論文の概要: Bridging the Modality Bottleneck in Pathology MIL through Virtual Molecular Staining

• arxiv url: http://arxiv.org/abs/2605.16392v1
• Date: Tue, 12 May 2026 06:49:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 23:51:08.316734
• Title: Bridging the Modality Bottleneck in Pathology MIL through Virtual Molecular Staining
• Title（参考訳）: 仮想分子染色によるMILのモダリティボトルネックのブリッジ
• Authors: Yucheng Xing, Pei Liu, Jingying Ma, Ruping Hong, Jiangdong Qiu, Tianyu Liu, Kai He, Ling Huang, Mengling Feng,
• Abstract要約: プロジェクション層のプラグイン置換である分子インフォーム・ステイニング変換(MIST)を導入する。 MISTクラスタの遺伝子発現プロファイルをクロスモーダルプロトタイプに分類し、凍結基盤モデルの特徴空間に固定し、H&Eパッチの機能を再編成する。 MISTは標準射影層上で240の256構成を改善し、平均利得は+3.5%で、終端型間で一貫して観察される。
• 参考スコア（独自算出の注目度）: 21.47707112793145
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multiple instance learning (MIL) is the dominant framework for whole-slide image analysis in computational pathology, typically combining a frozen patch encoder, a projection layer, and a slide-level aggregator. While encoders and aggregators have been extensively studied, the projection layer remains a largely morphology-only bottleneck. This limits endpoints such as biomarker status and survival, which are governed by a molecular state that is not fully captured by H&E morphology. We introduce Molecularly Informed Staining Transform (MIST), a plug-in replacement for the MIL projection layer that uses paired spatial transcriptomics only during training to construct virtual molecular stains. MIST clusters gene expression profiles into cross-modal prototypes, anchors them in the frozen foundation model feature space, and uses them to reorganize H&E patch features along molecularly guided axes. It requires no transcriptomics at inference and can be inserted before standard MIL aggregators. We evaluate MIST across 23 downstream tasks and 8 MIL aggregators. MIST improves 240 of 256 configurations over the standard projection layer, with an average gain of +3.5%, observed consistently across endpoint types: +5.2% on survival prediction, +3.3% on tissue subtyping, and +2.6% on biomarker prediction. Ablations confirm that gene-derived prototypes are the primary source of the gains, while spatial, biological, and pathological analyses show that cross-modal prototype affinities capture spatially coherent molecular programs from H&E alone.
• Abstract（参考訳）: マルチプル・インスタンス・ラーニング(MIL)は、一般にフリーズパッチエンコーダ、プロジェクション層、スライドレベルのアグリゲータを組み合わせた、計算病理学における全スライディング画像解析の主流のフレームワークである。 エンコーダとアグリゲータは広く研究されているが、射影層は依然として主に形態学のみのボトルネックである。 これは生物マーカーの状態や生存のような終端を制限し、H&E形態によって完全には捉えられない分子状態によって制御される。 我々は、MILプロジェクション層のプラグイン交換であるMISTを導入し、仮想的な分子染色を構築するために、トレーニング中にのみペア空間転写学を利用する。 MISTは遺伝子プロファイルをクロスモーダルなプロトタイプに分類し、凍結基盤モデルの特徴空間に固定し、分子誘導軸に沿ってH&Eパッチの特徴を再編成する。 推論時に転写学を必要とせず、標準のMILアグリゲータの前に挿入することができる。 我々は、23の下流タスクと8のMILアグリゲータにまたがるMISTを評価した。 MISTは、標準射影層上で240の256構成を改善し、平均的な+3.5%が終端型で連続的に増加し、+5.2%が生存予測、+3.3%が組織サブタイプ、+2.6%がバイオマーカー予測である。 アブレーションは、遺伝子由来のプロトタイプが利益の主源であることを確認する一方で、空間的、生物学的、および病理学的分析により、クロスモーダルなプロトタイプ親和性は、H&E単独で空間的に整合した分子プログラムをキャプチャすることを示している。

