論文の概要: Do Foundation Models See Biology? Evaluating Attention Coherence with Spatial Transcriptomics in Glioblastoma

• arxiv url: http://arxiv.org/abs/2606.04764v1
• Date: Wed, 03 Jun 2026 11:49:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-04 20:44:18.718697
• Title: Do Foundation Models See Biology? Evaluating Attention Coherence with Spatial Transcriptomics in Glioblastoma
• Title（参考訳）: 基礎モデルは生物学的に見受けられるか? : グリオ芽腫における空間的トランスクリプトロミクスによる注意的コヒーレンスの評価
• Authors: Dilakshan Srikanthan, Amoon Jamzad, Paul Wilson, Nooshin Maghsoodi, Robert Policelli, Gabor Fichtinger, John F. Rudan, Parvin Mousavi,
• Abstract要約: 本研究では,無仮説の注意評価のための空間転写学に基づくフレームワークを提案する。 本フレームワークは,病理組織学から基礎モデルが学べるものを客観的かつ定量的に評価する。
• 参考スコア（独自算出の注目度）: 1.233463276218872
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Whether attention maps from pathology foundation models capture genuine biology remains unknown, yet this question is critical for clinical trust and regulatory approval. We propose a spatial transcriptomics-based framework for orthogonal, hypothesis-free evaluation of attention and apply it to five pathology foundation models (CONCH v1.5, UNI v2, Virchow2, GigaPath, H-Optimus-1) and a ResNet50 baseline. Using attention-based multiple instance learning, we train single-task and multi-task models to predict five molecular alterations in glioblastoma on the CPTAC cohort, validate on an independent TCGA cohort, and evaluate biological coherence of attention maps against 87 transcriptional signatures using co-registered Visium spatial transcriptomics data from 18 samples. Internally, no single encoder dominates across all tasks, and external validation inverts internal performance rankings. Attention maps show a five-fold enrichment gradient from pathways (Cohen's d=0.329) to individual genes (d=0.055), indicating that attention captures emergent multi-gene transcriptional programs rather than individual molecular events. Spatially smooth attention maps do not imply biological coherence, and different encoders attend to distinct biological compartments. Our framework provides objective, quantitative assessment of what foundation models learn from histopathology, moving the field beyond qualitative saliency map review.
• Abstract（参考訳）: 病理基盤モデルからの注意マップが本物の生物学を捉えているかどうかは不明だが、この問題は臨床信頼と規制の承認にとって重要である。 本稿では, 直交的, 無仮説的注意評価のための空間転写学に基づくフレームワークを提案し, 病理基盤モデル(CONCH v1.5, UNI v2, Virchow2, GigaPath, H-Optimus-1)とResNet50ベースラインに適用する。 CPTACコホート上のグリオ芽腫の5つの分子変化を予測し,独立したTCGAコホートで検証し,共同登録したビシウム空間転写学データを用いて87の転写署名に対する注意マップの生物学的コヒーレンスを評価する。 内部的には、すべてのタスクで単一エンコーダが支配的であり、外部バリデーションは内部のパフォーマンスランキングを反転させる。 注意マップは、経路(コーエンd=0.329)から個々の遺伝子(d=0.055)への5倍の富化勾配を示し、注意が個々の分子イベントではなく、創発的な多遺伝子転写プログラムを捉えていることを示している。 空間的に滑らかな注意マップは生物学的コヒーレンスを示さず、異なるエンコーダは異なる生物学的コンパートメントに参加する。 我々のフレームワークは、基礎モデルが病理学から何を学ぶかの客観的かつ定量的な評価を提供し、質的なサリエンシマップのレビューを超えて分野を移動させる。

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)
• Fusing Pixels and Genes: Spatially-Aware Learning in Computational Pathology [46.83014413674925]
  STAMPは空間的トランスクリプトミクスを付加したマルチモーダルな病理表現学習フレームワークである。 本研究は、自己教師型遺伝子誘導訓練が、病理画像表現の学習に堅牢でタスクに依存しない信号を提供することを示す。 6つのデータセットと4つの下流タスクにまたがってSTAMPを検証する。
  論文  参考訳（メタデータ） (2026-02-15T00:59:13Z)
• 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)
• Mind the Gap: Evaluating Patch Embeddings from General-Purpose and Histopathology Foundation Models for Cell Segmentation and Classification [0.20971479389679332]
  一貫性のあるデコーダと各種エンコーダを備えたエンコーダデコーダアーキテクチャを実装した。 インスタンスレベルの検出,セグメンテーションの精度,および細胞型分類を評価した。 本研究は、一般目的と病理組織学の基礎モデルの比較強度と限界に関する知見を提供する。
  論文  参考訳（メタデータ） (2025-02-04T16:47:00Z)
• Revisiting Adaptive Cellular Recognition Under Domain Shifts: A Contextual Correspondence View [49.03501451546763]
  生物学的文脈における暗黙の対応の重要性を明らかにする。 モデル構成成分間のインスタンス認識トレードオフを確保するために, 自己適応型動的蒸留を提案する。
  論文  参考訳（メタデータ） (2024-07-14T04:41:16Z)
• Optimizing contrastive learning for cortical folding pattern detection [0.0]
  我々は,囲い領域の折りたたみパターンを検出するための自己教師型ディープラーニングモデルを構築した。 このような大規模なデータセット上の皮質骨格に対して、自己教師付きディープラーニングモデルが適用されたのは、これが初めてである。
  論文  参考訳（メタデータ） (2024-01-31T17:59:57Z)
• 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。