論文の概要: Pathway-Structured Privileged Distillation for Deployable Computational Pathology

• arxiv url: http://arxiv.org/abs/2606.02877v1
• Date: Mon, 01 Jun 2026 20:46:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-03 22:00:04.600662
• Title: Pathway-Structured Privileged Distillation for Deployable Computational Pathology
• Title（参考訳）: 展開型計算病理学における経路制御型プリビレギンド蒸留法
• Authors: Yongxin Guo, Hao Lu, Onur Koyun, Zhengjie Zhu, Muhammet Demir, Metin Gurcan,
• Abstract要約: パスウェイエキスパートの混合(Mixture of Pathway Experts、MOPE)は、病理学のみの推論のための特権蒸留としてマルチモーダル学習を再構成する知識蒸留フレームワークである。 MoPEはRNA由来の経路をコードし、分子制御を経路インデクシングされた病理の専門家に伝達する。
• 参考スコア（独自算出の注目度）: 12.305907179979426
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Integrating transcriptomics and histopathology can improve cancer risk modelling, yet practical use is constrained by the limited availability of RNA profiling in routine settings. Here we introduce Mixture of Pathway Experts (MoPE), a knowledge-distillation framework that reframes multimodal learning as privileged distillation for histology-only inference. MoPE is motivated by the partial observability between RNA profiles and whole-slide images: histology can capture morphology-linked consequences of certain molecular programmes, but cannot be expected to reconstruct the full transcriptomic state. MoPE encodes RNA-derived pathways and transfers the molecular supervision to pathway-indexed pathology experts through memory-usage alignment. Across diverse public benchmarks and two independent breast cancer cohorts, MoPE consistently improved WSI-only inference performance relative to baseline methods. Pathway-usage analyses and human-audited visual inspection provide bounded inspection of model behaviour and candidate morphology-linked readouts. These results support pathway-structured privileged distillation as a promising route to using molecular information during training while preserving RNA-free inference.
• Abstract（参考訳）: 転写学と病理組織学の統合はがんリスクモデリングを改善することができるが、日常的な環境下でのRNAプロファイリングの可用性の制限により実用的利用は制限される。 ここでは,知識蒸留フレームワークであるMixture of Pathway Experts (MoPE)を紹介する。 MoPEはRNAプロファイルと全スライディング画像の間の部分的な観察性によって動機付けられ、組織学は特定の分子プログラムのモルフォロジー関連の結果を捉えることができるが、完全な転写状態の再構築は期待できない。 MoPEはRNA由来の経路をコードし、メモリ・ユース・アライメントを通じて、分子の制御を経路インデクシングされた病理の専門家に伝達する。 様々な公的ベンチマークと2つの独立した乳がんコホートで、MoPEはベースライン法と比較してWSIのみの推論性能を一貫して改善した。 パスウェイ利用分析と人間の視覚検査は,モデル行動と候補形態素関連読み出しのバウンダリ検査を提供する。 これらの結果は、RNAを含まない推論を維持しながら、トレーニング中に分子情報を利用するための有望な経路として、経路構造を持つ特権蒸留を支持する。

関連論文リスト

• Spatial Transcriptomics-Guided Alignment Enhances Molecular Profiling in Pathology Foundation Model [43.24445461533517]
  分子プロファイリングのための空間転写誘導アライメントフレームワーク(STAMP)を提案する。 STAMPは、転写学的データを生物学的に機能する経路に集約する経路インフォームドアライメント戦略を適用している。 これらの拡張表現の臨床的有用性は多層評価フレームワークを用いて検証した。
  論文  参考訳（メタデータ） (2026-05-29T16:41:14Z)
• RNA-FM: Flow-Matching Generative Model for Genome-wide RNA-Seq Prediction [48.07329582311906]
  本研究では,全スライディング画像からのゲノムワイドRNA配列予測のためのフローマッチング生成フレームワークであるRNA-FMを提案する。 RNA-FMは、連続時間条件付き輸送問題として転写予測を定式化する。 スケーラブルで生物学的に解釈可能なゲノムワイド遺伝子発現抑制を可能にする。
  論文  参考訳（メタデータ） (2026-05-12T06:48:58Z)
• COMO: Closed-Loop Optical Molecule Recognition with Minimum Risk Training [0.0]
  光化学構造認識(OCSR)に最小リスクトレーニングを導入する COMOは、分子レベルの非微分可能な目的を直接最適化することで、露光バイアスを緩和するクローズドループフレームワークである。 合成および実世界の化学図を含む10のベンチマーク実験では、COMOが既存のルールベースおよび学習ベースの手法を大幅に上回っていることが示されている。
  論文  参考訳（メタデータ） (2026-04-26T05:48:21Z)
• BIOME-Bench: A Benchmark for Biomolecular Interaction Inference and Multi-Omics Pathway Mechanism Elucidation from Scientific Literature [12.185152549393152]
  BIOME-Benchは、マルチオミクス解析において、大規模言語モデル(LLM)の2つのコア機能を評価するために、厳格な4段階のワークフローによって構築される。 両タスクの評価プロトコルを開発し、複数の強力な現代モデルにまたがる包括的実験を行う。
  論文  参考訳（メタデータ） (2025-12-31T09:01:27Z)
• Path Signatures Enable Model-Free Mapping of RNA Modifications [2.8692064813746883]
  本稿では,修正検出を異常検出問題として再設定するモデルフリー計算手法を提案する。 本手法は, 各ナノ孔の読み出しに対して, 現場の生イオン電流信号から, 頑健で変化に敏感な特徴を抽出する。 我々は、異常スコアを統計的p値に変換し、個々の読み出しレベルとサイトレベルの両方で異常検出を可能にする。
  論文  参考訳（メタデータ） (2025-11-12T00:22:56Z)
• MIRROR: Multi-Modal Pathological Self-Supervised Representation Learning via Modality Alignment and Retention [57.044719143401664]
  病理組織学と転写学は、腫瘍学の基本的なモダリティであり、疾患の形態学的および分子的側面を包含している。 モーダルアライメントと保持を両立させる新しいマルチモーダル表現学習法であるMIRRORを提案する。 がんの亜型化と生存分析のためのTCGAコホートに関する広範囲な評価は,MIRRORの優れた性能を浮き彫りにしている。
  論文  参考訳（メタデータ） (2025-03-01T07:02:30Z)
• Learning Invariant Molecular Representation in Latent Discrete Space [52.13724532622099]
  本稿では,分散シフトに対する不変性とロバスト性を示す分子表現を学習するための新しい枠組みを提案する。 我々のモデルは、様々な分布シフトが存在する場合に、最先端のベースラインに対してより強力な一般化を実現する。
  論文  参考訳（メタデータ） (2023-10-22T04:06:44Z)
• Incorporating Prior Knowledge in Deep Learning Models via Pathway Activity Autoencoders [5.950889585409067]
  本稿では,癌におけるRNA-seqデータのための,事前知識に基づく新しいディープオートエンコーディングフレームワークPAAEを提案する。 機能セットが小さいにもかかわらず,PAAEモデルとPAAEモデルでは,一般的な手法と比較して,アウト・オブ・セットの再現性が向上していることを示す。
  論文  参考訳（メタデータ） (2023-06-09T11:12:55Z)

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。