論文の概要: Data-Efficient Multimodal Alignment for Histopathology-based Molecular Prediction

• arxiv url: http://arxiv.org/abs/2606.29949v1
• Date: Mon, 29 Jun 2026 08:24:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:16.127897
• Title: Data-Efficient Multimodal Alignment for Histopathology-based Molecular Prediction
• Title（参考訳）: 病理組織学的分子予測のためのデータ効率の良いマルチモーダルアライメント
• Abstract要約: 凍結した病理組織とRNA-Seqファンデーションモデル上に軽量アライメントモジュールをトレーニングすることで、オープンボキャブラリ分子プロンプトが実現できることを示す。 ベースライン法よりも25倍の検索改善を実現した。 我々はPOSEIDON臨床試験における臨床的有用性を検証する。
• 参考スコア（独自算出の注目度）: 3.229566379058554
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: H&E-stained whole-slide images offer cohort-scale availability and rich spatial context but lack molecular specificity, whereas bulk RNA-seq provides transcriptome-wide resolution at high cost with limited archival availability. We show that training a lightweight alignment module atop frozen histopathology and RNA-Seq foundation models enables open-vocabulary molecular prompting -- querying H&E slides with gene-set signatures to predict pathway activity without sequencing or end-to-end retraining. Using contrastive learning on a multi-cancer cohort (N=1,720), we achieve a 25-fold improvement in retrieval over baseline methods. Systematic analysis reveals a graduated predictability spectrum: morphologically grounded programs (cell-cycle programs, immune-related) are most reliably predicted (R^2>0.5), while predicting pathways with no morphological footprint remains challenging as expected. We validate clinical utility on the POSEIDON clinical trial: H&E-predicted squamous cell carcinoma scores recapitulate NSCLC subtype identity and predicted IFN-gamma mirror PD-L1 tumor-cell expression groups. Furthermore, genesets describing immune activation and fibrosis predict known tumor microenvironment archetypes from histology alone. We further validate generalization of our approach across unseen cohorts and demonstrate data-efficient domain adaptation, establishing a slide-native framework for molecular analysis on H&E images.
• Abstract（参考訳）: H&E-stained whole-slide imageはコホートスケールの可用性と豊富な空間コンテキストを提供するが、分子特異性はない。 凍結した病理組織とRNA-Seqファンデーションモデルの上に軽量アライメントモジュールをトレーニングすることで、オープンボキャブラリ分子プロンプト -- 遺伝子セットシグネチャでH&Eスライドをクエリすることで、シーケンシングやエンドツーエンドリトレーニングなしで経路活性を予測することができる。 マルチカンサーコホート (N=1,720) におけるコントラスト学習を用いて, ベースライン法よりも25倍に改善した。 形態的基盤プログラム(細胞周期プログラム、免疫関連プログラム)は、最も確実に予測され(R^2>0.5)、形態的フットプリントを持たない経路を予測することは、期待通り難しいままである。 H&E予測扁平上皮癌スコアはNSCLCサブタイプ同定を再カプセル化し,IFN-ガンマミラーPD-L1腫瘍細胞の発現を予測した。 さらに、免疫活性化と線維化を記述したジェネセットは、組織学のみから既知の腫瘍微小環境の古型を予測する。 さらに,H&E画像上での分子解析のためのスライディング・ネイティブ・フレームワークを構築し,コホートにまたがるアプローチの一般化を検証し,データ効率のよいドメイン適応を実証する。

