論文の概要: Conserved Immune Topology Improves Pathology Foundation Model Generalization for Cross-Cancer MSI-H Prediction
- arxiv url: http://arxiv.org/abs/2609.05182v1
- Date: Fri, 04 Sep 2026 14:17:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-07 18:15:24.067951
- Title: Conserved Immune Topology Improves Pathology Foundation Model Generalization for Cross-Cancer MSI-H Prediction
- Title（参考訳）: 保存免疫トポロジーは、クロスキャンサーMSI-H予測のための病理基盤モデル一般化を改善する
- Abstract要約: 我々は,クロスカメラMSI-H予測のための軽量空間表現であるConserved Immune Top (CIT)を提案する。
CITは、免疫関連タイルの同定に教師なしクラスタリングを使用し、リンパ構造、経時的免疫反応、マルチスケールの腫瘍浸潤性リンパ球密度をコードする。
以上の結果から,CITはMSI-H予測のための臓器不変表現であり,病理基盤モデルのクロスカンサー一般化をサポートする可能性が示唆された。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Pathology foundation models integrated with multiple instance learning achieve competitive accuracy within single-cancer cohorts, yet cross-cancer generalization remains unresolved due to organ-specific histological and architectural differences. In this paper, we propose Conserved Immune Topology (CIT), a lightweight spatial representation for cross-cancer MSI-H prediction that augments foundation-model embeddings with biologically motivated immune descriptors. CIT uses unsupervised clustering to identify immune-associated tiles, then encodes tertiary lymphoid structures, peritumoral immune reactions, multi-scale tumor-infiltrating lymphocyte density, and immune-tumor mixing from frozen foundation-model embeddings and tile coordinates without requiring annotations or target-domain data. The proposed method was evaluated under cross-site and cross-cancer settings using CPTAC-COAD and TCGA-STAD cohorts, which introduce scanner variability, distribution shifts, and organ-specific architectural variations. Zero-shot cross-cancer transfer with CIT increased TransMIL AUC from 0.6627 to 0.7161, an absolute gain of 0.0534 (p=0.003), with consistent improvements across all three MIL aggregators. These results suggest that spatial immune topology provides potentially an organ-invariant representation for MSI-H prediction, supporting cross-cancer generalization of pathology foundation models.
- Abstract（参考訳）: 複数の事例学習と統合された病理基盤モデルは、単一がんコホート内での競合精度を達成するが、臓器固有の組織学的およびアーキテクチャ的違いのため、クロスがんの一般化は未解決のままである。
本稿では, 生物学的に動機付けられた免疫記述子を用いた基礎モデル埋め込みを増強する, クロスカメラMSI-H予測のための軽量空間表現であるConserved Immune Topology (CIT)を提案する。
CITは、免疫関連タイルの同定に教師なしクラスタリングを使用し、次いで第三次リンパ構造、経時的免疫反応、多スケールの腫瘍浸潤性リンパ球密度、凍結した基礎モデル埋め込みとタイル座標からの免疫-腫瘍混合をアノテーションやターゲットドメインデータなしでコードする。
提案手法はCPTAC-COADとTCGA-STADコホートを用いてクロスサイトおよびクロスカメラ環境下で評価し, スキャナの変動, 分布シフト, 臓器固有の構造変化を導入した。
CITによるゼロショットクロスカメラ転送によりTransMIL AUCは0.6627から0.7161に増加し、絶対ゲインは0.0534 (p=0.003)となり、3つのMILアグリゲータで一貫した改善が行われた。
これらの結果から, 空間免疫トポロジーは, MSI-H予測の臓器不変表現であり, 病理基盤モデルのクロスカンサー一般化を支援する可能性が示唆された。
関連論文リスト
- Dementia Etiology Diagnosis via Collaborative Meta Knowledge Enhancement [81.27196033392559]
認知症発症診断のための協調的メタ知識向上(COME)フレームワークを提案する。
COMEは、マルチセンタ取得セマンティクス、ソース識別子、モダリティインジケータを異種性を認識した埋め込みとして、スケールアップトレーニングのためにTransformerアーキテクチャに注入する。
