論文の概要: Hierarchical Perfusion Graphs for Tumor Heterogeneity Modeling in Glioma Molecular Subtyping

• arxiv url: http://arxiv.org/abs/2605.07156v1
• Date: Fri, 08 May 2026 02:42:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-11 19:43:38.757285
• Title: Hierarchical Perfusion Graphs for Tumor Heterogeneity Modeling in Glioma Molecular Subtyping
• Title（参考訳）: グリオーマ分子サブタイプにおける腫瘍不均一性モデリングのための階層的灌流グラフ
• Authors: Han Jang, Junhyeok Lee, Heeseong Eum, Joon Jang, Yoseob Han, Seung Hong Choi, Kyu Sung Choi,
• Abstract要約: 実時間強度曲線から離散的血行動態表現を学習するフレームワークであるHiPerfGNNを紹介する。 階層型グラフニューラルネットワークは、分子予測のためにスケールを越えて情報を伝播する。
• 参考スコア（独自算出の注目度）: 3.6629715315648976
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Precise molecular subtyping of gliomas, including isocitrate dehydrogenase (IDH) mutation and 1p/19q codeletion, directly guides surgical and therapeutic decisions, yet currently relies on invasive tissue sampling. Deep learning on structural MRI has emerged as a non-invasive alternative, but anatomy-only approaches cannot capture the hemodynamic signatures that distinguish molecular subtypes. Radiogenomics based on dynamic susceptibility contrast (DSC) MRI holds immense potential for non-invasively characterizing glioma molecular subtypes, yet clinical deployment has been hindered by inter-site variability and the limitations of voxel-wise analysis. We introduce HiPerfGNN, a framework that first learns discrete hemodynamic representations from raw time-intensity curves using a vector-quantized variational autoencoder (VQ-VAE). These quantized perfusion codes define coarse-level graph nodes representing functional tumor habitats, each of which is hierarchically subdivided into fine-level subregions guided by structural MRI. A hierarchical graph neural network then propagates information across scales for molecular prediction. On an internal cohort (n=475), the model achieved AUCs of 0.96 (IDH), 0.89 (1p/19q), and 0.84 (WHO grade), and maintained robust IDH performance (AUC 0.89) on an independent external cohort (n=397) without recalibration. Gradient-based saliency analysis confirms biologically grounded attention patterns aligned with known glioma pathophysiology. Our results demonstrate the added value of integrating perfusion dynamics into radiogenomic pipelines for glioma molecular subtyping. Code is available at https://github.com/janghana/HiPerfGNN.
• Abstract（参考訳）: Isocitrate dehydrogenase (IDH) 変異や1p/19qコードレプションを含むグリオーマの精密な分子置換は外科的および治療的決定を直接導くが、現在は浸潤組織サンプリングに依存している。 構造MRIの深層学習は非侵襲的な代替手段として現れてきたが、解剖学のみのアプローチでは、分子サブタイプを区別する血行動態のシグネチャを捉えることはできない。 ダイナミック・サセプティビリティ・コントラスト(DSC)MRIによる放射線ゲノミクスはグリオーマ分子サブタイプを非侵襲的に特徴付ける大きな可能性を秘めているが、臨床展開はサイト間変動とボキセル解析の限界によって妨げられている。 本稿では,まず,ベクトル量子化変分オートエンコーダ(VQ-VAE)を用いて,原時間強度曲線から離散的血行動態表現を学習するフレームワークであるHiPerfGNNを紹介する。 これらの量子化灌流符号は、機能的な腫瘍の生息地を表す粗いレベルグラフノードを定義し、それぞれが階層的に構造MRIでガイドされる細いレベルサブリージョンに分割される。 階層的なグラフニューラルネットワークは、分子予測のためにスケールを越えて情報を伝播する。 内部コホート(n=475)では、AUCは0.96(IDH)、0.89(1p/19q)、0.84(WHOグレード)となり、独立の外部コホート(n=397)では頑健なIDH性能(AUC 0.89)を維持した。 グラディエントに基づく塩分濃度分析は、既知のグリオーマの病態と一致した生物学的に基盤付けられた注意パターンを確認する。 以上の結果から, グリオーマ分子置換のための放射線ゲノムパイプラインへの灌流動態の付加価値が示された。 コードはhttps://github.com/janghana/HiPerfGNNで入手できる。

関連論文リスト

• Multimodal Sheaf-based Network for Glioblastoma Molecular Subtype Prediction [5.563171090433323]
  我々はMRIと病理組織学データの構造認識と一貫した融合のための新しい枠組みを提案する。 我々のモデルはベースライン手法より優れ、不完全あるいは欠落したデータシナリオにおける堅牢性を示す。
  論文  参考訳（メタデータ） (2025-08-13T11:11:33Z)
• FoundBioNet: A Foundation-Based Model for IDH Genotyping of Glioma from Multi-Parametric MRI [1.4249472316161877]
  我々は,多パラメータMRIから非侵襲的にIDH変異を予測できるFoundBioNet(FoundBioNet)を提案する。 1705人のグリオーマ患者を6つの公開データセットから多施設で訓練し, 評価した。 我々のモデルは、EGD、TCGA、Ivy GAP、RHUH、UPennの独立したテストセットに対して90.58%、88.08%、65.41%、および80.31%のAUCを達成した。
  論文  参考訳（メタデータ） (2025-08-09T00:08:10Z)
• Interpretable Graph Kolmogorov-Arnold Networks for Multi-Cancer Classification and Biomarker Identification using Multi-Omics Data [36.92842246372894]
  Multi-Omics Graph Kolmogorov-Arnold Network (MOGKAN)は、メッセンジャーRNA、マイクロRNA配列、DNAメチル化サンプルを利用するディープラーニングフレームワークである。 グラフに基づく深層学習とマルチオミクスデータを統合することにより,提案手法は頑健な予測性能と解釈可能性を示す。
  論文  参考訳（メタデータ） (2025-03-29T02:14:05Z)
• Bi-level Contrastive Learning for Knowledge-Enhanced Molecule Representations [68.32093648671496]
  分子に固有の二重レベル構造を考慮に入れたGODEを導入する。 分子は固有のグラフ構造を持ち、より広い分子知識グラフ内のノードとして機能する。 異なるグラフ構造上の2つのGNNを事前学習することにより、GODEは対応する知識グラフサブ構造と分子構造を効果的に融合させる。
  論文  参考訳（メタデータ） (2023-06-02T15:49:45Z)
• Artificial-intelligence-based molecular classification of diffuse gliomas using rapid, label-free optical imaging [59.79875531898648]
  DeepGliomaは人工知能に基づく診断スクリーニングシステムである。 ディープグリオーマは、世界保健機関が成人型びまん性グリオーマ分類を定義するために使用する分子変化を予測することができる。
  論文  参考訳（メタデータ） (2023-03-23T18:50:18Z)
• 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。