論文の概要: HGP-Mamba: Integrating Histology and Generated Protein Features for Mamba-based Multimodal Survival Risk Prediction

• arxiv url: http://arxiv.org/abs/2603.16421v1
• Date: Tue, 17 Mar 2026 11:57:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-18 17:42:07.257216
• Title: HGP-Mamba: Integrating Histology and Generated Protein Features for Mamba-based Multimodal Survival Risk Prediction
• Title（参考訳）: HGP-Mamba:マルチモーダル生存リスク予測のための組織と生成タンパク質の機能の統合
• Authors: Jing Dai, Chen Wu, Ming Wu, Qibin Zhang, Zexi Wu, Jingdong Zhang, Hongming Xu,
• Abstract要約: 我々は,マンバを基盤としたHGP-Mambaを,生存リスク予測のための組織学的特徴と生成タンパク質の特徴を効率的に統合するフレームワークとして提案する。 具体的には、事前訓練された基礎モデルを利用して高スループットタンパク質の埋め込みを導出するタンパク質特徴抽出器(PFE)を提案する。 さらに,微細な特徴相互作用のための局所的相互作用認識型マンバ (LiAM) と,包括的モダリティ融合を促進するためのグローバル相互作用強化型マンバ (GiEM) についても紹介する。
• 参考スコア（独自算出の注目度）: 7.575867001759689
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advances in multimodal learning have significantly improved cancer survival risk prediction. However, the joint prognostic potential of protein markers and histopathology images remains underexplored, largely due to the high cost and limited availability of protein expression profiling. To address this challenge, we propose HGP-Mamba, a Mamba-based multimodal framework that efficiently integrates histological with generated protein features for survival risk prediction. Specifically, we introduce a protein feature extractor (PFE) that leverages pretrained foundation models to derive high-throughput protein embeddings directly from Whole Slide Images (WSIs), enabling data-efficient incorporation of molecular information. Together with histology embeddings that capture morphological patterns, we further introduce the Local Interaction-aware Mamba (LiAM) for fine-grained feature interaction and the Global Interaction-enhanced Mamba (GiEM) to promote holistic modality fusion at the slide level, thus capture complex cross-modal dependencies. Experiments on four public cancer datasets demonstrate that HGP-Mamba achieves state-of-the-art performance while maintaining superior computational efficiency compared with existing methods. Our source code is publicly available at <a href="https://github.com/Daijing-ai/HGP-Mamba.git">this https URL</a>.
• Abstract（参考訳）: マルチモーダル学習の最近の進歩は、がん生存率の予測を大幅に改善した。 しかし, タンパク質マーカーと病理像の関節予後能は, タンパク質発現プロファイリングの高コスト化と限界のため, 未発見のままである。 この課題に対処するために,マンバを基盤としたマルチモーダルフレームワークであるHGP-Mambaを提案する。 具体的には、プリトレーニングされた基礎モデルを利用して、全スライド画像(WSI)から直接高スループットタンパク質の埋め込みを導出し、データ効率の高い分子情報の取り込みを可能にするタンパク質特徴抽出器(PFE)を提案する。 形態的パターンを捉えた組織学的埋め込みと合わせて,微細な特徴相互作用のための局所的相互作用対応マンバ (LiAM) と,スライドレベルでの全体的モダリティ融合を促進するグローバル相互作用強化マンバ (GiEM) を導入し,複雑な相互依存を捉える。 4つのがんデータセットを用いた実験により,HGP-Mambaは従来の手法に比べて計算効率が優れ,最先端の性能を達成できることが示された。 ソースコードは<a href="https://github.com/Daijing-ai/HGP-Mamba.git"> this https URL</a>で公開されています。