関連論文リスト

• Biological Spatial Priors Regularize Foundation Model Representations for Cross-Site MSI Generalization in Colorectal Cancer [0.0]
  周辺距離エンコーディングに基づく生物的動機付き空間前処理を導入する。 6つの基礎モデルとMILアグリゲータの組み合わせを基準として評価し,それぞれの空間的先行効果を評価する。 その結果、生物学的に接地された空間前駆体は、サイト固有の画像パターンへの依存を減らす正則化剤として機能することが示唆された。
  論文  参考訳（メタデータ） (2026-05-04T14:39:40Z)
• Beyond Attention Heatmaps: How to Get Better Explanations for Multiple Instance Learning Models in Histopathology [14.800356715603087]
  マルチ・インスタンス・ラーニング(MIL)は、計算病理学の進歩を可能にしている。 ヒートマップは、MILモデルの検証や組織バイオマーカーの発見に広く用いられている。 ラベルの追加を必要とせず,MILヒートマップの品質を評価するための一般的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-09T12:45:48Z)
• MINT: Molecularly Informed Training with Spatial Transcriptomics Supervision for Pathology Foundation Models [5.15189458127282]
  我々は、空間転写学の監督を事前学習した病理学の視覚変換器に組み込む微調整フレームワークであるMINTを提案する。 MINTは学習可能なSTトークンをViT入力に追加し、形態学的CLSトークンとは別個の転写情報をエンコードする。 MINTは、HEST-Benchの遺伝子発現予測と一般的な病理学タスクの両方において、最高の全体的なパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-03-09T02:29:10Z)
• Breaking the Modality Barrier: Generative Modeling for Accurate Molecule Retrieval from Mass Spectra [60.08608779794957]
  本稿では,ジェネレーティブ言語モデルに基づく検索フレームワークであるGLMRを提案する。 検索前の段階では、比較学習に基づくモデルでは、上位候補分子を入力質量スペクトルの文脈的先行として識別する。 生成検索段階において、これらの候補分子は入力質量スペクトルと統合され、精製された分子構造を生成するための生成モデルが導かれる。
  論文  参考訳（メタデータ） (2025-11-09T07:25:53Z)
• MMAP: A Multi-Magnification and Prototype-Aware Architecture for Predicting Spatial Gene Expression [1.083137038945176]
  空間転写学(Spatial Transcriptomics:ST)は、空間情報を保存しながら遺伝子発現の測定を可能にする。 近年、ヘマトキシリンとエオシン(H&E)による全スライディング画像(WSI)を用いて、ディープニューラルネットワークによる転写産物全体の遺伝子発現プロファイルを予測する研究が進められている。 しかし, 組織像から空間遺伝子発現を予測することは, 視覚的特徴と分子信号との差が大きいため, 依然として難しい問題である。 本研究では,MMAP (Multi-Magnification and Prototype-enhanced Architecture) という新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-13T12:41:09Z)
• Aligned Manifold Property and Topology Point Clouds for Learning Molecular Properties [55.2480439325792]
  この研究は、局所量子由来のスカラー場とカスタムトポロジカルディスクリプタを組み合わせた分子表面表現であるAMPTCRを導入する。 分子量については、AMPTCRが物理的に意味のあるデータをコードし、検証R2は0.87であることを確認した。 細菌抑制タスクでは、AMPTCRは大腸菌阻害値の分類と直接回帰の両方を可能にする。
  論文  参考訳（メタデータ） (2025-07-22T04:35:50Z)
• Pre-trained Molecular Language Models with Random Functional Group Masking [54.900360309677794]
  SMILESをベースとしたアンダーリネム分子アンダーリネム言語アンダーリネムモデルを提案し,特定の分子原子に対応するSMILESサブシーケンスをランダムにマスキングする。 この技術は、モデルに分子構造や特性をよりよく推測させ、予測能力を高めることを目的としている。
  論文  参考訳（メタデータ） (2024-11-03T01:56:15Z)
• GSMFlow: Generation Shifts Mitigating Flow for Generalized Zero-Shot Learning [55.79997930181418]
  Generalized Zero-Shot Learningは、目に見えないクラスから見えないクラスに意味的な知識を移すことで、目に見えないクラスと見えないクラスの両方から画像を認識することを目的としている。 生成モデルの利点を生かして、見学したクラスから学んだ知識に基づいて、現実的な見知らぬサンプルを幻覚させることは、有望な解決策である。 本研究では,複数の条件付きアフィン結合層からなるフローベース生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-05T04:04:37Z)
• MIMOSA: Multi-constraint Molecule Sampling for Molecule Optimization [51.00815310242277]
  生成モデルと強化学習アプローチは、最初の成功をおさめたが、複数の薬物特性を同時に最適化する上で、依然として困難に直面している。 本稿では,MultI-Constraint MOlecule SAmpling (MIMOSA)アプローチ,初期推定として入力分子を用いるサンプリングフレームワーク,ターゲット分布からのサンプル分子を提案する。
  論文  参考訳（メタデータ） (2020-10-05T20:18:42Z)

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。