論文の概要: Diffusion Attention Expert Model for Predicting and Semi-automatic Localizing STAS in Lung Cancer Histopathological Images
- arxiv url: http://arxiv.org/abs/2605.16444v1
- Date: Fri, 15 May 2026 01:01:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-19 23:51:08.322511
- Title: Diffusion Attention Expert Model for Predicting and Semi-automatic Localizing STAS in Lung Cancer Histopathological Images
- Title（参考訳）: 肺癌組織像における拡散注意エキスパートモデルによるSTASの予測と半自動位置推定
- Authors: Liangrui Pan, Jiadi Luo, Yuxuan Xiao, Chenchen Nie, Xiaoshuai Wu, Songqing Fan, Ling Chu, Manqiu Li, Rongfang He, Zhenyu Zhao, Ruixing Wang, Shulin Liu, Yiyi Liang, Xiang Wang, Qingchun Liang, Shaoliang Peng,
- Abstract要約: 凍結部(FS)およびパラフィン部(PS)における空気空間(STAS)の拡散を検出する拡散注意エキスパートモデル(DAEM)を提案する。
内部データセットでは、FSは0.8946、PSは0.9112である。
微乳頭型STASを含むいくつかの定量的TME指標は、STASの潜在的なバイオマーカーとして同定される。
- 参考スコア（独自算出の注目度）: 16.57584586447825
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate intraoperative and postoperative diagnosis of spread through air spaces (STAS) is essential for guiding surgical decisions and postoperative management in lung cancer. However, histopathological assessment is labor-intensive and is prone to missed or incorrect diagnoses. We propose a Diffusion Attention Expert Model (DAEM) to detect STAS in frozen sections (FSs) and paraffin sections (PSs). Its diffusion attention expert module leverages full attention aggregation to learn multi-scale features from histopathological images, while a dual-branch architecture strengthens multi-scale feature representation. On an internal dataset, DAEM achieves AUCs of 0.8946 for FSs and 0.9112 for PSs. Validation on external multi-center datasets from eight institutions demonstrates strong generalizability and interpretability. Using tumor microenvironment (TME) features in PSs, we further enable semi-automatic measurement of STAS location and its distance from the primary tumor. Several quantitative TME metrics are identified as potential biomarkers for STAS, including micropapillary-type STAS. Overall, DAEM offers a clinically actionable framework for STAS assessment by enabling accurate and interpretable detection on FSs and PSs, supporting postoperative risk stratification through quantitative TME-based analysis.
- Abstract（参考訳）: 肺がんの外科的決定と術後管理を導くためには,航空空間(STAS)の正確な術中および術後診断が不可欠である。
しかし、病理組織学的評価は労働集約的であり、誤診や誤診をしがちである。
凍結部(FS)とパラフィン部(PS)のSTASを検出する拡散注意エキスパートモデル(DAEM)を提案する。
拡散アテンションエキスパートモジュールは、フルアテンションアグリゲーションを利用して、病理画像からマルチスケール特徴を学習する一方、デュアルブランチアーキテクチャはマルチスケール特徴表現を強化する。
内部データセットでは、FSは0.8946、PSは0.9112である。
8つの機関の外部マルチセンターデータセットに対する検証は、強力な一般化可能性と解釈可能性を示している。
腫瘍微小環境(TME)の特徴をPSで用い,STAS位置と原発腫瘍からの距離の半自動測定が可能となった。
微乳頭型STASを含むいくつかの定量的TME指標は、STASの潜在的なバイオマーカーとして同定される。
全体として、DAEMは、FSとPSの正確かつ解釈可能な検出を可能にし、定量的TME分析による術後リスク階層化を支援することによって、STAS評価のための臨床的に実行可能なフレームワークを提供する。
関連論文リスト
- Using Unsupervised Domain Adaptation Semantic Segmentation for Pulmonary Embolism Detection in Computed Tomography Pulmonary Angiogram (CTPA) Images [0.0]
