論文の概要: Learning latent progression states from spatial heterogeneity in uterine histopathology
- arxiv url: http://arxiv.org/abs/2608.17337v1
- Date: Tue, 18 Aug 2026 03:56:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-19 21:40:53.21259
- Title: Learning latent progression states from spatial heterogeneity in uterine histopathology
- Title（参考訳）: 子宮病理における空間的不均一性からの潜伏状態の学習
- Abstract要約: SpaTIEは、形態学的に認識される表現を学習する、子宮特異的な計算病理学フレームワークである。
SpaTIEは時間的・分子的監督のない断面形態から腫瘍状態軸を推定した。
統合的マルチオミクス分析は、推論された状態をDNAメチル化、体細胞コピー数の変化、突然変異、RNA-seq、RPPAプロファイルに関連づけた。
- 参考スコア（独自算出の注目度）: 27.352389544902163
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Tumor progression is accompanied by changes in architecture, morphology and microenvironmental organization, yet progression-associated heterogeneity is usually compressed into static diagnostic categories in histopathology. Here we present SpaTIE, a uterus-specific computational pathology framework that learns morphology-aware representations and organizes spatial histopathological heterogeneity into progression-associated tumor states. SpaTIE was developed using 10,426 uterine hematoxylin and eosin whole-slide images and evaluated in TCGA-UCEC and TCGA-UCS cohorts. The learned representations formed morphology manifolds, supported diagnostic, molecular and survival-related prediction tasks, and localized attention to informative tumor regions. Beyond supervised prediction, SpaTIE inferred tumor-state axes from cross-sectional morphology without temporal or molecular supervision. These morphology-derived states were spatially coherent and showed associations with clinicopathological variables and survival outcomes, while not simply recapitulating staging or diagnostic labels. Integrative multi-omics analyses linked the inferred states to DNA methylation, somatic copy-number variation, mutation, RNA-seq and RPPA profiles, highlighting molecular programs related to chromatin regulation, copy-number-associated structural variation, receptor tyrosine kinase signaling, cell adhesion, extracellular-matrix remodeling and metabolic adaptation. Progression-guided virtual perturbation further prioritized molecular features coupled to the morphology-derived state organization. Together, these findings suggest that uterine histopathology contains recoverable progression-associated tumor-state information and establish SpaTIE as a framework for connecting spatial morphology with multi-omics-informed tumor-state discovery.
- Abstract（参考訳）: 腫瘍進行は、構造、形態、微小環境組織の変化を伴うが、進行に伴う異質性は通常、病理組織学の静的診断カテゴリに圧縮される。
本稿では,形態学的表現を学習し,空間的組織学的不均一性を進行関連腫瘍状態に整理する,子宮特異的な計算病理学フレームワークであるSpatieを紹介する。
SpaTIEは10,426個の子宮ヘマトキシリンとエオシンの全スライディング画像を用いて開発され、TCGA-UCECおよびTCGA-UCSコホートで評価された。
学習された表現は、形態学的多様体を形成し、診断、分子および生存関連予測タスクをサポートし、情報的腫瘍領域に注意を向けた。
SpaTIEは、監督された予測の他に、時間的または分子的な監督なしに、横断的な形態から腫瘍状態の軸を推定した。
これらの形態素由来の状態は空間的コヒーレントであり、臨床病理学的変数と生存率との関連性を示したが、単にステージングラベルや診断ラベルを再カプセル化することは無かった。
統合的マルチオミクス分析では、推論された状態はDNAメチル化、体細胞コピー数の変化、変異、RNA配列およびRPPAプロファイルに関連付けられ、クロマチン調節、コピー数関連構造変化、受容体チロシンキナーゼシグナル伝達、細胞接着、細胞外マトリックスリモデリング、代謝適応に関連する分子プログラムが強調された。
