論文の概要: Cross-Modal Knowledge Distillation from Spatial Transcriptomics to Histology
- arxiv url: http://arxiv.org/abs/2604.09076v1
- Date: Fri, 10 Apr 2026 07:59:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-13 17:57:53.765585
- Title: Cross-Modal Knowledge Distillation from Spatial Transcriptomics to Histology
- Title（参考訳）: 空間転写学から組織学へのクロスモーダルな知識蒸留
- Abstract要約: 我々は, 空間転写学とH&Eデータを組み合わせて, 転写学由来のニッチ構造を, クロスモーダル蒸留によるヒストロジーのみのモデルに変換することを提案する。
複数の組織タイプと疾患の文脈で、蒸留されたモデルは、教師なし形態素に基づくベースラインよりも、転写学由来のニッチ構造とのかなり高い一致を達成する。
- 参考スコア（独自算出の注目度）: 7.075379011506738
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Spatial transcriptomics provides a molecularly rich description of tissue organization, enabling unsupervised discovery of tissue niches -- spatially coherent regions of distinct cell-type composition and function that are relevant to both biological research and clinical interpretation. However, spatial transcriptomics remains costly and scarce, while H&E histology is abundant but carries a less granular signal. We propose to leverage paired spatial transcriptomics and H&E data to transfer transcriptomics-derived niche structure to a histology-only model via cross-modal distillation. Across multiple tissue types and disease contexts, the distilled model achieves substantially higher agreement with transcriptomics-derived niche structure than unsupervised morphology-based baselines trained on identical image features, and recovers biologically meaningful neighborhood composition as confirmed by cell-type analysis. The resulting framework leverages paired spatial transcriptomic and H&E data during training, and can then be applied to held-out tissue regions using histology alone, without any transcriptomic input at inference time.
- Abstract（参考訳）: 空間転写学は、組織組織を分子的に豊富に記述し、組織ニッチの未管理な発見を可能にする。
しかし、空間転写学は高価で少ないが、H&Eヒストロジーは豊富であるが、より粒度の細かい信号を持っている。
我々は, 空間転写学とH&Eデータを組み合わせて, 転写学由来のニッチ構造を, クロスモーダル蒸留によるヒストロジーのみのモデルに変換することを提案する。
複数の組織型と疾患の文脈にわたって、この蒸留モデルは、同一画像の特徴に基づいて訓練された教師なし形態素ベースラインよりも、転写学由来のニッチ構造とのかなり高い一致を実現し、細胞型解析によって確認された生物学的に有意な近傍組成を復元する。
得られたフレームワークは、トレーニング中に空間転写学的およびH&E的データを組み合わせて利用し、推論時に転写学的入力をせずに、組織学的だけで保持された組織領域に適用することができる。
関連論文リスト
- Learning latent progression states from spatial heterogeneity in uterine histopathology [27.352389544902163]
SpaTIEは、形態学的に認識される表現を学習する、子宮特異的な計算病理学フレームワークである。
SpaTIEは時間的・分子的監督のない断面形態から腫瘍状態軸を推定した。
統合的マルチオミクス分析は、推論された状態をDNAメチル化、体細胞コピー数の変化、突然変異、RNA-seq、RPPAプロファイルに関連づけた。
論文 参考訳（メタデータ） (2026-08-18T03:56:17Z) - Accurate, Interdisciplinary and Transparent Structure-property Understanding with Deep Native Structural Reasoning [103.788281428856]
SciReasonerは、タンパク質、小さな分子、無機結晶をまたいだ自然構造推論のための科学基盤モデルである。
SciReasonerは座標、トポロジ、周期接続性を統一された構造対応語彙に識別する。
86のベンチマークで、SciReasonerは67のタスクで最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2026-07-08T17:59:59Z) - PathAR: Structure-First Autoregressive Synthesis of Multimodal Pathology Images [51.428093790826814]
そこで我々は, モーダリティ・ラベル条件付き病理モデル (PathAR) を用いて, 構造と外観を分解し, 自己回帰モデル(PathAR)を提案する。
PathARは、不均一なモダリティ固有の外観下で形態を安定化し、空間的に整列したイメージマスクペア生成を可能にする。
論文 参考訳（メタデータ） (2026-06-01T01:43:48Z) - 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) - A Multimodal Foundation Model of Spatial Transcriptomics and Histology for Biological Discovery and Clinical Prediction [13.466764029232898]
textbfours (textbfSpatial textbfTranscriptomics and histtextbfOlogy textbfRepresentation textbfModel) は18臓器の組織と一致した組織で120万個の空間的に解決された転写学的プロファイルに基づいて訓練された基礎モデルである。
論文 参考訳（メタデータ） (2026-04-04T08:00:26Z) - SENCA-st: Integrating Spatial Transcriptomics and Histopathology with Cross Attention Shared Encoder for Region Identification in Cancer Pathology [0.7176906280023595]
両モードの特徴を保存したSENCA-st(Shared with Neighborhood Cross Attention)を提案する。
腫瘍均一性および腫瘍微小環境領域の検出における最先端手法を超越したモデルの性能を実証した。
論文 参考訳（メタデータ） (2025-11-11T18:54:48Z) - CellSymphony: Deciphering the molecular and phenotypic orchestration of cells with single-cell pathomics [1.5312292486898271]
我々は,Xenium transcriptomic profiles と Histology image の双方からの基盤モデル由来の埋め込みを,真の単一セル解像度で活用するフレキシブルなフレームワークである CellSymphony を紹介する。
形態学的文脈で空間的遺伝子発現を融合する関節表現を学習することにより、CellSymphonyは正確な細胞型アノテーションを達成し、3種類の癌にまたがる異なる微小環境ニッチを明らかにする。
論文 参考訳（メタデータ） (2025-08-13T23:02:04Z) - Classification of Histopathology Slides with Persistence Homology Convolutions [0.0]
本稿では、永続的ホモロジー畳み込み演算子の修正版を用いて、局所的永続的ホモロジーに基づくデータを生成する新しい手法を提案する。
これらの結果から, 持続的ホモロジー畳み込みは, 病理組織学的スライドから有意な幾何学的情報を抽出することが示唆された。
論文 参考訳（メタデータ） (2025-07-18T21:56:53Z) - Integrating Pathology Foundation Models and Spatial Transcriptomics for Cellular Decomposition from Histology Images [0.0]
組織像から直接細胞組成を予測するための軽量で訓練効率の良い手法を提案する。
細胞2位法により誘導される細胞型多量体に対する軽量多層パーセプトロン (MLP) レジストレータの訓練により, 本手法は病理基盤モデルから効率的に知識を抽出する。
論文 参考訳（メタデータ） (2025-07-09T16:43:04Z) - 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) - Revisiting Adaptive Cellular Recognition Under Domain Shifts: A Contextual Correspondence View [49.03501451546763]
生物学的文脈における暗黙の対応の重要性を明らかにする。
モデル構成成分間のインスタンス認識トレードオフを確保するために, 自己適応型動的蒸留を提案する。
論文 参考訳（メタデータ） (2024-07-14T04:41:16Z) - Tertiary Lymphoid Structures Generation through Graph-based Diffusion [54.37503714313661]
本研究では,最先端のグラフベース拡散モデルを用いて生物学的に意味のある細胞グラフを生成する。
本研究では, グラフ拡散モデルを用いて, 3次リンパ構造(TLS)の分布を正確に学習できることを示す。
論文 参考訳（メタデータ） (2023-10-10T14:37:17Z)
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。