関連論文リスト

• Benchmarking Machine Learning Models for Multi-Omics-Based Breast Cancer Prediction [0.0]
  エストロゲン受容体(ER)は乳癌の診断、予後、治療選択において重要なバイオマーカーである。 本研究では,ER状態予測のための古典的機械学習モデルの系統的ベンチマーク分析を提案する。
  論文  参考訳（メタデータ） (2026-06-27T02:46:40Z)
• Predicting Immune Biomarkers with MultiModal Mixture-of-Expert Pathology Foundation Models Empowers Precision Oncology [47.79180201495836]
  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。
  論文  参考訳（メタデータ） (2026-06-16T16:22:42Z)
• 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)
• Transcriptomic Models for Immunotherapy Response Prediction Show Limited Cross-cohort Generalisability [15.181294821978902]
  我々は、最先端のICI応答予測器9つ、バルクRNA-seqベースモデル5つ、cRNA-seqベースモデル4つをベンチマークした。 概して予測性能は軽度であり、ほとんどのコホートでRNA-seqのバルクモデルが実行された。 パスウェイレベルの解析により, モデル間の疎結合および非一貫性のバイオマーカー信号が明らかになった。
  論文  参考訳（メタデータ） (2026-04-07T06:18:59Z)
• Investigating the Impact of Histopathological Foundation Models on Regressive Prediction of Homologous Recombination Deficiency [52.50039435394964]
  回帰に基づくタスクの基礎モデルを体系的に評価する。 我々は5つの最先端基礎モデルを用いて、スライド画像全体(WSI)からパッチレベルの特徴を抽出する。 乳房、子宮内膜、肺がんコホートにまたがるこれらの抽出された特徴に基づいて、連続したRDDスコアを予測するモデルが訓練されている。
  論文  参考訳（メタデータ） (2026-01-29T14:06:50Z)
• Genome-Anchored Foundation Model Embeddings Improve Molecular Prediction from Histology Images [22.274588547000352]
  PathLUPIは、トレーニング中に転写学的特権情報を使用して、ゲノムアンコールされた組織埋め込みを抽出する。 AUC $geq$ 0.80 in 14 of the biomarker prediction and molecular subtyping task and C-index $geq$ 0.70 in survive cohorts of 5 major cancer types。
  論文  参考訳（メタデータ） (2025-06-24T14:48:12Z)
• ImmunoDiff: A Diffusion Model for Immunotherapy Response Prediction in Lung Cancer [10.797150801746957]
  非Small cell Lung Cancer (NSCLC) における免疫療法反応の正確な予測は, いまだに重要ではない。 既存の放射能と深層学習に基づく予測モデルは、主にカテゴリー的反応の結果を予測するための前処理画像に依存している。 本研究では,治療後CTスキャンをベースライン画像から合成し,臨床的に関係のある制約を取り入れた解剖学的拡散モデルであるImmuDiffを紹介する。
  論文  参考訳（メタデータ） (2025-05-29T17:19:40Z)
• 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)
• TopoTxR: A topology-guided deep convolutional network for breast parenchyma learning on DCE-MRIs [49.69047720285225]
  そこで本研究では,乳房側葉構造をよりよく近似するために,マルチスケールのトポロジ構造を明示的に抽出する新しいトポロジカルアプローチを提案する。 VICTREファントム乳房データセットを用いてemphTopoTxRを実験的に検証した。 本研究の質的および定量的分析は,乳房組織における画像診断におけるトポロジカルな挙動を示唆するものである。
  論文  参考訳（メタデータ） (2024-11-05T19:35:10Z)
• Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based Sparse PCA Network [93.22587316229954]
  ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。 我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
  論文  参考訳（メタデータ） (2021-10-27T19:28:36Z)
• Transcriptome-wide prediction of prostate cancer gene expression from histopathology images using co-expression based convolutional neural networks [0.8874479658912061]
  形態と遺伝子発現の関係を特異的にモデル化する新しい計算効率の高い手法を提案する。 前立腺癌におけるRNA塩基配列推定のためのCNNを用いた第1回トランスクリプトーム解析を行った。
  論文  参考訳（メタデータ） (2021-04-19T13:50:25Z)
• A Systematic Approach to Featurization for Cancer Drug Sensitivity Predictions with Deep Learning [49.86828302591469]
  35,000以上のニューラルネットワークモデルをトレーニングし、一般的な成果化技術を駆使しています。 RNA-seqは128以上のサブセットであっても非常に冗長で情報的であることがわかった。
  論文  参考訳（メタデータ） (2020-04-30T20:42:17Z)

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。