論文の概要: Predicting Metastatic Risk from Primary Tissue Architecture via Distance-Aware Spatial Modeling

• arxiv url: http://arxiv.org/abs/2606.28676v1
• Date: Sat, 27 Jun 2026 01:31:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:15.639294
• Title: Predicting Metastatic Risk from Primary Tissue Architecture via Distance-Aware Spatial Modeling
• Title（参考訳）: 遠隔空間モデリングによる一次組織構造からの転移リスク予測
• Abstract要約: 原発性腫瘍組織からの遠位転移のリスクを予測することは, 計算病理学における重要な課題である。 視覚的特徴を明瞭な空間的先行性で強化する新しい手法であるDTMf-MIL(Distance aware tissue Modeling for Multiple Instance Learning)を提案する。 DTMf-MILは原発腫瘍組織からの転移予測の空間的レイアウトを無視する最先端の手法よりも有意に優れている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Predicting the risk of distant metastasis from primary tumor tissue histology is a critical yet challenging task in computational pathology. Multiple Instance Learning (MIL) approaches can attend to subdomains in tumor regions that harbor features of metastatic cancer progression. However MIL models treat tissue patches as unordered bags, discarding the spatial layout that defines the metastatic potential. We propose that metastatic risk is inherently dictated by the geometric arrangement of the tumor microenvironment at the interface with tumor cells. Our model is designed to explicitly capture the spatial relationships between tumor cells, tumor associated fibroblasts and infiltrating lymphocytes. For this purpose, we propose Distance aware Tissue Modeling for Multiple Instance Learning(DTMf-MIL), a novel method that reinforces visual features with explicit spatial priors. By computing signed distance functions (SDF) relative to tissue phenotypes, our model learns to recognize structural signatures of metastatic risk. This geometric awareness translates directly to superior clinical performance as DTMf-MIL significantly outperforms state-of-the-art methods that ignore spatial layout on metastasis prediction from tissue in the primary tumor. We further validate our approach on public benchmarks, demonstrating that spatial awareness consistently improves diagnostic accuracy across diverse clinical tasks.
• Abstract（参考訳）: 原発性腫瘍組織からの遠位転移のリスクを予測することは, 計算病理学における重要な課題である。 MIL(Multiple Instance Learning)アプローチは、転移性癌進行の特徴を持つ腫瘍領域のサブドメインに参加することができる。 しかし、MILモデルは組織パッチを無秩序な袋として扱い、転移電位を定義する空間配置を破棄する。 転移リスクは腫瘍細胞との界面における腫瘍微小環境の幾何学的配置によって決定される。 本モデルは,腫瘍細胞,腫瘍関連線維芽細胞,浸潤リンパ球の空間的関係を明示的に把握するように設計されている。 そこで本稿では,視覚的特徴を明示的な空間的先行性で強化する新しい手法であるDTMf-MILを提案する。 組織表現型に対して署名された距離関数(SDF)を計算することにより,転移リスクの構造的シグネチャを認識することができる。 この幾何学的認識は、DTMf-MILが原発腫瘍の組織からの転移予測の空間的レイアウトを無視する最先端の手法を著しく上回るので、臨床成績に直結する。 さらに,我々のアプローチを公衆ベンチマークで検証し,空間的認識が多様な臨床課題における診断精度を継続的に向上することを示した。

