論文の概要: Spatial proteomics guided by H&E-based AI reveals recurrence-risk niches in triple-negative breast cancer
- arxiv url: http://arxiv.org/abs/2608.03145v1
- Date: Tue, 04 Aug 2026 05:19:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-05 15:30:23.04266
- Title: Spatial proteomics guided by H&E-based AI reveals recurrence-risk niches in triple-negative breast cancer
- Title（参考訳）: H&EベースのAIによって誘導される空間プロテオミクスは、3重陰性乳癌における再発リスクニッチを明らかにする
- Authors: Yesung Cho, Ji Hwan Park, Chanil Kim, Hyewon Kim, Honglan Li, Yumin Lee, Geongyu Lee, Sujeong Hong, Seong Min Park, Yoonyoung Lee, Hee Sool Rho, Sumin Lee, Amos Chungwon Lee, Changhwan Lee, Hwanyoung Shim, Hyunwook Kim, Hyeji Shin, Sanha Park, Jihoon Yu, Yoon Hee Shin, Sooheon Kim, Hyunjin Park, Seung Min Park, Sangwan Kim, Yujung Kim, Sung-Im Do, Eun-Young Kim, Dongmyung Shin, Jongbae Park, In-Gu Do,
- Abstract要約: 深層学習モデルは、H&E染色スライドからがん再発を予測することができるが、これらの予測の根底にある局所的な分子状態はほとんど不明である。
我々は,TNBCにおいて,AIが生成した再発リスクヒートマップとマススペクトロメトリに基づく空間プロファイリングを統合した空間病理学フレームワークを開発した。
- 参考スコア（独自算出の注目度）: 10.510690067770128
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Deep learning models can predict cancer recurrence from H&E stained slides, but the localized molecular states underlying these predictions remain largely obscured. Here, we developed an outcome informed spatial pathology framework in TNBC that integrates AI generated recurrence risk heatmaps with mass spectrometry based spatial proteomics. In a cohort of 156 patients, distribution based aggregation of high scoring patches achieved an AUC of 0.77 and a C-index of 0.77 in an independent test cohort. Bulk proteomics associated high image derived risk with cell cycle and genome maintenance programs and low risk with immune activation. High and low risk patches coexisted within the same tumor compartment and displayed distinct nuclear and architectural features, revealing intratumoral heterogeneity beyond tissue compartment identity. We then used the heatmaps as coordinate level guides to physically isolate and profile 46 AI defined tumor regions from two recurrence patients. Spatial proteomic profiling revealed a concordant molecular contrast across both patients: mitotic programs were enriched in high risk regions and immune and antigen presentation programs in low risk regions. A 13 protein composite derived from these spatial contrasts showed a trend toward poorer recurrence-free survival with increasing scores in an expanded cohort, while the corresponding transcript based composite stratified recurrence free survival in the independent METABRIC TNBC cohort. Integrating the protein composite with the H&E derived risk score improved the out of bag C-index from 0.679 to 0.739 and enhanced time dependent discrimination at 3 and 5 years. Together, these findings define a new role for outcome trained AI models as spatially explicit experimental guides that connect prognostic morphology with localized molecular states and advance biologically grounded, multiscale biomarker discovery in TNBC.
