論文の概要: JASPR: Joint Spatial Representation learning of histology and spatial genomics for improved virtual genomic screening and clinical prognostication
- arxiv url: http://arxiv.org/abs/2606.28395v1
- Date: Wed, 24 Jun 2026 00:35:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-30 18:07:15.544836
- Title: JASPR: Joint Spatial Representation learning of histology and spatial genomics for improved virtual genomic screening and clinical prognostication
- Title（参考訳）: JASPR: 仮想ゲノムスクリーニングと臨床予後向上のための組織学と空間ゲノム学の合同空間表現学習
- Abstract要約: 本稿では,HE画像とSTデータを統合する自己教師型ディープラーニングフレームワークであるJASPR(Joint Spatial Representation Learning)を提案する。
共有モジュールを用いてモジュラリティの普遍的な空間特性を捉え、モダリティ固有の専門家は形態学的およびゲノムデータに特有の特徴を符号化する。
我々は,JASPRを乳がんデータセット上で訓練し,その学習された関節表現が9,248遺伝子のHEベースの予測を大幅に改善し,乳癌の予後に有意な価値をもたらすことを実証した。
- 参考スコア（独自算出の注目度）: 1.8440626395175606
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Recent studies have shown that spatial properties of tumors are critical for understanding disease biology and predicting patient outcomes. These spatial properties are increasingly uncovered through complementary modalities: spatial transcriptomics (ST) captures spatially-resolved molecular states, while hematoxylin and eosin-stained whole slide images (HE) reveal tissue morphology. While approaches are emerging to fuse these modalities, effective methods that learn not only joint representations but also incorporate spatial context across modalities are lacking. Here, we present JASPR (Joint Spatial Representation learning), a self-supervised deep learning framework that integrates HE images and ST data through a cross-modal reconstruction objective that incorporates spatial context within HE images and ST profiles. It employs shared modules to capture universal spatial properties across modalities, while modality-specific experts encode features unique to morphological and genomic data. We train and validate JASPR on breast cancer datasets, demonstrating that its learned joint representation substantially improves HE-based prediction of 9,248 genes and provides prognostic value for breast cancer outcomes.
- Abstract（参考訳）: 近年の研究では、腫瘍の空間的特性は、疾患の生物学を理解し、患者の結果を予測するのに重要であることが示されている。
空間転写学(ST)は空間分解された分子状態を捉え、ヘマトキシリンとエオシン染色された全スライド画像(HE)は組織形態を明らかにする。
これらのモダリティを融合させるアプローチが登場しつつある一方で、共同表現だけでなく、モダリティをまたいだ空間的コンテキストも組み込む効果的な方法が欠如している。
本稿では、HE画像とSTデータを統合する自己教師型ディープラーニングフレームワークであるJASPR(Joint Spatial Representation Learning)について、HE画像とSTプロファイルに空間コンテキストを組み込んだ相互再構成目的を通して紹介する。
共有モジュールを用いてモジュラリティの普遍的な空間特性を捉え、モダリティ固有の専門家は形態学的およびゲノムデータに特有の特徴を符号化する。
我々は,JASPRを乳がんデータセット上で訓練し,その学習された関節表現が9,248遺伝子のHEベースの予測を大幅に改善し,乳癌の予後に有意な価値をもたらすことを実証した。
関連論文リスト
- A Multimodal Foundation Model of Spatial Transcriptomics and Histology for Biological Discovery and Clinical Prediction [13.466764029232898]
textbfours (textbfSpatial textbfTranscriptomics and histtextbfOlogy textbfRepresentation textbfModel) は18臓器の組織と一致した組織で120万個の空間的に解決された転写学的プロファイルに基づいて訓練された基礎モデルである。
論文 参考訳（メタデータ） (2026-04-04T08:00:26Z) - Cross-Slice Knowledge Transfer via Masked Multi-Modal Heterogeneous Graph Contrastive Learning for Spatial Gene Expression Inference [7.79162872496708]
SpaHGCは、組織像からスライス内とスライス間スポットの関係をキャプチャするグラフベースのモデルである。
対象スライド内の局所的空間コンテキストと,病理基盤モデルから抽出した画像埋め込みから計算したクロススライド類似性を統合する。
SpaHGCは、すべての評価指標で既存の9つの最先端メソッドを大幅に上回っている。
論文 参考訳（メタデータ） (2026-03-24T05:49:00Z) - 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) - 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) - Self-Supervised Anatomical Consistency Learning for Vision-Grounded Medical Report Generation [61.350584471060756]
医用画像の臨床的に正確な記述を作成することを目的とした医用レポート生成。
本稿では, 自己監督型解剖学的一貫性学習(SS-ACL)を提案し, 生成された報告を対応する解剖学的領域と整合させる。
SS-ACLは、ヒト解剖学の不変のトップダウン包摂構造にインスパイアされた階層的な解剖学的グラフを構築する。
論文 参考訳（メタデータ） (2025-09-30T08:59:06Z) - SPADE: Spatial Transcriptomics and Pathology Alignment Using a Mixture of Data Experts for an Expressive Latent Space [19.44068776198238]
本研究では,空間転写学データと病理組織学を統合し,画像表現学習を指導する基礎モデルSPADEを紹介する。
SPADEは20のダウンストリームタスクで評価され、ベースラインモデルと比較して非常に優れた数ショット性能を示している。
論文 参考訳（メタデータ） (2025-06-27T02:20:51Z) - 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) - Enhanced MRI Representation via Cross-series Masking [48.09478307927716]
自己教師型でMRI表現を効果的に学習するためのクロスシリーズ・マスキング(CSM)戦略
メソッドは、パブリックデータセットと社内データセットの両方で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） (2024-12-10T10:32:09Z) - Multi-modal Spatial Clustering for Spatial Transcriptomics Utilizing High-resolution Histology Images [1.3124513975412255]
空間転写学(spatial transcriptomics, ST)は、空間的文脈を保ちながら、転写産物全体の遺伝子発現プロファイリングを可能にする。
現在の空間クラスタリング法では、高解像度の組織像と遺伝子発現データを完全に統合することができない。
本稿では、遺伝子発現データと組織像の特徴を融合した、新しいコントラスト学習に基づく深層学習手法を提案する。
論文 参考訳（メタデータ） (2024-10-31T00:32:24Z) - Multimodal contrastive learning for spatial gene expression prediction using histology images [13.47034080678041]
空間的トランスクリプトミクス表現予測のための Transformer と Densenet-121 エンコーダを用いたマルチモーダルコントラスト学習である textbfmclSTExp を提案する。
textbfmclSTExpは空間的遺伝子発現を予測するのに優れた性能を持つ。
がん特異的な過剰発現遺伝子を解釈し、免疫関連遺伝子を解明し、病理学者によって注釈された特別な空間領域を特定することには、有望であることが示されている。
論文 参考訳（メタデータ） (2024-07-11T06:33:38Z) - Pathological Retinal Region Segmentation From OCT Images Using Geometric
Relation Based Augmentation [84.7571086566595]
本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。
提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
論文 参考訳（メタデータ） (2020-03-31T11:50:43Z)
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。