関連論文リスト

• A physics-informed foundation model for quantitative diffusion MRI [46.74037857287099]
  物理インフォームド・ジェネレーティブ・マイクロ構造ネットワーク(PIGMENT)は、人間の脳の微細構造に先立って普遍的な生成を学習し、被験者の計測データにゼロショットで適応し、被験者固有のマップを復元する。 PIGMENT は,10倍加速スキャンによる小脳皮質微細構造パターンと幼少期の白質発達軌跡を保存し,強い生物学的妥当性を示した。 これらの結果は、PIGMENTを物理インフォームド基礎モデルとして確立し、定量的拡散MRIを、伝統的に不安定で不均一、あるいは信頼性のある分析に制約された状態に拡張する。
  論文  参考訳（メタデータ） (2026-05-29T07:26:35Z)
• Brain-WM: Brain Glioblastoma World Model [56.45393372490125]
  我々は、次世代治療予測と将来のMRI生成を統一する先駆的なGBMワールドモデルであるBrain-WMを提案する。 Brain-WMは、潜在ダイナミクスを共有潜在空間に符号化し、関節自己回帰治療予測とフローベース将来のMRI生成を行う。 最終的にBrain-WMは、患者医療を最適化するための堅牢な臨床サンドボックスを提供する。
  論文  参考訳（メタデータ） (2026-03-08T09:54:08Z)
• Learning Glioblastoma Tumor Heterogeneity Using Brain Inspired Topological Neural Networks [3.120728330365825]
  TopoGBMは3D MRIからスキャナ・ロバスト表現をキャプチャする学習フレームワークである。 機械的解釈可能性分析により、再構成残基が病理学的に不均一な領域に高度に局在していることが判明した。
  論文  参考訳（メタデータ） (2026-02-11T16:28:13Z)
• Robust Computational Extraction of Non-Enhancing Hypercellular Tumor Regions from Clinical Imaging Data [0.0]
  日常的なMRIデータからNEH領域の確率マップを生成する頑健な計算フレームワークを提案する。 本手法は独立した臨床マーカーに対して有効であった。
  論文  参考訳（メタデータ） (2026-01-25T11:39:41Z)
• An Anatomy Aware Hybrid Deep Learning Framework for Lung Cancer Tumor Stage Classification [9.447852227817533]
  腫瘍の大きさと距離特性を明示的に測定し,ステージングを行う医用接地型ハイブリッドパイプラインを提案する。 本手法では, 特殊なエンコーダ・デコーダネットワークを用いて肺と隣接する解剖を正確に分類する。 この新しいフレームワークはLung-PET-CT-Dxデータセットで評価されており、従来のディープラーニングモデルと比較して優れた性能を示している。
  論文  参考訳（メタデータ） (2025-11-24T18:01:47Z)
• DRBD-Mamba for Robust and Efficient Brain Tumor Segmentation with Analytical Insights [54.87947751720332]
  脳腫瘍の正確なセグメンテーションは、臨床診断と治療に重要である。 マンバを拠点とするState Space Modelsは、有望なパフォーマンスを示している。 本稿では,計算オーバーヘッドを最小限に抑えながら,マルチスケールの長距離依存関係をキャプチャするマルチ解像度双方向マンバを提案する。
  論文  参考訳（メタデータ） (2025-10-16T07:31:21Z)
• 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)
• Physics-Regularized Multi-Modal Image Assimilation for Brain Tumor Localization [3.666412718346211]
  本稿では,データ駆動と物理に基づくコスト関数を統合する新しい手法を提案する。 腫瘍組織と脳組織の学習分布が,それぞれの成長と弾性の方程式にどの程度順応するかを定量化する,ユニークな離散化手法を提案する。
  論文  参考訳（メタデータ） (2024-09-30T15:36:14Z)
• Cross-modality Guidance-aided Multi-modal Learning with Dual Attention for MRI Brain Tumor Grading [47.50733518140625]
  脳腫瘍は世界で最も致命的ながんの1つであり、子供や高齢者に非常に多い。 本稿では,MRI脳腫瘍グレーディングの課題に対処するために,新たな多モード学習法を提案する。
  論文  参考訳（メタデータ） (2024-01-17T07:54:49Z)
• Treatment-aware Diffusion Probabilistic Model for Longitudinal MRI Generation and Diffuse Glioma Growth Prediction [0.5667953366862138]
  本稿では,腫瘍マスクの将来の予測と,腫瘍が今後の治療計画にどう対応するかのマルチパラメトリック磁気共鳴画像(MRI)を提案する。 我々のアプローチは、最先端拡散確率モデルとディープセグメンテーションニューラルネットワークに基づいている。
  論文  参考訳（メタデータ） (2023-09-11T12:12:52Z)
• Learn-Morph-Infer: a new way of solving the inverse problem for brain tumor modeling [1.1214822628210914]
  本稿では,T1GdとFLAIR MRIから患者特異的な脳腫瘍の空間分布を推定する手法を提案する。 itLearn-Morph-Inferと組み合わせたこの手法は、広く利用可能なハードウェア上で、数分のオーダーでリアルタイムのパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2021-11-07T13:45:35Z)
• Learned super resolution ultrasound for improved breast lesion characterization [52.77024349608834]
  超高分解能超音波局在顕微鏡は毛細血管レベルでの微小血管のイメージングを可能にする。 この作業では、これらの課題に対処するために、信号構造を効果的に活用するディープニューラルネットワークアーキテクチャを使用します。 トレーニングしたネットワークを利用することで,従来のPSF知識を必要とせず,UCAの分離性も必要とせず,短時間で微小血管構造を復元する。
  論文  参考訳（メタデータ） (2021-07-12T09:04:20Z)
• Spatio-spectral deep learning methods for in-vivo hyperspectral laryngeal cancer detection [49.32653090178743]
  頭頸部腫瘍の早期発見は患者の生存に不可欠である。 ハイパースペクトルイメージング(HSI)は頭頸部腫瘍の非侵襲的検出に用いられる。 HSIに基づく喉頭癌診断のための複数の深層学習手法を提案する。
  論文  参考訳（メタデータ） (2020-04-21T17:07:18Z)
• Stan: Small tumor-aware network for breast ultrasound image segmentation [68.8204255655161]
  本研究では,小腫瘍認識ネットワーク(Small tumor-Aware Network,STAN)と呼ばれる新しいディープラーニングアーキテクチャを提案する。 提案手法は, 乳腺腫瘍の分節化における最先端のアプローチよりも優れていた。
  論文  参考訳（メタデータ） (2020-02-03T22:25:01Z)

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。