進行誘導型仮想摂動は、モルフォロジー由来の状態組織と結合した分子的特徴をさらに優先した。
以上より, 子宮病理組織学には回復性進行関連腫瘍状態情報が含まれており, 空間形態学とマルチオミクスインフォームド腫瘍状態発見を結びつける枠組みとしてSpaTIEが確立されていることが示唆された。
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) - PathAR: Structure-First Autoregressive Synthesis of Multimodal Pathology Images [51.428093790826814]
そこで我々は, モーダリティ・ラベル条件付き病理モデル (PathAR) を用いて, 構造と外観を分解し, 自己回帰モデル(PathAR)を提案する。
PathARは、不均一なモダリティ固有の外観下で形態を安定化し、空間的に整列したイメージマスクペア生成を可能にする。
論文 参考訳（メタデータ） (2026-06-01T01:43:48Z) - A Multimodal Foundation Model of Spatial Transcriptomics and Histology for Biological Discovery and Clinical Prediction [13.466764029232898]
textbfours (textbfSpatial textbfTranscriptomics and histtextbfOlogy textbfRepresentation textbfModel) は18臓器の組織と一致した組織で120万個の空間的に解決された転写学的プロファイルに基づいて訓練された基礎モデルである。
論文 参考訳（メタデータ） (2026-04-04T08:00:26Z) - Tissue Classification and Whole-Slide Images Analysis via Modeling of the Tumor Microenvironment and Biological Pathways [8.769975787914115]
BioMorphNetは組織形態と空間的遺伝子発現を自動的に統合するマルチモーダルネットワークである。
BioMorphNetは、腫瘍の局在をサポートするためにWSI内の組織カテゴリを正確に分類するだけでなく、組織カテゴリ間の異なる遺伝子発現を分析する。
最新の遺伝子多型法と比較すると、BioMorphNetの平均分類基準は前立腺癌、大腸癌、乳癌のデータセットに対して2.67%、5.48%、および6.29%改善している。
論文 参考訳（メタデータ） (2026-01-13T08:53:58Z) - 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) - Multiscale Cross-Modal Mapping of Molecular, Pathologic, and Radiologic Phenotypes in Lipid-Deficient Clear Cell Renal CellCarcinoma [20.5770391049623]
脂肪欠乏性脱クラー細胞分化型(DCCD) ccRCCサブタイプは早期疾患においても有害な結果に関連している。
そこで我々は,DCCD-ccRCCの術前同定のための階層的クロススケールフレームワークを構築した。
PathoDCCDは、細胞形態や組織構造からメソ領域の組織まで、多スケールの顕微鏡的特徴を捉えた。
RadioDCCDは、全腫瘍とその生息地-準領域の放射能を組み合わせることで、相補的なマクロな情報を統合した。
論文 参考訳（メタデータ） (2025-12-13T23:49:41Z) - PEaRL: Pathway-Enhanced Representation Learning for Gene and Pathway Expression Prediction from Histology [8.879502752288325]
本稿では PEaRL (Pathway Enhanced Representation Learning) について述べる。
3つのがんSTデータセット全体でPEaRLはSOTA法を一貫して上回り、遺伝子レベルでの発現予測と経路レベルでの表現予測の精度が向上した。
論文 参考訳（メタデータ） (2025-10-03T19:21:23Z) - MIRROR: Multi-Modal Pathological Self-Supervised Representation Learning via Modality Alignment and Retention [57.044719143401664]
病理組織学と転写学は、腫瘍学の基本的なモダリティであり、疾患の形態学的および分子的側面を包含している。
モーダルアライメントと保持を両立させる新しいマルチモーダル表現学習法であるMIRRORを提案する。
がんの亜型化と生存分析のためのTCGAコホートに関する広範囲な評価は,MIRRORの優れた性能を浮き彫りにしている。
論文 参考訳（メタデータ） (2025-03-01T07:02:30Z) - 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) - Pathology-genomic fusion via biologically informed cross-modality graph learning for survival analysis [7.996257103473235]
そこで我々は,全スライド画像(WSI)とバルクRNA-Seq発現データと異種グラフニューラルネットワークを統合したPGHG(Pathology-Genome Heterogeneous Graph)を提案する。
PGHGは生物学的知識誘導表現学習ネットワークと病理ゲノム不均一グラフから構成される。
腫瘍ゲノムアトラスの低悪性度グリオーマ,グリオーマ,腎乳頭状細胞癌データセットについて検討した。
論文 参考訳（メタデータ） (2024-04-11T09:07:40Z) - Artificial-intelligence-based molecular classification of diffuse
gliomas using rapid, label-free optical imaging [59.79875531898648]
DeepGliomaは人工知能に基づく診断スクリーニングシステムである。
ディープグリオーマは、世界保健機関が成人型びまん性グリオーマ分類を定義するために使用する分子変化を予測することができる。
論文 参考訳（メタデータ） (2023-03-23T18:50:18Z)
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。