論文の概要: MUL-T: Decoding Spatial Cellular Architecture in Multiplexed Tissue Images

• arxiv url: http://arxiv.org/abs/2607.28030v1
• Date: Thu, 30 Jul 2026 11:15:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-31 21:37:00.522064
• Title: MUL-T: Decoding Spatial Cellular Architecture in Multiplexed Tissue Images
• Title（参考訳）: MUL-T:多重組織画像における空間セルアーキテクチャのデコード
• Abstract要約: MUL-Tは、組織アーキテクチャをマスク付きコンテキスト予測タスクとして再構成する軽量トランスフォーマーフレームワークである。 タスク固有の監督なしにコンテキスト化された埋め込みを学習することにより、モデルは高階の細胞間相互作用をキャプチャする。 MUL-Tは, コアレベル腫瘍パターン分類, 患者レベルグレーディング, PD-L1陽性率予測, クロスデータセット治療応答予測など, 臨床的に関係のあるいくつかの下流課題に対して評価した。
• 参考スコア（独自算出の注目度）: 2.2726869886741388
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Understanding tissue organisation in multiplexed imaging requires modelling both cellular phenotypes and their spatial context. Existing approaches typically rely on handcrafted features, such as marker intensity statistics or cell-type proportions, which often fail to scale or generalise across cohorts with heterogeneous marker panels. We introduce MUL-T, a lightweight transformer framework that reframes tissue architecture as a masked contextual prediction task over discrete cell tokens. By learning contextualised [CLS] embeddings without task-specific supervision, the model captures higher-order cellular interactions while remaining computationally efficient. We evaluate MUL-T on several clinically relevant downstream tasks, including core-level tumour pattern classification, patient-level grading, PD-L1 positivity prediction, and cross-dataset treatment response prediction. Across tasks, MUL-T consistently outperforms classical feature-based baselines and achieves performance comparable to a foundation ViT model, despite substantially fewer parameters and lower training cost.
• Abstract（参考訳）: 多重イメージングにおける組織組織を理解するには、細胞性表現型とその空間的文脈の両方をモデル化する必要がある。 既存のアプローチは、マーカー強度統計や細胞型比例のような手作りの特徴に依存しており、しばしば異質なマーカーパネルを持つコホートをまたいだスケールや一般化に失敗する。 MUL-Tは、組織アーキテクチャを離散セルトークン上でのマスク付きコンテキスト予測タスクとして再構成する軽量トランスフォーマーフレームワークである。 タスク固有の監督なしにコンテキスト化された[CLS]埋め込みを学習することにより、このモデルは計算効率を保ちながら高階のセル相互作用をキャプチャする。 MUL-Tは, コアレベル腫瘍パターン分類, 患者レベルグレーディング, PD-L1陽性率予測, クロスデータセット治療応答予測など, 臨床的に関係のあるいくつかの下流課題に対して評価した。 タスク全体にわたって、MUL-Tは古典的な機能ベースのベースラインを一貫して上回り、パラメータが大幅に少なく、トレーニングコストが低いにもかかわらず、基礎的なViTモデルに匹敵するパフォーマンスを達成する。