- Abstract（参考訳）: 深層学習モデルは、H&E染色スライドからがん再発を予測することができるが、これらの予測の根底にある局所的な分子状態はほとんど不明である。
そこで本研究では,AI生成した再発リスクヒートマップとマススペクトロメトリに基づく空間プロテオミクスを統合した,TNBCの空間病理学フレームワークを開発した。
156例のコホートでは,AUCは0.77,C-インデックスは0.77であった。
バルクプロテオミクスは、細胞周期とゲノム維持プログラムによる高い画像誘導リスクと、免疫活性化による低いリスクを関連づけた。
腫瘍腔内に共存する高リスクパッチと低リスクパッチは異なる核および構造的特徴を呈し,組織腔の恒常性を超えた腫瘍内不均一性を示した。
次に, 熱マップを座標レベルガイドとして使用し, 2例の再発患者から46個のAI定義腫瘍領域を物理的に分離し, プロファイルした。
空間プロテオームプロファイリングでは,高リスク領域に有糸分裂プログラム,低リスク領域に有糸分裂プログラム,低リスク領域に有糸分裂プログラム,抗原提示プログラムの2つが一致した。
これらの空間的コントラストから得られた13のタンパク質複合体は、拡張コホートにおけるスコアの増加とともに、より低再発無生存傾向を示し、それに対応する転写ベース複合体は、独立したMETABRIC TNBCコホートにおいて、無再発無生存傾向を示した。
H&E由来のリスクスコアとタンパク質複合体を統合することで、バッグC-インデックスの出力が0.679から0.739に向上し、3年と5年で時間依存的識別が向上した。
これらの知見は、AIモデルを空間的に明示的な実験的ガイドとして、局所的な分子状態と予後形態を結びつけるとともに、TNBCにおける生物学的基盤を持つマルチスケールバイオマーカー発見を前進させる新しい役割を定義している。
関連論文リスト
- 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) - Deep Learning From Routine Histology Improves Risk Stratification for Biochemical Recurrence in Prostate Cancer [2.499184782167909]
根治的前立腺切除術後の生体化学的再発の持続的, 患者特異的リスクを予測できる深層学習型バイオマーカーを提案する。
CAPRA-S臨床リスクスコアと統合すると、深層学習リスクスコアはBCRの差別を一貫して改善する。
論文 参考訳（メタデータ） (2026-03-15T02:22:38Z) - INSIGHT: Spatially resolved survival modelling from routine histology crosslinked with molecular profiling reveals prognostic epithelial-immune axes in stage II/III colorectal cancer [0.5824363189082821]
本稿では,日常的な組織像から直接生存を予測するグラフニューラルネットワークINSIGHTを提案する。
TCGAとSURGENでトレーニングされ、クロスバリデーションされたINSIGHTは、患者レベルで空間的に解決されたリスクスコアを生成する。
論文 参考訳（メタデータ） (2025-12-24T14:36:15Z) - 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) - Deep Pathomic Learning Defines Prognostic Subtypes and Molecular Drivers in Colorectal Cancer [16.930050030905782]
TDAM-CRC予測性能は、従来のステージングシステムや複数の最先端モデルよりも大幅に優れていた。
TDAM-CRCリスクスコアは多変量解析において独立した予後因子として確認された。
ミトコンドリアリボソーム蛋白L37 (MRPL37) は, 深部病原性特徴と臨床予後を関連付けるキーハブ遺伝子として同定し, 検証した。
論文 参考訳（メタデータ） (2025-11-19T03:19:43Z) - Predicting Neoadjuvant Chemotherapy Response in Triple-Negative Breast Cancer Using Pre-Treatment Histopathologic Images [2.23127246021293]
三重複陰性乳癌(TNBC)は、その攻撃的行動と標的療法の欠如により、主要な臨床課題である。
本報告では, 治療前のヘマトキシリンおよびエオシン含有生検スライドから直接, 病理学的完全反応(pCR)を予測するために, 注意に基づく多症例学習フレームワークを提案する。
論文 参考訳（メタデータ） (2025-05-20T02:06:34Z) - 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) - Improved Prognostic Prediction of Pancreatic Cancer Using Multi-Phase CT
by Integrating Neural Distance and Texture-Aware Transformer [37.55853672333369]
本稿では, 異なる患者のCT像における腫瘍と血管の正確な関係を記述した, 学習可能なニューラル距離を提案する。
発達したリスクマーカーは, 術前因子の生存率の予測因子として最強であった。
論文 参考訳（メタデータ） (2023-08-01T12:46:02Z) - Penalized Deep Partially Linear Cox Models with Application to CT Scans
of Lung Cancer Patients [42.09584755334577]
肺がんは世界中のがん死亡の原因であり、効果的な治療法を設計するための死亡リスクを理解することの重要性を強調している。
NLST(National Lung Screening Trial)は、肺がん患者の死亡リスクを定量化するために、CTテクスチャ解析を用いている。
本稿では,SCADペナルティを組み込んで重要なテクスチャ特徴を抽出し,深層ニューラルネットワークを用いてモデルの非パラメトリック成分を推定する,Pentalized Deep partially Linear Cox Model (Penalized DPLC)を提案する。
論文 参考訳（メタデータ） (2023-03-09T15:38:16Z) - Deep Neural Networks integrating genomics and histopathological images
for predicting stages and survival time-to-event in colon cancer [2.338833859812519]
大腸癌ステージ分類のためのアンサンブルディープニューラルネットワークを構築し,低リスク生存群と高リスク生存群に分類した。
Ensemble Deep Conal Neural Networkモデルの結果は、統合データセットのステージ分類におけるパフォーマンスが改善されたことを示している。
2548個の融合した特徴のうち、1695個の特徴は抽出された特徴によって定義された2つのリスク群間で統計的に有意な生存確率差を示した。
論文 参考訳（メタデータ） (2022-12-13T16:12:45Z)
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。