本手法は,平均マクロ平均AUCが85.62%,最強ベースラインが4.29ポイント向上し,最先端のドメイン性能を実現する。
論文 参考訳（メタデータ） (2026-07-24T04:26:47Z) - Data-Efficient Multimodal Alignment for Histopathology-based Molecular Prediction [3.229566379058554]
凍結した病理組織とRNA-Seqファンデーションモデル上に軽量アライメントモジュールをトレーニングすることで、オープンボキャブラリ分子プロンプトが実現できることを示す。
ベースライン法よりも25倍の検索改善を実現した。
我々はPOSEIDON臨床試験における臨床的有用性を検証する。
論文 参考訳（メタデータ） (2026-06-29T08:24:53Z) - 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) - Biological Spatial Priors Regularize Foundation Model Representations for Cross-Site MSI Generalization in Colorectal Cancer [0.0]
周辺距離エンコーディングに基づく生物的動機付き空間前処理を導入する。
6つの基礎モデルとMILアグリゲータの組み合わせを基準として評価し,それぞれの空間的先行効果を評価する。
その結果、生物学的に接地された空間前駆体は、サイト固有の画像パターンへの依存を減らす正則化剤として機能することが示唆された。
論文 参考訳（メタデータ） (2026-05-04T14:39:40Z) - Learning Glioblastoma Tumor Heterogeneity Using Brain Inspired Topological Neural Networks [3.120728330365825]
TopoGBMは3D MRIからスキャナ・ロバスト表現をキャプチャする学習フレームワークである。
機械的解釈可能性分析により、再構成残基が病理学的に不均一な領域に高度に局在していることが判明した。
論文 参考訳（メタデータ） (2026-02-11T16:28:13Z) - 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) - Histology-informed tiling of whole tissue sections improves the interpretability and predictability of cancer relapse and genetic alterations [4.70518291890921]
デジタル病理パイプラインは、しばしば組織アーキテクチャを無視したグリッドベースのタイリングに依存している。
意味的セグメンテーションを用いてスライド画像から腺を抽出する組織学的インフォームド・タイリング(HIT)を導入する。
760 WSIsから380,000個の腺を抽出し,MILモデルAUCを10%改良し,上皮間葉移行(EMT)およびMYCに関連する遺伝子のコピー数変動(CNVs)を検出した。
論文 参考訳（メタデータ） (2025-11-13T15:54:25Z) - LGE-Guided Cross-Modality Contrastive Learning for Gadolinium-Free Cardiomyopathy Screening in Cine CMR [51.11296719862485]
CMRを用いたガドリニウムフリー心筋症スクリーニングのためのコントラシブラーニングおよびクロスモーダルアライメントフレームワークを提案する。
CMRとLate Gadolinium Enhancement (LGE) 配列の潜伏空間を整列させることにより, 本モデルでは線維症特異的な病理組織をCMR埋め込みにエンコードする。
論文 参考訳（メタデータ） (2025-08-23T07:21:23Z) - 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) - MGCT: Mutual-Guided Cross-Modality Transformer for Survival Outcome
Prediction using Integrative Histopathology-Genomic Features [2.3942863352287787]
Mutual-Guided Cross-Modality Transformer (MGCT) は、注意に基づくマルチモーダル学習フレームワークである。
腫瘍微小環境における遺伝子型-フェノタイプ相互作用をモデル化するために,組織学的特徴とゲノム的特徴を組み合わせたMGCTを提案する。
論文 参考訳（メタデータ） (2023-11-20T10:49:32Z) - Generating counterfactual explanations of tumor spatial proteomes to
discover effective strategies for enhancing immune infiltration [44.99833362998488]
腫瘍微小環境(TME)は免疫組成により癌予後に大きな影響を及ぼす。
本稿では,T細胞浸潤予測を自己教師型機械学習問題として定式化する。
悪性黒色腫,大腸癌肝転移,乳癌データに枠組みを応用し,T細胞浸潤が予測される摂動を発見した。
論文 参考訳（メタデータ） (2022-11-08T05:46:02Z) - Deep learning-based approach to reveal tumor mutational burden status
from whole slide images across multiple cancer types [41.61294299606317]
腫瘍突然変異負担(TMB)は、免疫療法の潜在的なゲノムバイオマーカーである。
ゲノムシークエンシングによって検出されたTMBは、低リソース環境での臨床透過性を欠いている。
本研究では,日常的に使用されているスライド画像からTMB状態を検出するための大規模ディープラーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2022-04-07T07:02:32Z)
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。