論文の概要: Unified Multi-Foundation-Model Slide Representation for Pan-Cancer Recognition and Text-Guided Tumor Localization

• arxiv url: http://arxiv.org/abs/2604.22846v1
• Date: Tue, 21 Apr 2026 21:13:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:06.983464
• Title: Unified Multi-Foundation-Model Slide Representation for Pan-Cancer Recognition and Text-Guided Tumor Localization
• Title（参考訳）: パンキャンセラ認識とテキストガイドによる腫瘍局所化のための統一マルチファウンデーションモデルスライド表現
• Authors: Tianyang Wang, Ziyu Su, Abdul Rehman Akbar, Usama Sajjad, Lina Gokhale, Charles Rabolli, Wei Chen, Anil Parwani, Muhammad Khalid Khan Niazi,
• Abstract要約: ASTRAは、異種基礎モデル表現を共有スライドレベル表現空間に統合するパンカンサーフレームワークである。 ASTRAは4カテゴリの分類、3クラスの固形腫瘍タイピング、16クラスのがんタイピング、およびピクセルレベルの監督なしにテキスト誘導された腫瘍の局在をサポートする。
• 参考スコア（独自算出の注目度）: 7.89192092196746
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The expanding ecosystem of pathology foundation models has produced powerful but fragmented tile-level representations, limiting their use in clinical tasks that require unified slide-level reasoning and interpretable linkage to clinically meaningful information. We present ASTRA, a pan-cancer framework that integrates heterogeneous foundation-model representations into a shared slide-level representation space and semantically grounds that space using structured pathology annotation fields, including classification category, cancer type, and anatomic site. ASTRA combines sparse mixture-of-experts contextualization, masked multi-model reconstruction, and contrastive alignment to structured pathology prompts to learn slide representations that support 4-category classification, 3-class solid tumor typing, 16-class cancer typing, and text-guided tumor localization without pixel-level supervision. Developed on a CHTN cohort of 10,359 whole-slide images (WSIs) spanning 16 tumor types, ASTRA consistently improves pan-cancer classification across four pathology foundation-model backbones, achieving up to 97.8% macro-AUC for 4-category classification, 99.7% for 3-class solid tumor typing, and 99.2% for 16-class cancer typing. For tumor localization, ASTRA achieves a mean Dice of 0.897 on an annotated in-domain CHTN subset (n = 380) spanning 16 cancer types and 0.738 on an external TCGA cohort (n = 1,686) spanning four cancer types. These results demonstrate that minimal structured pathology annotation fields derived from slide-level metadata can provide effective semantic supervision for unified slide representation learning, enabling both pan-cancer prediction and weakly supervised tumor localization within a single framework.
• Abstract（参考訳）: 病理基盤モデルのエコシステムが拡大し、強力なタイルレベルの表現が生み出され、スライドレベルの推論と解釈可能なリンクを臨床的に意味のある情報に統一する必要のある臨床タスクでの使用が制限された。 異種基礎モデル表現を共有スライドレベル表現空間に統合し, 分類分類, 癌タイプ, 解剖学的部位を含む構造的病理アノテーションフィールドを用いてその空間を意味的にグラウンド化するパン・カンサー・フレームワークASTRAを提案する。 ASTRAは、スパースミックス・オブ・エキスパート・コンテクスト化、マスク付きマルチモデル再構成、構造化された病理へのコントラストアライメントを組み合わせることで、4カテゴリ分類、3クラスソリッドな腫瘍タイピング、16クラスのがんタイピング、ピクセルレベルの監督なしにテキスト誘導された腫瘍局所化をサポートするスライド表現の学習を促す。 腫瘍型16種類にまたがる10,359枚の全スライディング画像(WSI)からなるCHTNコホート上に開発されたASTRAは、4つの病理基盤モデルバックボーンのパン・カンサー分類を一貫して改善し、4つの分類で97.8%のマクロ・AUC、3つの分類で99.7%の固形腫瘍型付け、3クラスで99.2%のがん型付けを達成した。 腫瘍の局在について、ASTRAは16種類の癌にまたがる注釈付き内ドメインCHTNサブセット(n = 380)では0.897、外部のTCGAコホート(n = 1,686)では0.738である。 以上の結果から,スライドレベルのメタデータから導かれる最小構造的病理アノテーションフィールドは,単一フレームワーク内での汎癌予測と弱教師付き腫瘍局所化を両立させることにより,統合されたスライド表現学習に効果的な意味的管理を可能にすることが示唆された。