非教師なしドメイン適応(UDA)フレームワークはTransformerのバックボーンとMean-Teacherアーキテクチャを使って、センター間のセマンティックセマンティックセグメンテーションを実現する。
主な焦点は、特徴空間内の深い構造情報を学習することで、擬似ラベルの信頼性を高めることである。
クロスセンタデータセット(FUMPEとCAD-PE)で実施した実験的検証は、大幅な性能向上を示す。
論文 参考訳（メタデータ） (2026-02-23T14:33:24Z) - UGPL: Uncertainty-Guided Progressive Learning for Evidence-Based Classification in Computed Tomography [0.0]
現在のアプローチでは、画像が一様に処理され、局所的な異常を検出する能力が制限される。
グローバル-ローカル分析を行う不確実性誘導型プログレッシブラーニングフレームワークであるUGPLを紹介する。
3つのCTデータセットに対する実験により、UGPLは最先端のメソッドを一貫して上回っていることが示された。
論文 参考訳（メタデータ） (2025-07-18T17:30:56Z) - TUMLS: Trustful Fully Unsupervised Multi-Level Segmentation for Whole Slide Images of Histology [41.94295877935867]
We present a Trustful fully unsupervised multi-level segmentation method (TUMLS) for whole slide image (WSIs)。
TUMLSは、低解像度のトレーニングデータの中で異なる組織タイプを特定するために、オートエンコーダ(AE)を特徴抽出器として採用している。
このソリューションは、臨床医にシームレスに統合され、WSI全体の検査を簡潔で解釈可能なクロスレベル洞察のレビューに変換する。
論文 参考訳（メタデータ） (2025-04-17T07:48:05Z) - SMILE: a Scale-aware Multiple Instance Learning Method for Multicenter STAS Lung Cancer Histopathology Diagnosis [9.06963630835666]
病理学者は現在、非常に主観的で変動しがちな手作業による評価に時間を費やしている。
2,970個の肺がん組織スライドは、複数の中心から構成され、再診断され、3つの肺がんSTASデータセットを構築し、公開している。
肺癌のSTAS診断のためのSMILE法を提案する。
論文 参考訳（メタデータ） (2025-03-18T01:09:52Z) - Efficient and Comprehensive Feature Extraction in Large Vision-Language Model for Pathology Analysis [37.11302829771659]
大規模視覚言語モデル(LVLM)は、入力解像度の制約によって制限され、病理画像解析の効率と精度を損なう。
課題誘導型機能拡張と課題誘導型詳細機能補完の2つの革新的戦略を提案する。
OmniPathは診断精度と効率において既存の方法よりも優れていた。
論文 参考訳（メタデータ） (2024-12-12T18:07:23Z) - Multimodal Outer Arithmetic Block Dual Fusion of Whole Slide Images and Omics Data for Precision Oncology [6.418265127069878]
本稿では, 局所(パッチレベル)から大域(スライダーレベル)の相互作用の相補的な情報を取得するために, 早期・後期融合におけるオミック埋め込みの利用を提案する。
この二重融合戦略は、解釈可能性と分類性能を高め、臨床診断の可能性を強調している。
論文 参考訳（メタデータ） (2024-11-26T13:25:53Z) - MEDPSeg: Hierarchical polymorphic multitask learning for the segmentation of ground-glass opacities, consolidation, and pulmonary structures on computed tomography [37.119000111386924]
MEDPSegは階層型多形マルチタスク学習(HPML)を通して異種胸部CTターゲットから学習する
本稿では,GGOと統合セグメンテーションタスクの最先端性能を実現するPMLについて述べる。
さらに、MEDPSegは肺発作、気道、肺動脈、肺病変の分節を同時に行う。
論文 参考訳（メタデータ） (2023-12-04T21:46:39Z) - Z-SSMNet: Zonal-aware Self-supervised Mesh Network for Prostate Cancer Detection and Diagnosis with Bi-parametric MRI [14.101371684361675]
我々はZ-SSMNet(Z-SSMNet)を提案する。
Z-SSMNetは、多次元(2D/2.5D/3D)畳み込みを適応的に統合し、高密度スライス情報と異方性bpMRIのスパースス間情報を学習する。
大規模未ラベルデータを用いてネットワークを事前学習するための自己教師付き学習(SSL)手法を提案する。
論文 参考訳（メタデータ） (2022-12-12T10:08:46Z) - Fuzzy Attention Neural Network to Tackle Discontinuity in Airway
Segmentation [67.19443246236048]
気道セグメンテーションは肺疾患の検査、診断、予後に重要である。
いくつかの小型の気道支線(気管支や終端など)は自動セグメンテーションの難しさを著しく増す。
本稿では,新しいファジィアテンションニューラルネットワークと包括的損失関数を備える,気道セグメンテーションの効率的な手法を提案する。
論文 参考訳（メタデータ） (2022-09-05T16:38:13Z) - Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based
Sparse PCA Network [93.22587316229954]
ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。
我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
論文 参考訳（メタデータ） (2021-10-27T19:28:36Z)
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。