論文の概要: CytoFormer: A Molecularly Supervised Cell Foundation Model for Histopathology Cell Classification
- arxiv url: http://arxiv.org/abs/2608.16718v1
- Date: Mon, 17 Aug 2026 15:35:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-18 19:59:03.782059
- Title: CytoFormer: A Molecularly Supervised Cell Foundation Model for Histopathology Cell Classification
- Title（参考訳）: CytoFormer: 病理組織学的細胞分類のための分子的に改良された細胞基盤モデル
- Abstract要約: このようなモデルのトレーニングは、多くの細胞タイプに対して遅い、高価で信頼性の低い手動の病理医アノテーションに依存している。
代わりに分子で形態学を監督する。
16の臓器にまたがる81のXenium切断片を, クラスタリング, マーカー遺伝子アノテーション, 臓器のレビュー, 品質管理により抽出し, 各臓器に共通に報告される細胞タイプにマッピングした。
これにより1540万の細胞が生成され、それぞれがH&Eイメージパッチと23種類の細胞のうちの1つで、我々はCytoFormerを訓練した。
- 参考スコア（独自算出の注目度）: 1.5928576802540013
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Identifying cell types directly from routine haematoxylin and eosin (H&E) histology would enable single-cell analysis at scale, but training such models has relied on manual pathologist annotations, which are slow, expensive and unreliable for many cell types. We instead supervise morphology with molecules. Imaging-based spatial transcriptomics profiles individual cells in situ on a section that can afterwards be stained with H&E, so that molecular identity and morphology are observed for the same physical cell. We assembled 81 such paired Xenium sections spanning 16 organs, derived per-cell labels by clustering, marker-gene annotation, organ-wise human review and quality control, and mapped them onto the cell types commonly reported in each organ. This yielded 15.4 million cells, each with a paired H&E image patch and one of 23 cell types, on which we trained CytoFormer, a cell foundation model with a multi-task, per-organ classification head. On spatially held-out tissue CytoFormer reached an accuracy of 0.85 and a macro-F1 of 0.78 across all 16 organs, and its predictions reproduced the tissue architecture of an entire held-out section. The representation also transfers: with the encoder frozen, a linear head on CytoFormer features performed better than six pathology foundation models on four expert-annotated benchmarks, including on organs and cell types that were not part of pretraining. Finally, in an interactive active-learning setting, CytoFormer's embeddings are markedly more label-efficient than existing pathology foundation models, detecting normal epithelium amid look-alike tumour with an F1 of 0.82 from only a few annotations and leading the strongest baseline by 0.13 in F1. CytoFormer turns paired H&E and spatial transcriptomics into a reusable, label-efficient representation for cell-level analysis of routine histology.
- Abstract（参考訳）: 正常なヘマトキシリンとエオシン(H&E)の組織から細胞型を直接同定することは、大規模に単一細胞分析を可能にするが、そのようなモデルの訓練は手動の病理学アノテーションに依存しており、多くの細胞タイプでは遅く、高価で信頼性に欠ける。
代わりに分子で形態学を監督する。
イメージングに基づく空間転写学では、個々の細胞をH&Eで染色できる部位に配置し、同じ物理的細胞に対して分子の同一性や形態が観察される。
16の臓器にまたがる81のXenium切断片を, クラスタリング, マーカー遺伝子アノテーション, 臓器のレビュー, 品質管理により抽出し, 各臓器に共通に報告される細胞タイプにマッピングした。
これにより1540万の細胞が生成され、それぞれがH&Eイメージパッチと23種類の細胞のうちの1つで、我々はCytoFormerを訓練した。
空間的に保持された組織では、CytoFormerの精度は0.85、マクロF1が0.78に達し、その予測は保持された部分全体の組織構造を再現した。
エンコーダが凍結されたことにより、CytoFormerの機能上の線形ヘッドは、事前訓練に含まれない臓器や細胞タイプを含む4つの専門家が注釈付けしたベンチマークで、6つの病理基盤モデルよりも優れた性能を発揮した。
最後に、インタラクティブなアクティブラーニング環境では、CytoFormerの埋め込みは、既存の病理基盤モデルよりも明らかにラベル効率が良く、いくつかのアノテーションからF1が0.82のルックライクな腫瘍の中で正常な上皮を検知し、F1で最強のベースラインを0.13に導く。
CytoFormerは、H&Eと空間転写学のペアを、日常的な組織学の細胞レベル解析のための再利用可能なラベル効率の表現に変える。
関連論文リスト
- Lingshu-Cell: A generative cellular world model for transcriptome modeling toward virtual cells [48.885716676667776]
