論文の概要: Lymphocyte Mimicry Correction via Region-Level Tissue Reasoning and Unbalanced Optimal Transport
- arxiv url: http://arxiv.org/abs/2608.17151v1
- Date: Mon, 17 Aug 2026 21:33:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-19 21:40:53.136349
- Title: Lymphocyte Mimicry Correction via Region-Level Tissue Reasoning and Unbalanced Optimal Transport
- Title（参考訳）: 局所レベル組織共鳴と不均衡輸送によるリンパ球ミトコンドリアの補正
- Authors: Xiang Li, Yuqi Wang, Casey C. Heirman, Jihye Heo, Kyle J. Lafata,
- Abstract要約: Loki-OTは、アンバランスド最適輸送を介して、個々の細胞予測を推論する領域レベルの組織を伝播する。
本報告では,未平衡最適輸送を用いた細胞レベルでの細胞レベルでの予測を伝播するLoki-OTについて述べる。
- 参考スコア（独自算出の注目度）: 6.155460255030298
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Cell mimicry arises when different cell types appear morphologically similar. Human pathologists resolve this ambiguity using surrounding tissue context, whereas current vision models either lack contextual reasoning (cell foundation models) or cannot operate at the cell level (pathology MLLMs). We present Loki-OT, which propagates region-level tissue reasoning to individual cell predictions via Unbalanced Optimal Transport, using MLLM-derived density priors as soft guidance for ambiguous cell reassignment. Loki-OT is motivated by the observation that pretrained cell foundation model features already encode discriminative information, including tissue context, but standard cell-level supervision fails to use tissue context effectively. The resulting transport plan is distilled into a lightweight student MLP classifier that learns context-aware decision boundaries within the pretrained feature space. On the independent TCGA-BRCA cohort, Loki-OT achieved lower patient-level MAE than the fully supervised in-domain PanopTILs classifier and improved F1 in epithelium-rich mimicry tissues, using 278 weak region-level MLLM estimates built on a general-domain cell foundation model. Code: https://github.com/xiangli980/Lymphocyte_Mimicry_Correction_via_Loki_OT
- Abstract（参考訳）: 細胞の模倣は、異なる細胞タイプが形態学的に類似しているときに起こる。
人間の病理学者はこの曖昧さを周囲の組織コンテキストを用いて解決する一方、現在の視覚モデルは文脈的推論(細胞基盤モデル)を欠いているか、細胞レベルでの操作ができない(病理学MLLM)。
本報告では, MLLM由来の密度前駆体をソフトガイダンスとして用い, 非平衡最適輸送による個々の細胞予測に影響を及ぼす領域レベルの組織を伝播させるロキ-OTについて述べる。
Loki-OTは、事前訓練された細胞基盤モデルが既に組織コンテキストを含む識別情報をコード化しているが、標準的な細胞レベルの監督は組織コンテキストを効果的に利用できないという観察に動機づけられている。
得られた輸送計画は、事前訓練された特徴空間内の文脈認識決定境界を学習する軽量の学生MLP分類器に蒸留される。
独立したTCGA-BRCAコホートでは、Loki-OTは、一般ドメイン細胞基盤モデル上に構築された278の弱い領域レベルのMLLM推定を用いて、完全に制御されたドメイン内PanopTILs分類器よりも低い患者レベルMAEを達成し、上皮に富んだ模倣組織においてF1を改善した。
コード:https://github.com/xiangli980/Lymphocyte_Mimicry_Correction_via_Loki_OT
関連論文リスト
- Beyond ViT Tokens: Masked-Diffusion Pretrained Convolutional Pathology Foundation Model for Cell-Level Dense Prediction [33.957729129082075]
