論文の概要: BiTro: Bidirectional Transfer Learning Enhances Bulk and Spatial Transcriptomics Prediction in Cancer Pathological Images

• arxiv url: http://arxiv.org/abs/2603.14897v1
• Date: Mon, 16 Mar 2026 06:56:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 16:19:36.116398
• Title: BiTro: Bidirectional Transfer Learning Enhances Bulk and Spatial Transcriptomics Prediction in Cancer Pathological Images
• Title（参考訳）: BiTro: 癌病理画像におけるバルクおよび空間的トランスクリプトークス予測のための双方向トランスファー学習
• Authors: Jingkun Yu, Guangkai Shang, Changtao Li, Xun Gong, Tianrui Li, Yazhou He, Zhipeng Luo,
• Abstract要約: 腫瘍の病理組織学的解析は、主に転写学と全スライドイメージング(WSI)を通して、複数のモードにわたる腫瘍の均一性をモデル化する必要がある 一方、バルク転写学とWSI画像には空間マッピングがないが、空間転写学(ST)データは高い空間分解能を提供するが、高いコスト、低いシークエンシング深さ、限られたサンプルサイズに直面する。 病的画像からのバルクおよび空間転写学予測を向上する双方向トランスファー学習フレームワークであるBiTroを提案する。
• 参考スコア（独自算出の注目度）: 15.3958586296475
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cancer pathological analysis requires modeling tumor heterogeneity across multiple modalities, primarily through transcriptomics and whole slide imaging (WSI), along with their spatial relations. On one hand, bulk transcriptomics and WSI images are largely available but lack spatial mapping; on the other hand, spatial transcriptomics (ST) data can offer high spatial resolution, yet facing challenges of high cost, low sequencing depth, and limited sample sizes. Therefore, the data foundation of either side is flawed and has its limit in accurately finding the mapping between the two modalities. To this end, we propose BiTro, a bidirectional transfer learning framework that can enhance bulk and spatial transcriptomics prediction from pathological images. Our contributions are twofold. First, we design a universal and transferable model architecture that works for both bulk+WSI and ST data. A major highlight is that we model WSI images on the cellular level to better capture cells' visual features, morphological phenotypes, and their spatial relations; to map cells' features to their transcriptomics measured in bulk or ST, we adopt multiple instance learning. Second, by using LoRA, our model can be efficiently transferred between bulk and ST data to exploit their complementary information. To test our framework, we conducted comprehensive experiments on five cancer datasets. Results demonstrate that 1) our base model can achieve better or competitive performance compared to existing models on bulk or spatial transcriptomics prediction, and 2) transfer learning can further improve the base model's performance.
• Abstract（参考訳）: 腫瘍の病理組織学的解析には, 主にスライス画像 (WSI) とスライス画像(英語版) (WSI) を用いて, マルチモーダルにわたって腫瘍の均一性をモデル化する必要がある。 一方、バルク転写学とWSI画像には空間マッピングがないが、空間転写学(ST)データは高い空間分解能を提供するが、高いコスト、低いシークエンシング深さ、限られたサンプルサイズに直面する。 したがって、両側のデータ基盤には欠陥があり、2つのモダリティ間のマッピングを正確に見つけるのに限界がある。 そこで本稿では,病的画像からのバルクおよび空間転写学予測を向上する双方向トランスファー学習フレームワークであるBiTroを提案する。 私たちの貢献は2倍です。 まず、バルク+WSIとSTデータの両方に対応可能な、普遍的で転送可能なモデルアーキテクチャを設計する。 細胞レベルでのWSI画像をモデル化することで、細胞の視覚的特徴、形態的表現型、空間的関係をよりよく把握し、細胞の特徴をバルクまたはSTで測定した転写学にマッピングする。 第二に、LoRAを用いることで、バルクデータとSTデータの間で効率よくモデルを転送し、補完的な情報を利用することができる。 フレームワークをテストするために,5つのがんデータセットに関する総合的な実験を行った。 結果は 1)我々の基本モデルは、バルクまたは空間転写学予測における既存のモデルと比較して、より良い、または競争的な性能を達成することができる。 2) 伝達学習はベースモデルの性能をさらに向上させることができる。

