論文の概要: Atlas H&E-TME: Scalable AI-Based Tissue Profiling at Expert Pathologist-Level Accuracy

• arxiv url: http://arxiv.org/abs/2606.12346v1
• Date: Wed, 10 Jun 2026 17:17:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-11 16:42:38.587071
• Title: Atlas H&E-TME: Scalable AI-Based Tissue Profiling at Expert Pathologist-Level Accuracy
• Title（参考訳）: Atlas H&E-TME: 専門家病理学者によるスケーラブルなAIベースの組織プロファイリング
• Authors: Kai Standvoss, Miriam Hägele, Rosemarie Krupar, Julika Ribbat-Idel, Jennifer Altschüler, Gerrit Erdmann, Hans Pinckaers, Evelyn Ramberger, Madleen Drinkwitz, Ádám Nárai, Alexander Möllers, Katja Lingelbach, Sebastian Kons, Lukas Hönig, Recepcan Adigüzel, Joana Baião, Alberto Megina Gonzalo, Marius Teodorescu, Marie-Lisa Eich, Paolo Chetta, Shakil Merchant, Verena Aumiller, Simon Schallenberg, Andrew Norgan, Klaus-Robert Müller, Lukas Ruff, Maximilian Alber, Frederick Klauschen,
• Abstract要約: ヘマトキシリンとエオシン染色は病理学の基礎である。 我々は、AtlasファウンデーションモデルのAtlasファウンデーションモデルに基づいて構築されたAIベースのシステムであるAtlas H&E-TMEを紹介する。
• 参考スコア（独自算出の注目度）: 31.3435140519617
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Hematoxylin and eosin (H&E) staining is the cornerstone of histopathology, yet scalable, quantitative analysis of H&E whole-slide images (WSIs) remains a central challenge in computational pathology. We present Atlas H&E-TME, an AI-based system built on the Atlas family of pathology foundation models that predicts tissue quality, tissue region, and cell type labels across multiple cancer types, yielding over 4,500 quantitative readouts per slide at cell-level resolution. A key challenge to validating such systems is overcoming morphological ambiguity inherent to H&E-only ground truth and the limited scalability of more informed references drawing on modalities such as immunohistochemistry (IHC). We address this with a dual validation framework combining biologically grounded depth with technical and morphological breadth. For depth, we propose an IHC-informed multi-pathologist consensus protocol that substantially improves inter-rater agreement over conventional H&E-only annotation. This yields a molecularly grounded reference against which we compare Atlas H&E-TME and pathologists working from H&E alone. For breadth, we benchmark Atlas H&E-TME on over 200,000 high-confidence H&E-only pathologist annotations across 1,500+ cases spanning eight cancer types and their most common metastatic sites, with subtypes covering >90% of clinical cases per cancer type, drawn from 25+ sources and 8+ scanner models. Benchmarked against the IHC-informed consensus, Atlas H&E-TME matches or exceeds pathologist H&E-only performance and generalizes consistently and robustly across this broad morphological and technical scope. In doing so, Atlas H&E-TME turns the H&E slide -- the most ubiquitous data in pathology -- into a scalable, quantitative window into the tumor and its microenvironment, laying a foundation for the next generation of tissue-based biomarkers in translational and clinical research.
• Abstract（参考訳）: ヘマトキシリンとエオシン(H&E)染色は病理学の基盤であるが、H&E全体スライディング画像(WSI)のスケーラブルで定量的な分析は計算病理学における中心的な課題である。 我々はAtlas H&E-TMEを提案する。Atlasファウンデーションモデルに基づいて構築されたAIベースのシステムで、複数のがんタイプにわたる組織品質、組織領域、細胞タイプのラベルを予測する。 このようなシステムを検証する上で重要な課題は、H&Eのみに固有の形態的曖昧さと、免疫組織化学(IHC)のようなモダリティに基づくより情報的な参照のスケーラビリティを克服することである。 生物学的基盤の深さと技術的および形態学的幅を組み合わせた二重検証フレームワークを用いてこの問題に対処する。 そこで本研究では,従来のH&Eのみのアノテーションに対して,レータ間合意を大幅に改善するIHCインフォームドマルチパスロジーコンセンサスプロトコルを提案する。 これは、Atlas H&E-TMEと、H&Eから単独で働く病理学者とを比較した、分子基盤の基準となる。 今回我々は,Atlas H&E-TMEを,8種類の癌と最も一般的な転移部位にまたがる1500以上の症例を対象に,20,000以上の高信頼H&E-TMEアノテーションをベンチマークした。 IHCにインフォームドされたコンセンサスに対してベンチマークされたAtlas H&E-TMEは、病理学者のH&Eのみのパフォーマンスと一致し、この広範な形態的および技術的スコープを一貫して、かつ、しっかりと一般化する。 その過程でAtlas H&E-TMEは、H&Eスライド(病理学でもっともユビキタスなデータ)を、スケーラブルで定量的な窓と微小環境に変え、翻訳と臨床研究における次世代の組織ベースのバイオマーカーの基礎を築いた。