Masked-Diffusion Convolutional Foundation Models (CMD) は、高密度病理表現学習のための自己教師型畳み込み生成事前学習フレームワークである。
CMDは、既存のViTベースの病理基盤モデルよりも一貫して優れており、最先端のエンドツーエンドセグメンテーション手法を超越している。
以上の結果から,純粋な畳み込み型アーキテクチャは細胞レベルでの高密度予測のための競合する病理基盤モデルとして機能する可能性が示唆された。
論文 参考訳（メタデータ） (2026-05-08T04:34:56Z) - MAT-Cell: A Multi-Agent Tree-Structured Reasoning Framework for Batch-Level Single-Cell Annotation [81.82645086402366]
MAT-Cellは,単細胞解析を構築的で検証可能な証明生成に再構成する,ニューロシンボリック推論フレームワークである。
MAT-Cellは、適応型レトリーバル増強生成(RAG)を通じて、生物学的公理の基底神経推論に象徴的な制約を注入し、転写ノイズを減少させる。
最先端のSOTA(State-of-the-art)モデルを大幅に上回り、挑戦的なシナリオにおいて堅牢なパフォーマンスを維持します。
論文 参考訳（メタデータ） (2026-04-07T04:56:06Z) - 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) - Adaptive Multi-Scale Integration Unlocks Robust Cell Annotation in Histopathology Images [3.504506659662406]
我々はXenium空間転写学からマーカー誘導されたデータセットを構築し、8つの臓器に200万セル以上の単一セル解像度ラベルを付けた。
我々は,核形態学と微小環境コンテキストの細胞レベルでのマルチスケール統合のための病理学ワークフローにインスパイアされたフレームワークであるNuClassを紹介する。
以上の結果から,多スケールで不確実性を考慮した核融合は,スライドレベルの病態基盤モデルと信頼度の高い細胞レベルの表現型予測とのギャップを埋める可能性が示唆された。
論文 参考訳（メタデータ） (2025-11-17T16:49:59Z) - Modeling Microenvironment Trajectories on Spatial Transcriptomics with NicheFlow [80.00833033784079]
細胞微小環境の理解は、組織の発生と疾患データの解読に不可欠である。
NicheFlowはフローベースの生成モデルであり、空間スライドを横断する細胞マイクロ環境の時間軌道を推定する。
論文 参考訳（メタデータ） (2025-11-02T15:41:38Z) - 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) - Cell-ontology guided transcriptome foundation model [18.51941953027685]
オープンバイオロジー・バイオメディカルオントロジーファウンデーションの細胞オントロジーグラフにマッピングされた細胞型ラベルを利用して,CellxGeneデータベースから2200万の細胞上でscCelloを事前訓練した。
我々のTFMは、生物学的に重要なタスクにおいて、既存のTFMよりも競合的な一般化と伝達性性能を示す。
論文 参考訳（メタデータ） (2024-08-22T13:15:49Z) - MMIL: A novel algorithm for disease associated cell type discovery [58.044870442206914]
単一細胞データセットは、しばしば個々の細胞ラベルを欠いているため、病気に関連する細胞を特定することは困難である。
セルレベルの分類器の訓練と校正を可能にする予測手法であるMixture Modeling for Multiple Learning Instance (MMIL)を導入する。
論文 参考訳（メタデータ） (2024-06-12T15:22:56Z) - OCELOT: Overlapped Cell on Tissue Dataset for Histopathology [13.691924123273004]
組織学における細胞検出のための細胞間関係研究のためのデータセットであるOCELOTをリリースする。
細胞と組織の両方のタスクを同時に学習できるマルチタスク学習手法を提案する。
特にOCELOTテストセットでは、F1スコアが最大6.79改善されている。
論文 参考訳（メタデータ） (2023-03-23T08:57:11Z) - Comparisons among different stochastic selection of activation layers
for convolutional neural networks for healthcare [77.99636165307996]
ニューラルネットワークのアンサンブルを用いて生体医用画像の分類を行う。
ReLU, leaky ReLU, Parametric ReLU, ELU, Adaptive Piecewice Linear Unit, S-Shaped ReLU, Swish, Mish, Mexican Linear Unit, Parametric Deformable Linear Unit, Soft Root Sign。
論文 参考訳（メタデータ） (2020-11-24T01:53:39Z)
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。