論文の概要: CHRep: Cross-modal Histology Representation and Post-hoc Calibration for Spatial Gene Expression Prediction

• arxiv url: http://arxiv.org/abs/2604.21573v1
• Date: Thu, 23 Apr 2026 11:53:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-24 14:40:06.47522
• Title: CHRep: Cross-modal Histology Representation and Post-hoc Calibration for Spatial Gene Expression Prediction
• Title（参考訳）: CHRep:空間的遺伝子発現予測のためのクロスモーダルヒストロジー表現とポストホック校正
• Authors: Changfan Wang, Xinran Wang, Donghai Liu, Fei Su, Lulu Sun, Zhicheng Zhao, Zhu Meng,
• Abstract要約: CHRepは、堅牢な組織学から表現予測のためのフレームワークである。 相関認識回帰、対称画像圧縮アライメント、座標誘起空間トポロジ正規化を併用して構造認識表現を学習する。 離脱ワンスライディングアウト評価の下で、遺伝子ワイド相関を一貫して改善する。
• 参考スコア（独自算出の注目度）: 28.987057722330135
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Spatial transcriptomics (ST) enables spatially resolved gene profiling but remains expensive and low-throughput, limiting large-cohort studies and routine clinical use. Predicting spatial gene expression from routine hematoxylin and eosin (H&E) slides is a promising alternative, yet under realistic leave-one-slide-out evaluation, existing models often suffer from slide-level appearance shifts and regression-driven over-smoothing that suppress biologically meaningful variation. CHRep is a two-phase framework for robust histology-to-expression prediction. In the training phase, CHRep learns a structure-aware representation by jointly optimizing correlation-aware regression, symmetric image-expression alignment, and coordinate-induced spatial topology regularization. In the inference phase, cross-slide robustness is improved without backbone fine-tuning through a lightweight calibration module trained on the training slides, which combines a non-parametric estimate from a training gallery with a magnitude-regularized correction module. Unlike prior embedding-alignment or retrieval-based transfer methods that rely on a single prediction route, CHRep couples topology-preserving representation learning with post-hoc calibration, enabling stable neighborhood retrieval and controlled bias correction under slide-level shifts. Across the three cohorts, CHRep consistently improves gene-wise correlation under leave-one-slide-out evaluation, with the largest gains observed on Alex+10x. Relative to HAGE, the Pearson correlation coefficient on all considered genes [PCC(ACG)] increases by 4.0% on cSCC and 9.8% on HER2+. Relative to mclSTExp, PCC(ACG) further improves by 39.5% on Alex+10x, together with 9.7% and 9.0% reductions in mean squared error (MSE) and mean absolute error (MAE), respectively.
• Abstract（参考訳）: 空間転写学 (Spatial transcriptomics, ST) は、空間的に解決された遺伝子プロファイリングを可能にするが、高価で低スループットであり、大きなコホート研究や定期的な臨床使用を制限する。 常用ヘマトキシリンとエオシン(H&E)スライドからの空間遺伝子発現の予測は有望な代替手段であるが、現実的な1回のスライドアウト評価では、既存のモデルは、しばしば、生物学的に有意な変動を抑制する、スライドレベルの出現シフトと回帰駆動オーバースムーシングに悩まされる。 CHRepは、堅牢な組織学から発現予測のための2段階のフレームワークである。 トレーニングフェーズにおいて、CHRepは相関認識回帰、対称画像圧縮アライメント、座標誘起空間トポロジ正規化を共同最適化することにより、構造認識表現を学習する。 推論フェーズでは、トレーニングギャラリーからの非パラメトリック推定と大域正規化補正モジュールを組み合わせたトレーニングスライドでトレーニングされた軽量キャリブレーションモジュールを介して、バックボーンの微調整をせずにクロススライダーロバスト性を向上させる。 単一の予測経路に依存する事前の埋め込みアライメントや検索ベースの転送方法とは異なり、CHRepは位相保存表現学習とポストホックキャリブレーションを結合し、スライドレベルのシフトの下で安定した近傍検索と制御バイアス補正を可能にする。 3つのコホート全体にわたって、CHRepは、Alex+10xで観測された最大のゲインを持つ、離脱1回のスライディングアウト評価の下で、遺伝子間相関を一貫して改善する。 HAGEと比較して、すべての検討された遺伝子[PCC(ACG)]上のピアソン相関係数は、cSCCでは4.0%、HER2+では9.8%増加する。 mclSTExpに対して、PCC(ACG)はAlex+10xで39.5%改善し、平均二乗誤差(MSE)と平均絶対誤差(MAE)はそれぞれ9.7%、9.0%削減された。