関連論文リスト

• A Lightweight Multi-Cancer Tumor Localization Framework for Deployable Digital Pathology [0.46843765915430247]
  特定のがん内で訓練された深層学習に基づく腫瘍検出は、異なる種類の腫瘍に適用した場合、堅牢性が低下する可能性がある。 多発癌腫瘍局在モデル (MuCTaL) を4癌から79,984個の非重複タイルを用いて訓練した。 このモデルは4つの訓練癌からの検証データで0.97のタイルレベルのROC-AUCを、独立した管腺癌コホートで0.71を達成した。
  論文  参考訳（メタデータ） (2026-03-09T19:00:04Z)
• Boosting Pathology Foundation Models via Few-shot Prompt-tuning for Rare Cancer Subtyping [80.92960114162746]
  視覚言語病理基盤モデルの可能性を生かした新しいフレームワークPathPTを提案する。 PathPTは、WSIレベルの監視を、VLモデルのゼロショット機能を活用することで、きめ細かいタイルレベルのガイダンスに変換する。 以上の結果から,PathPTは一貫して優れた性能を示し,サブタイピング精度と癌領域の接地能力を著しく向上することが示された。
  論文  参考訳（メタデータ） (2025-08-21T18:04:41Z)
• Fusion-Based Brain Tumor Classification Using Deep Learning and Explainable AI, and Rule-Based Reasoning [0.0]
  本研究では,MobileNetV2とDenseNet121畳み込みニューラルネットワーク(CNN)を組み合わせたアンサンブルに基づくディープラーニングフレームワークを提案する。 モデルは、階層化された5倍のクロスバリデーションプロトコルを使用して、Figshareデータセット上でトレーニングされ、評価された。 このアンサンブルは個々のCNNよりも優れた性能を示し、精度は91.7%、精度は91.9%、リコールは91.7%、F1スコアは91.6%だった。
  論文  参考訳（メタデータ） (2025-08-09T08:46:36Z)
• A Knowledge-enhanced Pathology Vision-language Foundation Model for Cancer Diagnosis [58.85247337449624]
  本稿では,疾患知識を階層型セマンティックグループ内のアライメントに組み込む知識強化型視覚言語事前学習手法を提案する。 KEEPはゼロショット癌診断タスクにおいて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） (2024-12-17T17:45:21Z)
• HoneyBee: A Scalable Modular Framework for Creating Multimodal Oncology Datasets with Foundational Embedding Models [11.03503711055749]
  HONeYBEEは、腫瘍学の応用のために、マルチモーダルなバイオメディカルデータを統合したオープンソースのフレームワークである。 臨床データ(構造化および非構造化)、全スライダー画像、放射線スキャン、分子プロファイルを処理し、統合された患者レベルの埋め込みを生成する。 これらの埋め込みは生存予測、がん型の分類、患者の類似性検索、コホートクラスタリングを可能にする。
  論文  参考訳（メタデータ） (2024-05-13T04:35:14Z)
• Breast Ultrasound Tumor Classification Using a Hybrid Multitask CNN-Transformer Network [63.845552349914186]
  胸部超音波(BUS)画像分類において,グローバルな文脈情報の収集が重要な役割を担っている。 ビジョントランスフォーマーは、グローバルなコンテキスト情報をキャプチャする能力が改善されているが、トークン化操作によって局所的なイメージパターンを歪めてしまう可能性がある。 本研究では,BUS腫瘍分類とセグメンテーションを行うハイブリッドマルチタスクディープニューラルネットワークであるHybrid-MT-ESTANを提案する。
  論文  参考訳（メタデータ） (2023-08-04T01:19:32Z)
• WSSS4LUAD: Grand Challenge on Weakly-supervised Tissue Semantic Segmentation for Lung Adenocarcinoma [51.50991881342181]
  この課題には10,091個のパッチレベルのアノテーションと1300万以上のラベル付きピクセルが含まれる。 第一位チームは0.8413mIoUを達成した(腫瘍:0.8389、ストーマ:0.7931、正常:0.8919)。
  論文  参考訳（メタデータ） (2022-04-13T15:27:05Z)
• Weakly supervised multiple instance learning histopathological tumor segmentation [51.085268272912415]
  スライド画像全体のセグメント化のための弱教師付きフレームワークを提案する。 トレーニングモデルに複数のインスタンス学習スキームを利用する。 提案するフレームワークは,The Cancer Genome AtlasとPatchCamelyonデータセットのマルチロケーションとマルチ中心公開データに基づいて評価されている。
  論文  参考訳（メタデータ） (2020-04-10T13:12:47Z)
• Multi-scale Domain-adversarial Multiple-instance CNN for Cancer Subtype Classification with Unannotated Histopathological Images [16.02231907106384]
  我々は,マルチインスタンス,ドメイン逆数,マルチスケール学習フレームワークを効果的に組み合わせ,CNNに基づく癌サブタイプ分類法を開発した。 分類性能は標準のCNNや他の従来の方法よりも有意に優れており, 精度は標準の病理医と比較して良好であった。
  論文  参考訳（メタデータ） (2020-01-06T14:09:51Z)

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。