gene expression regression at both spot-level (Visium) and patch-level (Xenium) resolutions provides complementary supervision across spatial scales. Trained on 577 publicly available HEST samples, MINT achieves the best overall performance on both HEST-Bench for gene expression prediction (mean Pearson r = 0.440) and EVA for general pathology tasks (0.803), demonstrating that spatial transcriptomics supervision complements morphology-centric self-supervised pretraining.
- Abstract（参考訳）: 病理基盤モデルは、大規模スライディング画像の自己教師による事前訓練を通じて形態的表現を学習するが、組織の基礎となる分子状態は明確には捉えない。
空間転写学技術は、遺伝子の発現をその場で測定することでこのギャップを埋め、自然なクロスモーダルな監督信号を提供する。
MINT(Molecularly Informed Training, 分子インフォームドトレーニング)は, 空間転写学の監督を事前学習した病理組織に組み込んだ微調整フレームワークである。
MINTは、学習可能なSTトークンをViT入力に付加し、形態学的CLSトークンとは別個に転写情報をエンコードし、DINO自己蒸留による破滅的な忘れ込みを防止し、凍結した事前訓練エンコーダに固定する。
スポットレベル (Visium) とパッチレベル (Xenium) の両解像度での遺伝子発現の回帰は、空間スケールにわたって補完的な監視を提供する。
577個の公開されたHESTサンプルでトレーニングされたMINTは、遺伝子発現予測(Pearson r = 0.440)と一般的な病理タスク(0.803)の両方において、HEST-Benchの全体的なパフォーマンスを最高に達成し、空間転写学がモルフォロジー中心の自己教師による事前訓練を補完することを示した。
関連論文リスト
- Towards Reliable Stain Transfer: An Iterative Data-Model Co-Optimization Framework Based on Multimodal Expert-Guided Assessment [55.16957949238588]
Stain Transferのための新しいデータモデル共最適化フレームワークDMCoStainを提案する。
反復的にトレーニングデータとモデル能力を再定義し、病理的および構造的整合性の両方において染色精度と解釈性を向上させる。
MEGFS をサポートするために,150K VQA サンプルを用いた IPE 命令追従型大規模データセットである ImmunoInstruction を構築した。
論文 参考訳（メタデータ） (2026-07-28T07:54:43Z) - Spatial Transcriptomics-Guided Alignment Enhances Molecular Profiling in Pathology Foundation Model [43.24445461533517]
分子プロファイリングのための空間転写誘導アライメントフレームワーク(STAMP)を提案する。
STAMPは、転写学的データを生物学的に機能する経路に集約する経路インフォームドアライメント戦略を適用している。
これらの拡張表現の臨床的有用性は多層評価フレームワークを用いて検証した。
論文 参考訳（メタデータ） (2026-05-29T16:41:14Z) - Beyond ViT Tokens: Masked-Diffusion Pretrained Convolutional Pathology Foundation Model for Cell-Level Dense Prediction [33.957729129082075]
Masked-Diffusion Convolutional Foundation Models (CMD) は、高密度病理表現学習のための自己教師型畳み込み生成事前学習フレームワークである。
CMDは、既存のViTベースの病理基盤モデルよりも一貫して優れており、最先端のエンドツーエンドセグメンテーション手法を超越している。
以上の結果から,純粋な畳み込み型アーキテクチャは細胞レベルでの高密度予測のための競合する病理基盤モデルとして機能する可能性が示唆された。
論文 参考訳（メタデータ） (2026-05-08T04:34:56Z) - Learning to Synergize Semantic and Geometric Priors for Limited-Data Wheat Disease Segmentation [51.06355116973389]
本研究では,小麦病のセグメンテーションを病種特異的な意味認識と疾患境界の局所化の複合的課題として扱う枠組みを提案する。
我々の中核的な洞察は、事前訓練されたDINOv2は、出現シフトを処理するために、堅牢なカテゴリ認識セマンティックスを提供します。
SGPer は,コムギ病と臓器分画のベンチマークにおいて,常に最先端のパフォーマンスを達成している。
