論文の概要: Predicting Immune Biomarkers with MultiModal Mixture-of-Expert Pathology Foundation Models Empowers Precision Oncology

• arxiv url: http://arxiv.org/abs/2606.18123v2
• Date: Sat, 20 Jun 2026 16:00:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-24 16:10:14.641102
• Title: Predicting Immune Biomarkers with MultiModal Mixture-of-Expert Pathology Foundation Models Empowers Precision Oncology
• Title（参考訳）: マルチモーダル・ミックス・オブ・サーキット・ファンデーションモデルによる免疫バイオマーカーの予測と精度オンコロジー
• Authors: Tianyu Liu, Ziqing Wang, Zhaokang Liang, Tong Ding, Peter Humphrey, Lorraine Colón-Cartagena, Emily Ling-Lin Pai, Kenneth Tou En Chang, Mohamed Kahila, Jonathan Chong Kai Liew, Tinglin Huang, Rex Ying, Kaize Ding, Faisal Mahmood, Wengong Jin,
• Abstract要約: MixTIMEは、異なるモダリティで訓練された病理基盤モデルを統合したマルチモーダル基礎モデルである。 ヘマトキシリンおよびエオシン全スライディング画像から多重免疫蛍光(mIF)タンパク質の発現を予測する。 MixTIMEは17個のタンパク質マーカーにまたがる最先端のパフォーマンスを相関指標で測定する。
• 参考スコア（独自算出の注目度）: 47.79180201495836
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Predicting immune biomarkers associated with the tumor immune microenvironment (TIME) is critical for advancing precision oncology, yet existing approaches are largely limited to single image modalities and suffer from insufficient resolution and incomplete utilization of complementary clinical and biological information. Here we introduce MixTIME, a multimodal foundation model that leverages a mixture-of-experts (MoE) architecture to integrate pathology foundation models trained across distinct modalities: image only (UNIv2), image text (CONCHv1.5), and image transcriptomic (STPath) representations for pixel-level and slide-level prediction of multiplex immunofluorescence (mIF) protein expression from hematoxylin and eosin (HE) whole-slide images. MixTIME employs a learnable router to dynamically weight expert contributions and is trained with a distribution- and tendency-aware loss function. Benchmarked on two datasets of different scales, MixTIME achieves state-of-the-art performance across 17 protein markers as measured by correlation metrics. The predicted mIF profiles substantially enhance downstream tasks, including spatial domain identification, survival prediction, and AI-assisted pathology report generation validated by expert pathologists from multiple institutes across the world. Furthermore, MixTIME enables longitudinal tracking of protein expression dynamics across clinical time points and reveals protein gene interaction patterns linked to drug resistance and immune suppression in tumor microenvironments. Collectively, MixTIME provides a scalable framework for multimodal biomarker discovery and clinical translation in computational pathology.
• Abstract（参考訳）: 腫瘍免疫マイクロ環境(TIME)に関連する免疫バイオマーカーの予測は、精度のオンコロジーを進める上で重要であるが、既存のアプローチは、主に単一画像のモダリティに限られており、解像度が不十分で、補完的な臨床および生物学的情報の不完全な利用に悩まされている。 画像のみ(UNIv2)、画像テキスト(CONCHv1.5)、画像トランスクリプトミクス(STPath)による、ヘマトキシリンおよびエオシン(HE)全スライディング画像からの多重化免疫蛍光(mIF)タンパク質発現の画素レベルおよびスライドレベルの予測を行う。 MixTIMEは、専門家の貢献を動的に重み付けするために学習可能なルータを使用し、分散および傾向認識損失関数で訓練される。 異なるスケールの2つのデータセットでベンチマークされたMixTIMEは、相関指標によって測定された17のタンパク質マーカーにわたる最先端のパフォーマンスを達成する。 予測されたmIFプロファイルは、空間領域の同定、生存予測、そして世界中の複数の研究所の専門家病理学者によって検証されたAI支援の病理レポート生成を含む下流タスクを大幅に強化する。 さらに、MixTIMEは、臨床時間点におけるタンパク質発現動態の経時的追跡を可能にし、腫瘍微小環境における薬剤耐性と免疫抑制に関連するタンパク質遺伝子相互作用パターンを明らかにする。 総合的に、MixTIMEは、計算病理学におけるマルチモーダルバイオマーカー発見と臨床翻訳のためのスケーラブルなフレームワークを提供する。