関連論文リスト

• CellxPert: Inference-Time MCMC Steering of a Multi-Omics Single-Cell Foundation Model for In-Silico Perturbation [1.8012666291588018]
  本稿では,単一セルと空間的マルチオミクスを統一したスケーラブルなマルチモーダル基盤モデルであるCellxPertを紹介する。 CellxPertはトランスクリプトーム(scRNA-seq)、アクセシビリティー・アクセシビリティー・アクセシビリティ(ATAC-seq)、表面プロテオーム(CITE-seq)を共同でコードする。 細胞型アノテーション,摂動応答予測,マルチオミック統合において,CellxPertは古典的および最先端のベースラインを超越していることを示す。
  論文  参考訳（メタデータ） (2026-04-30T21:34:16Z)
• Large-scale EM Benchmark for Multi-Organelle Instance Segmentation in the Wild [8.670858548670742]
  本研究では, 多様なセルタイプにまたがる10万以上の2次元EM画像と, 実世界の変動を捉えた5つのオルガネラクラスからなる, マルチオルガネラインスタンスセグメンテーションのベンチマークを開発する。 現在のモデルでは、異種EMデータの一般化に苦慮し、グローバルな分散形態を持つオルガネラでは性能が悪くなっている。 これらの知見は,局所文脈モデルと実世界の変動性の存在下での長距離構造的連続性をモデル化する課題との根本的なミスマッチを浮き彫りにした。
  論文  参考訳（メタデータ） (2026-01-18T16:09:27Z)
• ITC-RWKV: Interactive Tissue-Cell Modeling with Recurrent Key-Value Aggregation for Histopathological Subtyping [2.99938892718088]
  本稿では,マクロ組織の特徴と集合細胞表現との相互作用をモデル化したデュアルストリームアーキテクチャを提案する。 組織と細胞間の双方向の相互作用モジュールを導入し, 局所的な細胞キューと周囲の組織環境の相互の注意を喚起する。
  論文  参考訳（メタデータ） (2025-10-24T14:03:52Z)
• CellPainTR: Generalizable Representation Learning for Cross-Dataset Cell Painting Analysis [51.56484100374058]
  本稿では,細胞形態の基本的な表現を学習するためのトランスフォーマーベースのアーキテクチャであるCellPainTRを紹介する。 私たちの研究は、画像ベースのプロファイリングのための真の基盤モデルを作成するための重要なステップであり、より信頼性が高くスケーラブルなクロススタディ生物学的分析を可能にします。
  論文  参考訳（メタデータ） (2025-09-02T03:30:07Z)
• Benchmarking histopathology foundation models in a multi-center dataset for skin cancer subtyping [1.927195358774599]
  大規模なドメイン内データセットの事前トレーニングは、履歴病理基盤モデル(FM)にタスクに依存しないデータ表現を学習する能力を与える。 計算病理学では、スライド全体の自動解析には、スライドのギガピクセルスケールのため、複数のインスタンス学習(MIL)フレームワークが必要である。 本研究は,MIL分類フレームワーク内のパッチレベルの特徴抽出器として,病理組織学的FMを評価するための新しいベンチマークを提案する。
  論文  参考訳（メタデータ） (2025-06-23T14:12:16Z)
• Learning Multiscale Consistency for Self-supervised Electron Microscopy Instance Segmentation [48.267001230607306]
  本稿では,EMボリュームのマルチスケール一貫性を高める事前学習フレームワークを提案する。 当社のアプローチでは,強力なデータ拡張と弱いデータ拡張を統合することで,Siameseネットワークアーキテクチャを活用している。 効果的にボクセルと機能の一貫性をキャプチャし、EM分析のための転送可能な表現を学習する。
  論文  参考訳（メタデータ） (2023-08-19T05:49:13Z)
• AMIGO: Sparse Multi-Modal Graph Transformer with Shared-Context Processing for Representation Learning of Giga-pixel Images [53.29794593104923]
  本稿では,スライド病理像全体に対する共有コンテキスト処理の新たな概念を提案する。 AMIGOは、組織内のセルラーグラフを使用して、患者に単一の表現を提供する。 我々のモデルは、データの20%以下で同じ性能を達成できる程度に、欠落した情報に対して強い堅牢性を示す。
  論文  参考訳（メタデータ） (2023-03-01T23:37:45Z)
• Semantic Correspondence with Transformers [68.37049687360705]
  本稿では,変換器を用いたコストアグリゲーション(CAT)を提案し,意味論的に類似した画像間の密接な対応を見出す。 初期相関マップと多レベルアグリゲーションを曖昧にするための外観親和性モデリングを含む。 提案手法の有効性を示す実験を行い,広範囲にわたるアブレーション研究を行った。
  論文  参考訳（メタデータ） (2021-06-04T14:39:03Z)
• Towards an Automatic Analysis of CHO-K1 Suspension Growth in Microfluidic Single-cell Cultivation [63.94623495501023]
  我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。 具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
  論文  参考訳（メタデータ） (2020-10-20T08:36:51Z)
• Revisiting LSTM Networks for Semi-Supervised Text Classification via Mixed Objective Function [106.69643619725652]
  我々は,単純なBiLSTMモデルであっても,クロスエントロピー損失でトレーニングした場合に,競争的な結果が得られるようなトレーニング戦略を開発する。 いくつかのベンチマークデータセット上で,テキスト分類タスクの最先端結果について報告する。
  論文  参考訳（メタデータ） (2020-09-08T21:55:22Z)
• A Trainable Optimal Transport Embedding for Feature Aggregation and its Relationship to Attention [96.77554122595578]
  固定サイズのパラメータ化表現を導入し、与えられた入力セットから、そのセットとトレーニング可能な参照の間の最適な輸送計画に従って要素を埋め込み、集約する。 我々のアプローチは大規模なデータセットにスケールし、参照のエンドツーエンドのトレーニングを可能にすると同時に、計算コストの少ない単純な教師なし学習メカニズムも提供する。
  論文  参考訳（メタデータ） (2020-06-22T08:35:58Z)

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。