論文の概要: Dictionary-based Pathology Mining with Hard-instance-assisted Classifier Debiasing for Genetic Biomarker Prediction from WSIs
- arxiv url: http://arxiv.org/abs/2603.26809v1
- Date: Thu, 26 Mar 2026 14:23:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-31 23:18:44.634079
- Title: Dictionary-based Pathology Mining with Hard-instance-assisted Classifier Debiasing for Genetic Biomarker Prediction from WSIs
- Title（参考訳）: WSIからの遺伝的バイオマーカー予測のためのハードインスタンス支援型分類器デバイアスを用いた辞書ベースの病名マイニング
- Authors: Ling Zhang, Boxiang Yun, Ting Jin, Qingli Li, Xinxing Li, Yan Wang,
- Abstract要約: 大腸癌における遺伝子バイオマーカーの予測は臨床診断に不可欠である。
しかし、2つの主要な課題は正確な予測を妨げている: 1) 病理成分間の複雑な相互接続を含む病理認識表現を構築することは困難である。
本稿では,D2Bio と呼ばれるこれらの課題に対処するために,D2Bio を用いた階層型階層型分類器デバイアスティングフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 20.737672401155603
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Prediction of genetic biomarkers, e.g., microsatellite instability in colorectal cancer is crucial for clinical decision making. But, two primary challenges hamper accurate prediction: (1) It is difficult to construct a pathology-aware representation involving the complex interconnections among pathological components. (2) WSIs contain a large proportion of areas unrelated to genetic biomarkers, which make the model easily overfit simple but irrelative instances. We hereby propose a Dictionary-based hierarchical pathology mining with hard-instance-assisted classifier Debiasing framework to address these challenges, dubbed as D2Bio. Our first module, dictionary-based hierarchical pathology mining, is able to mine diverse and very fine-grained pathological contextual interaction without the limit to the distances between patches. The second module, hard-instance-assisted classfier debiasing, learns a debiased classifier via focusing on hard but task-related features, without any additional annotations. Experimental results on five cohorts show the superiority of our method, with over 4% improvement in AUROC compared with the second best on the TCGA-CRC-MSI cohort. Our analysis further shows the clinical interpretability of D2Bio in genetic biomarker diagnosis and potential clinical utility in survival analysis. Code will be available at https://github.com/DeepMed-Lab-ECNU/D2Bio.
- Abstract（参考訳）: 大腸癌におけるマイクロサテライト不安定性などの遺伝子バイオマーカーの予測は臨床診断に不可欠である。
しかし、2つの主要な課題は正確な予測を妨げている: 1) 病理成分間の複雑な相互接続を含む病理認識表現を構築することは困難である。
2)WSIは遺伝的バイオマーカーとは無関係な領域が多数含まれており,モデルが単純だが無関係なインスタンスに容易に適合する。
本稿では,D2Bio と呼ばれるこれらの課題に対処するために,D2Bio を用いた階層型階層型分類器デバイアスティングフレームワークを提案する。
我々の最初のモジュール、辞書ベースの階層的病理採掘は、パッチ間の距離に制限を加えることなく、多種多様で非常にきめ細かな病理学的相互作用をマイニングすることができる。
第二のモジュール、ハードインスタンス支援クラスファイアデバイアス(英語版)は、追加のアノテーションなしで、ハードだがタスク関連の機能にフォーカスすることで、デバイアス付き分類器を学ぶ。
TCGA-CRC-MSIコホートの2位に対してAUROCは4%以上改善した。
さらに,遺伝子バイオマーカー診断におけるD2Bioの臨床的解釈可能性と生存分析における臨床応用の可能性を示す。
コードはhttps://github.com/DeepMed-Lab-ECNU/D2Bioで入手できる。
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) - A Machine Learning Pipeline for Multiple Sclerosis Biomarker Discovery: Comparing explainable AI and Traditional Statistical Approaches [35.18016233072556]
多発性硬化症(MS)におけるバイオマーカー発見のための機械学習パイプラインを提案する。
頑健な前処理の後、ベイズ探索により最適化されたXGBoost分類器を訓練した。
以上の結果より,SHAPとDEAの重なり合いと特異なバイオマーカーの両者が明らかとなり,相補的強度が示唆された。
この研究は、説明可能なAI(xAI)と従来の統計手法を組み合わせることの価値を強調し、疾患のメカニズムについて深い洞察を得る。
論文 参考訳（メタデータ） (2025-09-26T15:31:34Z) - ADPv2: A Hierarchical Histological Tissue Type-Annotated Dataset for Potential Biomarker Discovery of Colorectal Disease [9.518786316441718]
ADPv2は消化管病理に焦点をあてた新しいデータセットである。
本データセットは,正常な大腸生検スライドから得られた20,004枚の画像パッチを,32種類のHTT3レベルの階層分類で注釈した。
我々のデータセットは、臓器特異的な詳細な研究により、潜在的なバイオマーカーの発見が可能であることを示しています。
論文 参考訳（メタデータ） (2025-07-08T04:19:10Z) - Pathological Prior-Guided Multiple Instance Learning For Mitigating Catastrophic Forgetting in Breast Cancer Whole Slide Image Classification [50.899861205016265]
乳癌のWSI分類における破滅的忘れを緩和する新しい枠組みであるPaGMILを提案する。
私たちのフレームワークでは、共通のMILモデルアーキテクチャに2つの重要なコンポーネントを導入しています。
複数の乳がんデータセットを対象としたPaGMILの連続学習性能の評価を行った。
論文 参考訳（メタデータ） (2025-03-08T04:51:58Z) - Prompting Whole Slide Image Based Genetic Biomarker Prediction [13.764676578911526]
本稿では,全スライド画像(WSI)に基づく遺伝的バイオマーカー予測手法を提案する。
我々は、大きな言語モデルを利用して、遺伝バイオマーカーに関連する事例を抽出する際、先行知識となる医学的プロンプトを生成する。
腫瘍微小環境におけるバイオマーカー情報のマイニングには粗大なアプローチを採用する。
論文 参考訳（メタデータ） (2024-06-26T11:05:46Z) - Predicting Genetic Mutation from Whole Slide Images via Biomedical-Linguistic Knowledge Enhanced Multi-label Classification [119.13058298388101]
遺伝子変異予測性能を向上させるため,生物知識を付加したPathGenomic Multi-label Transformerを開発した。
BPGTはまず、2つの慎重に設計されたモジュールによって遺伝子前駆体を構成する新しい遺伝子エンコーダを確立する。
BPGTはその後ラベルデコーダを設計し、最終的に2つの調整されたモジュールによる遺伝的突然変異予測を行う。
論文 参考訳（メタデータ） (2024-06-05T06:42:27Z) - Modeling Dense Multimodal Interactions Between Biological Pathways and Histology for Survival Prediction [3.2274401541163322]
本稿では,パスとヒストロジーパッチトークン間の相互作用をモデル化できるメモリ効率の良いマルチモーダルトランスを提案する。
提案モデルであるSURVPATHは,非モーダルベースラインとマルチモーダルベースラインの両方に対して評価した場合に,最先端の性能を実現する。
論文 参考訳（メタデータ） (2023-04-13T21:02:32Z) - G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for
Biomarker Identification and Disease Classification [49.53651166356737]
診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。
2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
論文 参考訳（メタデータ） (2021-01-27T19:28:04Z)
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。