関連論文リスト

• A Generative Foundation Model for Multimodal Histopathology [25.341102846996453]
  ヘマトキシリンおよびエオシン(H&E)含有組織学、分子RNAプロファイル、臨床テキストを共有潜在空間に埋め込む遺伝子基盤モデルである MuPD を導入する。 MuPD はタスク固有の微調整を最小あるいは全く行わない多様なクロスモーダルタスクをサポートする。 テキスト・コンディショニングおよび画像・画像生成のために、MUDは組織学的に忠実な組織構造を合成する。
  論文  参考訳（メタデータ） (2026-04-04T08:09:11Z)
• PathMoE: Interpretable Multimodal Interaction Experts for Pediatric Brain Tumor Classification [30.58342408480846]
  PathMoEは、H&Eスライド、病理報告、核レベルセルグラフを統合する、解釈可能なマルチモーダルフレームワークである。 内科的脳腫瘍データセットと外部TGAデータセットの2つのデータセット固有の分類タスクについて,本フレームワークの評価を行った。
  論文  参考訳（メタデータ） (2026-03-02T07:17:44Z)
• R-GenIMA: Integrating Neuroimaging and Genetics with Interpretable Multimodal AI for Alzheimer's Disease Progression [63.97617759805451]
  アルツハイマー病の早期発見には、マクロスケールの神経解剖学的変化とマイクロスケールの遺伝的感受性を統合できるモデルが必要である。 本稿では,新しいROIワイド・ビジョン・トランスフォーマと遺伝的プロンプトを結合した多モード多言語モデルR-GenIMAを紹介する。 R-GenIMAは、通常の認知、主観記憶、軽度認知障害、ADの4方向分類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） (2025-12-22T02:54:10Z)
• A Semantically Enhanced Generative Foundation Model Improves Pathological Image Synthesis [82.01597026329158]
  本稿では,組織合成のための相関調整フレームワーク(CRAFTS)について紹介する。 CRAFTSは、生物学的精度を確保するためにセマンティックドリフトを抑制する新しいアライメント機構を組み込んでいる。 本モデルは,30種類の癌にまたがる多彩な病理像を生成する。
  論文  参考訳（メタデータ） (2025-12-15T10:22:43Z)
• An Interpretable Ensemble Framework for Multi-Omics Dementia Biomarker Discovery Under HDLSS Conditions [0.0]
  本稿では、グラフ注意ネットワーク(GAT)、マルチOmics Variational AutoEncoder(MOVE)、Elastic-net sparse regression、Storey's False Discovery Rate(FDR)を組み合わせた新しいアンサンブル手法を提案する。 シミュレーションされたマルチオミクスデータとアルツハイマー病神経画像イニシアチブ(ADNI)データセットを用いて評価を行った。 本手法は, 優れた予測精度, 特徴選択精度, 生物学的妥当性を示す。
  論文  参考訳（メタデータ） (2025-09-04T15:20:13Z)
• impuTMAE: Multi-modal Transformer with Masked Pre-training for Missing Modalities Imputation in Cancer Survival Prediction [75.43342771863837]
  我々は,効率的なマルチモーダル事前学習戦略を備えた新しいトランスフォーマーに基づくエンドツーエンドアプローチである impuTMAE を紹介する。 マスクされたパッチを再構築することで、モダリティの欠如を同時に示唆しながら、モダリティ間の相互作用とモダリティ内相互作用を学習する。 本モデルは,TGA-GBM/LGGとBraTSデータセットを用いたグリオーマ生存予測のために,異種不完全データに基づいて事前訓練を行った。
  論文  参考訳（メタデータ） (2025-08-08T10:01:16Z)
• Interpretable Graph Kolmogorov-Arnold Networks for Multi-Cancer Classification and Biomarker Identification using Multi-Omics Data [36.92842246372894]
  Multi-Omics Graph Kolmogorov-Arnold Network (MOGKAN)は、メッセンジャーRNA、マイクロRNA配列、DNAメチル化サンプルを利用するディープラーニングフレームワークである。 グラフに基づく深層学習とマルチオミクスデータを統合することにより,提案手法は頑健な予測性能と解釈可能性を示す。
  論文  参考訳（メタデータ） (2025-03-29T02:14:05Z)
• 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。