関連論文リスト

• Dictionary-based Pathology Mining with Hard-instance-assisted Classifier Debiasing for Genetic Biomarker Prediction from WSIs [20.737672401155603]
  大腸癌における遺伝子バイオマーカーの予測は臨床診断に不可欠である。 しかし、2つの主要な課題は正確な予測を妨げている: 1) 病理成分間の複雑な相互接続を含む病理認識表現を構築することは困難である。 本稿では,D2Bio と呼ばれるこれらの課題に対処するために,D2Bio を用いた階層型階層型分類器デバイアスティングフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-26T14:23:28Z)
• A Multicentric Dataset for Training and Benchmarking Breast Cancer Segmentation in H&E Slides [1.2783652545738993]
  本稿では,H&E陽性乳癌のマルチクラスセマンティックセグメンテーションのためのデータセットであるBrEast cancEr hisTopathoLogy sEgmentation (BEETLE)を紹介する。 3つの共同臨床センターと2つの公開データセットから587の生検と切除を行い、7つのスキャナーを用いてデジタル化し、全ての分子サブタイプと組織学的グレードをカバーする。 このデータセットの多様性と乳がんにおける自動バイオマーカー定量化分野への関連性は、その再利用の可能性を高める。
  論文  参考訳（メタデータ） (2025-10-02T14:09:21Z)
• A Knowledge-enhanced Pathology Vision-language Foundation Model for Cancer Diagnosis [58.85247337449624]
  本稿では,疾患知識を階層型セマンティックグループ内のアライメントに組み込む知識強化型視覚言語事前学習手法を提案する。 KEEPはゼロショット癌診断タスクにおいて最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-12-17T17:45:21Z)
• Towards a Comprehensive Benchmark for Pathological Lymph Node Metastasis in Breast Cancer Sections [21.75452517154339]
  我々は1,399枚のスライド画像(WSI)と、Camelyon-16とCamelyon-17データセットのラベルを再処理した。 再発腫瘍領域の大きさから,2重複癌検診を4段階に改善した。
  論文  参考訳（メタデータ） (2024-11-16T09:19:24Z)
• Generalizing AI-driven Assessment of Immunohistochemistry across Immunostains and Cancer Types: A Universal Immunohistochemistry Analyzer [12.164507399614347]
  We developed a Universal IHC analysisr, a AI model for interpremeing IHC images regardless of tumor or IHC types。 このマルチコホート訓練モデルは、目に見えないIHCの解釈において、従来のシングルコホートモデルよりも優れている。
  論文  参考訳（メタデータ） (2024-07-30T08:39:30Z)
• ACROBAT -- a multi-stain breast cancer histological whole-slide-image data set from routine diagnostics for computational pathology [1.6619031082709266]
  ハエマトキシリンおよびエオシン (H&E) を染色したFFPE組織分画の解析は, 外科切除乳癌検体における病理学的評価に欠かせない部分である。 このデータセットは、計算病理学研究の様々な方法を可能にする可能性を秘めている。
  論文  参考訳（メタデータ） (2022-11-24T14:16:36Z)
• WSSS4LUAD: Grand Challenge on Weakly-supervised Tissue Semantic Segmentation for Lung Adenocarcinoma [51.50991881342181]
  この課題には10,091個のパッチレベルのアノテーションと1300万以上のラベル付きピクセルが含まれる。 第一位チームは0.8413mIoUを達成した(腫瘍:0.8389、ストーマ:0.7931、正常:0.8919)。
  論文  参考訳（メタデータ） (2022-04-13T15:27:05Z)
• Co-Heterogeneous and Adaptive Segmentation from Multi-Source and Multi-Phase CT Imaging Data: A Study on Pathological Liver and Lesion Segmentation [48.504790189796836]
  我々は,新しいセグメンテーション戦略,コヘテロジネティック・アダプティブセグメンテーション(CHASe)を提案する。 本稿では,外見に基づく半スーパービジョン,マスクに基づく対向ドメイン適応,擬似ラベルを融合した多目的フレームワークを提案する。 CHASeは4.2% sim 9.4%$の範囲で、病理的な肝臓マスクDice-Sorensen係数をさらに改善することができる。
  論文  参考訳（メタデータ） (2020-05-27T06:58:39Z)
• A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced Cardiac Magnetic Resonance Imaging [90.29017019187282]
  現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。 技術および生物学的指標を用いた提案アルゴリズムの解析を行った。 その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
  論文  参考訳（メタデータ） (2020-04-26T08:49:17Z)

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。