関連論文リスト

• Counterfactual Peptide Editing for Causal TCR--pMHC Binding Inference [0.0]
  TCR-pMHC結合予測のためのニューラルネットワークは、ショートカット学習の影響を受けやすい。 本稿では,生物学的に制約された反事実ペプチド編集を生成するトレーニングフレームワークであるemphCounterfactual Invariant Prediction (CIP)を紹介する。
  論文  参考訳（メタデータ） (2026-04-14T19:40:46Z)
• Improving RCT-Based Treatment Effect Estimation Under Covariate Mismatch via Calibrated Alignment [0.0]
  本稿では,各ソースの特徴を共通表現空間にマッピングする埋め込み学習により,インプットを回避したCALMを提案する。 OSの結果モデルはRTT埋め込み空間に転送され、試行データを用いて校正され、ランダム化による因果同定が保存される。
  論文  参考訳（メタデータ） (2026-03-19T17:43:12Z)
• Suppressing Prior-Comparison Hallucinations in Radiology Report Generation via Semantically Decoupled Latent Steering [94.37535002230504]
  本研究では,Semantically Decoupled Latent Steeringと呼ばれる学習自由な推論時間制御フレームワークを開発した。 提案手法は,大言語モデル (LLM) による意味分解による意味のない介入ベクトルを構築する。 本手法は歴史的幻覚の可能性を著しく低下させることを示す。
  論文  参考訳（メタデータ） (2026-02-27T04:49:01Z)
• Controllable Probabilistic Forecasting with Stochastic Decomposition Layers [1.3995263206621]
  本稿では、決定論的機械学習気象モデルをアンサンブルシステムに変換するための分解層(SDL)を提案する。 SDLは3つのデコーダスケールでの学習摂動を、潜在駆動変調、画素ごとのノイズ、チャネルスケーリングを通じて適用する。 転送学習を通じてWXFormerに適用する場合、SDLはベースラインモデルをトレーニングするために必要な計算コストの2%未満を必要とする。
  論文  参考訳（メタデータ） (2025-12-21T17:10:00Z)
• Continual Action Quality Assessment via Adaptive Manifold-Aligned Graph Regularization [53.82400605816587]
  アクション品質アセスメント(AQA)は、ビデオにおける人間の行動を定量化し、スポーツスコアリング、リハビリテーション、スキル評価の応用を支援する。 大きな課題は、現実世界のシナリオにおける品質分布の非定常的な性質にある。 本稿では,進化する分布を扱うための連続学習機能を備えた連続AQA(Continuous AQA)を紹介する。
  論文  参考訳（メタデータ） (2025-10-08T10:09:47Z)
• Enhancing ALS Progression Tracking with Semi-Supervised ALSFRS-R Scores Estimated from Ambient Home Health Monitoring [3.210027230758067]
  自己注意は、サブスケールレベルのモデルで最小の予測誤差を達成した。 機能領域にまたがる特異な均一性-均一性プロファイルを同定した。
  論文  参考訳（メタデータ） (2025-07-13T02:56:40Z)
• Understanding Augmentation-based Self-Supervised Representation Learning via RKHS Approximation and Regression [53.15502562048627]
  最近の研究は、自己教師付き学習とグラフラプラシアン作用素のトップ固有空間の近似との関係を構築している。 この研究は、増強に基づく事前訓練の統計的分析に発展する。
  論文  参考訳（メタデータ） (2023-06-01T15:18:55Z)
• S$^3$R: Self-supervised Spectral Regression for Hyperspectral Histopathology Image Classification [13.388372624497807]
  本稿では,高スペクトル画像(HSI)のスペクトル領域における低階特性を利用した,効率的かつ効果的な自己監督型スペクトル回帰法(S$3$R)を提案する。 2つのプレテキストタスクを設計する:(1)S$3$R-CRは線形係数を回帰し、事前学習されたモデルがHSIの固有構造と異なる形態の病理特性を理解するようにし、(2)S$3$R-BRは欠落したバンドを回帰し、HSIの全体論的意味学を学ぶモデルを作る。
  論文  参考訳（メタデータ） (2022-09-19T05:47:11Z)
• Improving Covariance Conditioning of the SVD Meta-layer by Orthogonality [65.67315418971688]
  最寄り直交勾配(NOG)と最適学習率(OLR)を提案する。 視覚認識実験は,共分散条件と一般化を同時に改善できることを実証した。
  論文  参考訳（メタデータ） (2022-07-05T15:39:29Z)
• Semi-supervised Contrastive Learning with Similarity Co-calibration [72.38187308270135]
  SsCL(Semi-supervised Contrastive Learning)と呼ばれる新しいトレーニング戦略を提案する。 ssclは、自己教師付き学習におけるよく知られたコントラスト損失と、半教師付き学習におけるクロスエントロピー損失を組み合わせる。 SsCLはより差別的な表現を生じさせ,ショット学習に有益であることを示す。
  論文  参考訳（メタデータ） (2021-05-16T09:13:56Z)

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。