Lingshu-Cellは、転写状態の分布を学習し、摂動下で条件シミュレーションをサポートする離散拡散モデルである。
約18,000の遺伝子にまたがる複雑なトランスクリプトーム全体の発現依存性を、以前の遺伝子選択に頼らずに捕捉する。
これは、Virtual Cell Challenge H1遺伝子摂動ベンチマークにおいて、ヒトPBMCのサイトカイン誘発反応の予測において、主要な性能を発揮する。
論文 参考訳（メタデータ） (2026-03-26T09:46:27Z) - Learning Cell-Aware Hierarchical Multi-Modal Representations for Robust Molecular Modeling [74.25438319700929]
分子と細胞応答の局所的グローバル依存性をモデル化する堅牢なフレームワークであるCHMR(Cell-aware Hierarchical Multi-modal Representations)を提案する。
728タスクにまたがる9つの公開ベンチマークで評価され、CHMRは最先端のベースラインを上回っている。
その結果, 階層認識型マルチモーダル学習による分子表現の信頼性, 生物学的基盤化の利点が示された。
論文 参考訳（メタデータ） (2025-11-26T07:15:00Z) - From Linear Probing to Joint-Weighted Token Hierarchy: A Foundation Model Bridging Global and Cellular Representations in Biomarker Detection [44.3895875409365]
AIベースのバイオマーカーは、ヘマトキシリンとエオシン(H&E)スライドから直接分子的特徴を推測することができる。
ほとんどの病理基盤モデル(PFM)は、グローバルなパッチレベルの埋め込みに依存し、細胞レベルの形態を見落としている。
本稿では,大規模自己教師型事前学習とセル中心のポストチューニングとアテンションプールを統合し,局所トークンとグローバルトークンを融合させるPFMモデルJWTHを提案する。
論文 参考訳（メタデータ） (2025-11-07T11:05:36Z) - Automatic Classification of Circulating Blood Cell Clusters based on Multi-channel Flow Cytometry Imaging [7.696386233227689]
赤血球(RBCs)、白血球(WBCs)、血小板を含む循環血液細胞クラスター(CCCs)は、血栓症、感染、炎症などの病態に関連する重要なバイオマーカーである。
蛍光染色と組み合わせたフローは、これらの細胞クラスターを解析するために一般的に使われ、細胞の形態やタンパク質のプロファイルを明らかにする。
本研究では,CCC画像の解析とクラスタ内のセルタイプ同定のための新しい計算フレームワークを提案する。
論文 参考訳（メタデータ） (2025-10-20T16:32:23Z) - Towards Comprehensive Cellular Characterisation of H&E slides [0.27993409178463413]
HistoPLUSは、細胞解析のための最先端のモデルである。
13種類の細胞を含む108,722個の核からなる、新しい硬化したパンがんデータセットを訓練する。
現在の最先端モデルでは、検出品質が5.2%、全体的なF1分類スコアが23.7%を上回っている。
論文 参考訳（メタデータ） (2025-08-13T16:24:15Z) - MIPHEI-ViT: Multiplex Immunofluorescence Prediction from H&E Images using ViT Foundation Models [2.2802322828460864]
我々は、最先端のViT基盤モデルをエンコーダとして統合し、H&E画像からmIF信号を予測するU-NetにインスパイアされたアーキテクチャであるMIPHEIを紹介する。
大腸癌組織から得られた残留H&EおよびmIF画像のORIONデータセットを用いて,本モデルをトレーニングした。
MIPHEIはH&Eだけで正確な細胞型分類を実現しており、Pan-CKは0.88点、CD3eは0.57点、SMAは0.56点、CD68は0.36点、CD20は0.30点である。
論文 参考訳（メタデータ） (2025-05-15T13:42:48Z) - CellVerse: Do Large Language Models Really Understand Cell Biology? [74.34984441715517]
我々は,4種類のシングルセルマルチオミクスデータを統合する統一言語中心の質問応答ベンチマークであるCellVerseを紹介する。
我々は,CellVerse上で160Mから671Bまでの14のオープンソースおよびクローズドソースLLMの性能を体系的に評価した。
論文 参考訳（メタデータ） (2025-05-09T06:47:23Z) - Immunohistochemistry guided segmentation of benign epithelial cells, in situ lesions, and invasive epithelial cells in breast cancer slides [0.3251634769699391]
乳がん領域における上皮細胞のセグメンテーションのためのAIモデルを開発した。
浸潤上皮細胞,良性上皮細胞,in situ病変に対するDiceスコア0.70,0.79,0.75の定量評価を行った。
論文 参考訳（メタデータ） (2023-11-22T09:25:08Z) - Multi-stream Cell Segmentation with Low-level Cues for Multi-modality
Images [66.79688768141814]
我々は,顕微鏡画像のラベル付けを行うセル分類パイプラインを開発した。
次に、分類ラベルに基づいて分類モデルを訓練する。
2種類のセグメンテーションモデルを、丸みを帯びた形状と不規則な形状のセグメンテーションセルに展開する。
論文 参考訳（メタデータ） (2023-10-22T08:11:08Z) - Multilabel 12-Lead Electrocardiogram Classification Using Gradient
Boosting Tree Ensemble [64.29529357862955]
我々は,心電図の診断を分類するために,形態や信号処理機能に適合した勾配強化木のアンサンブルを用いたアルゴリズムを構築した。
各リードについて、心拍変動、PQRSTテンプレート形状、全信号波形から特徴を導出する。
各クラスに属するECGインスタンスの確率を予測するため、全12項目の特徴と合わせて、勾配を増す決定ツリーの集合に適合する。
論文 参考訳（メタデータ） (2020-10-21T18:11:36Z) - Cell Mechanics Based Computational Classification of Red Blood Cells Via
Machine Intelligence Applied to Morpho-Rheological Markers [0.0]
非教師なし機械学習手法は、リアルタイム変形性と蛍光(RT-FDC)により得られる形態・レオロジーマーカーにのみ適用される
提案手法は, 成熟赤血球由来の赤血球の分類において, ラベルフリーで有望な結果が得られたことを報告した。
論文 参考訳（メタデータ） (2020-03-02T15:11:46Z)
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。