論文 参考訳（メタデータ） (2026-04-07T04:19:39Z) - Adapting a Pre-trained Single-Cell Foundation Model to Spatial Gene Expression Generation from Histology Images [5.072469295071516]
HINGE (HIstology-coNditioned GEneration) は、訓練済みの sc-FM を条件付き表現生成器に適合させる。
3つのSTデータセットに基づいて評価し、平均ピアソン相関に基づいて最先端のベースラインを上回ります。
論文 参考訳（メタデータ） (2026-03-20T08:52:39Z) - Layout-Guided Controllable Pathology Image Generation with In-Context Diffusion Transformers [57.54843029965778]
制御可能な病理画像合成には、空間配置、組織形態、意味的詳細の信頼できる規制が必要である。
In-Context Diffusion Transformer (IC-DiT) は,空間レイアウト,テキスト記述,視覚的埋め込みを統合拡散変換器に組み込んだレイアウト認識生成モデルである。
IC-DiTは既存の方法よりも忠実度が高く、空間制御性が強く、診断の整合性が良くなる。
論文 参考訳（メタデータ） (2026-03-11T06:14:11Z) - Towards Spatial Transcriptomics-driven Pathology Foundation Models [32.70436266943553]
本稿では、局所的な分子情報を病理視覚エンコーダに注入するビジョン・オミクス自己教師型学習フレームワークを提案する。
腫瘍および14臓器の正常サンプルにまたがる70,000対の遺伝子の発現スポット-tissue領域のトレーニングによりSEALをインスタンス化する。
SEALエンコーダは、アウト・オブ・ディストリビューションに堅牢なドメイン一般化を示し、遺伝子対イメージ検索のような新しいクロスモーダル機能を実現する。
論文 参考訳（メタデータ） (2026-02-15T15:06:45Z) - Fusing Pixels and Genes: Spatially-Aware Learning in Computational Pathology [46.83014413674925]
STAMPは空間的トランスクリプトミクスを付加したマルチモーダルな病理表現学習フレームワークである。
本研究は、自己教師型遺伝子誘導訓練が、病理画像表現の学習に堅牢でタスクに依存しない信号を提供することを示す。
6つのデータセットと4つの下流タスクにまたがってSTAMPを検証する。
論文 参考訳（メタデータ） (2026-02-15T00:59:13Z) - Supervise Less, See More: Training-free Nuclear Instance Segmentation with Prototype-Guided Prompting [53.799446807827714]
核インスタンスセグメンテーションのための完全トレーニングおよびアノテーションなしプロンプトフレームワークであるSPROUTを紹介する。
SPROUTは、スライド固有の参照プロトタイプを構築するために、ヒストロジーインフォームドプリエントを利用する。
前景と背景の特徴は正および負の点のプロンプトに変換され、Segment Anything Model (SAM) は正確な核線を生成できる。
論文 参考訳（メタデータ） (2025-11-25T05:58:33Z) - A Large-Scale Benchmark of Cross-Modal Learning for Histology and Gene Expression in Spatial Transcriptomics [8.854289521774483]
HESCAPEは空間転写学におけるクロスモーダルコントラスト事前学習の評価のためのベンチマークである。
空間転写学データに事前訓練された遺伝子モデルは、空間データや単純なベースラインアプローチなしで訓練された遺伝子よりも優れている。
バッチ効果は、効果的なクロスモーダルアライメントを阻害する重要な要因である。
論文 参考訳（メタデータ） (2025-08-02T21:11:36Z) - 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) - Towards Unified Molecule-Enhanced Pathology Image Representation Learning via Integrating Spatial Transcriptomics [10.962389869127875]
我々はUMPIRE(Unified Molecule-enhanced Pathology Image Representationn Learning framework)を紹介する。
UMPIREは、遺伝子発現プロファイルからの相補的な情報を活用して、マルチモーダル事前学習をガイドすることを目的としている。
この分子的視点は、病理画像の埋め込みを学習するための、堅牢でタスクに依存しない訓練信号を提供する。
論文 参考訳（メタデータ） (2024-12-01T03:09:52Z)
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。