関連論文リスト

• SIGMMA: Hierarchical Graph-Based Multi-Scale Multi-modal Contrastive Alignment of Histopathology Image and Spatial Transcriptome [0.5748432401788427]
  HE画像の階層的表現と空間トランスクリプトームプロファイルを学習するためのマルチモーダルコントラストアライメントフレームワークであるSigmmaを提案する。 細胞間相互作用をグラフとして表現することにより,組織内微小環境内での微細な細胞間相互作用を効果的に捉えることができる。 我々は、Sigmmが、クロスモーダル対応をよりよく捉えた表現を学習し、遺伝子発現予測タスクの9.78%、データセット間のクロスモーダル検索タスクの26.93%の改善をもたらすことを実証した。
  論文  参考訳（メタデータ） (2025-11-19T14:22:23Z)
• CellPainTR: Generalizable Representation Learning for Cross-Dataset Cell Painting Analysis [51.56484100374058]
  本稿では,細胞形態の基本的な表現を学習するためのトランスフォーマーベースのアーキテクチャであるCellPainTRを紹介する。 私たちの研究は、画像ベースのプロファイリングのための真の基盤モデルを作成するための重要なステップであり、より信頼性が高くスケーラブルなクロススタディ生物学的分析を可能にします。
  論文  参考訳（メタデータ） (2025-09-02T03:30:07Z)
• PixCell: A generative foundation model for digital histopathology images [49.00921097924924]
  PixCellは,病理組織学における最初の拡散ベース生成基盤モデルである。 われわれはPanCan-30MでPixCellをトレーニングした。
  論文  参考訳（メタデータ） (2025-06-05T15:14:32Z)
• DELST: Dual Entailment Learning for Hyperbolic Image-Gene Pretraining in Spatial Transcriptomics [38.94542898899791]
  画像生成事前学習のための階層をモデル化しながら,双曲表現を組み込む最初のフレームワークであるDELSTを提案する。 本フレームワークは,既存手法と比較して予測性能の向上を実現している。
  論文  参考訳（メタデータ） (2025-03-02T09:00:09Z)
• M2OST: Many-to-one Regression for Predicting Spatial Transcriptomics from Digital Pathology Images [16.19308597273405]
  病理画像の階層構造に対応する多対一回帰変換器M2OSTを提案する。 1対1のイメージラベルペアで訓練された従来のモデルとは異なり、M2OSTはデジタル病理画像の異なるレベルからの複数の画像を使用して、共通の対応する領域における遺伝子発現を共同で予測する。 M2OSTはパラメータが少なく、浮動小数点演算(FLOP)で最先端のパフォーマンスを実現することができる
  論文  参考訳（メタデータ） (2024-09-23T15:06:37Z)
• GRASP: GRAph-Structured Pyramidal Whole Slide Image Representation [4.477527192030786]
  本稿では,スライド画像全体(WSI)をデジタル病理学で処理するためのグラフ構造化多重画像化フレームワークGRASPを提案する。 我々のアプローチは、WSIの処理における病理学者の振舞いと、WSIの階層構造から得られる利益をエミュレートするために設計されている。 収束に基づくノード集約機構を導入したGRASPは、バランスの取れた精度で最先端の手法を高いマージンで上回る。
  論文  参考訳（メタデータ） (2024-02-06T00:03:44Z)
• Learned representation-guided diffusion models for large-image generation [58.192263311786824]
  自己教師型学習(SSL)からの埋め込みを条件とした拡散モデルを訓練する新しいアプローチを導入する。 我々の拡散モデルは、これらの特徴を高品質な病理組織学およびリモートセンシング画像に投影することに成功した。 実画像のバリエーションを生成して実データを増やすことにより、パッチレベルおよび大規模画像分類タスクの下流精度が向上する。
  論文  参考訳（メタデータ） (2023-12-12T14:45:45Z)
• The Whole Pathological Slide Classification via Weakly Supervised Learning [7.313528558452559]
  細胞核疾患と病理タイルの空間的相関の2つの病因を考察した。 本研究では,抽出器訓練中の汚れ分離を利用したデータ拡張手法を提案する。 次に,隣接行列を用いてタイル間の空間的関係を記述する。 これら2つのビューを統合することで,H&E染色組織像を解析するためのマルチインスタンス・フレームワークを設計した。
  論文  参考訳（メタデータ） (2023-07-12T16:14:23Z)
• Benchmarking Spatial Relationships in Text-to-Image Generation [102.62422723894232]
  本研究では,オブジェクト間の空間的関係を正確に生成するテキスト・ツー・イメージモデルについて検討する。 画像中にテキストで記述された空間関係がどれだけ正確に生成されるかを測定する評価指標であるVISORを提案する。 我々の実験では、最先端のT2Iモデルは高画質であるが、複数のオブジェクトを生成できる能力や、それらの間の空間的関係が著しく制限されていることが判明した。
  論文  参考訳（メタデータ） (2022-12-20T06:03:51Z)

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。