関連論文リスト

• PanFoMa: A Lightweight Foundation Model and Benchmark for Pan-Cancer [54.958921946378304]
  トランスフォーマーと状態空間モデルの強みを組み合わせた軽量ハイブリッドニューラルネットワークであるPanFoMaを紹介する。 PanFoMaはフロントエンドのローカルコンテキストエンコーダと共有自己認識層から構成され、複雑で秩序に依存しない遺伝子相互作用をキャプチャする。 また,350万以上の高品質な細胞を含む大規模パンキャンサー単細胞ベンチマークPanFoMaBenchを構築した。
  論文  参考訳（メタデータ） (2025-12-02T08:31:31Z)
• SlideMamba: Entropy-Based Adaptive Fusion of GNN and Mamba for Enhanced Representation Learning in Digital Pathology [2.6012919374909873]
  本稿では,Mamba アーキテクチャと Graph Neural Networks (GNN) を統合し,WSI 分析を強化した一般化可能なディープラーニングフレームワークを提案する。 本手法は,局所的空間関係と長期的コンテキスト依存の両方を抽出し,デジタル病理解析のための柔軟なアーキテクチャを提供する。 本稿では,WSIの遺伝子融合と突然変異状態の予測という,代表的な課題に対するアプローチの有用性を実証する。
  論文  参考訳（メタデータ） (2025-09-25T14:37:01Z)
• ME-Mamba: Multi-Expert Mamba with Efficient Knowledge Capture and Fusion for Multimodal Survival Analysis [18.458319783609163]
  病理画像とゲノムデータを統合した マルチモーダルサバイバル分析が 有望なアプローチとして現れました 本稿では,識別学的特徴とゲノム的特徴を抽出するマルチエキスパート・マンバシステムを提案する。 本手法は比較的少ない計算量で安定かつ高精度な生存解析を実現する。
  論文  参考訳（メタデータ） (2025-09-21T03:23:04Z)
• impuTMAE: Multi-modal Transformer with Masked Pre-training for Missing Modalities Imputation in Cancer Survival Prediction [75.43342771863837]
  我々は,効率的なマルチモーダル事前学習戦略を備えた新しいトランスフォーマーに基づくエンドツーエンドアプローチである impuTMAE を紹介する。 マスクされたパッチを再構築することで、モダリティの欠如を同時に示唆しながら、モダリティ間の相互作用とモダリティ内相互作用を学習する。 本モデルは,TGA-GBM/LGGとBraTSデータセットを用いたグリオーマ生存予測のために,異種不完全データに基づいて事前訓練を行った。
  論文  参考訳（メタデータ） (2025-08-08T10:01:16Z)
• PRING: Rethinking Protein-Protein Interaction Prediction from Pairs to Graphs [88.98041407783502]
  PRINGは、タンパク質とタンパク質の相互作用予測をグラフレベルで評価する最初のベンチマークである。 PRINGは、21,484タンパク質と186,818の相互作用からなる高品質な多種PPIネットワークデータセットをキュレートする。
  論文  参考訳（メタデータ） (2025-07-07T15:21:05Z)
• Multi-modal Representation Learning Enables Accurate Protein Function Prediction in Low-Data Setting [0.0]
  HOPER(Holistic ProtEin Representation)は、低データ設定でタンパク質機能予測(PFP)を強化するために設計された新しいフレームワークである。 本研究は,生物研究におけるデータ制限を克服するためのマルチモーダル表現学習の有効性を強調した。
  論文  参考訳（メタデータ） (2024-11-22T20:13:55Z)
• SurvMamba: State Space Model with Multi-grained Multi-modal Interaction for Survival Prediction [8.452410804749512]
  生存予測のための多層多モード相互作用(SurvMamba)を用いた状態空間モデルを提案する。 SurvMamba は階層的相互作用 Mamba (HIM) モジュールで実装されている。 インターフェクション・フュージョン・マンバ (IFM) モジュールは、モーダル間インタラクティブ・フュージョンのカスケードに使われ、生存予測のためのより包括的な特徴をもたらす。
  論文  参考訳（メタデータ） (2024-04-11T15:58:12Z)
• Swin-UMamba: Mamba-based UNet with ImageNet-based pretraining [85.08169822181685]
  本稿では,医療画像のセグメンテーションに特化して設計された新しいマンバモデルSwin-UMambaを紹介する。 Swin-UMamba は CNN や ViT,最新の Mamba ベースのモデルと比較して,優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2024-02-05T18:58:11Z)
• Superficial White Matter Analysis: An Efficient Point-cloud-based Deep Learning Framework with Supervised Contrastive Learning for Consistent Tractography Parcellation across Populations and dMRI Acquisitions [68.41088365582831]
  ホワイトマターパーセレーション(White matter parcellation)は、トラクトグラフィーをクラスタまたは解剖学的に意味のあるトラクトに分類する。 ほとんどのパーセレーション法はディープホワイトマター(DWM)にフォーカスするが、その複雑さのため表面ホワイトマター(SWM)に対処する手法は少ない。 本稿では,2段階の深層学習に基づく新しいフレームワークであるSuperficial White Matter Analysis (SupWMA)を提案する。
  論文  参考訳（メタデータ） (2022-07-18T23:07:53Z)

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。