論文の概要: Hybrid quantum-classical attention for histopathology-based molecular profiling in data-limited cancers
- arxiv url: http://arxiv.org/abs/2609.21115v1
- Date: Thu, 17 Sep 2026 22:00:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-21 18:40:16.787987
- Title: Hybrid quantum-classical attention for histopathology-based molecular profiling in data-limited cancers
- Title（参考訳）: データ制限癌における病理組織学的分子プロファイリングのためのハイブリッド量子古典的注意
- Abstract要約: 正常な病理組織学からの分子プロファイリングは、シークエンシングが不可能な場合、組織が限られている場合、またはコホートを訓練する場合、精度の高い腫瘍学へのアクセスを拡大する可能性がある。
我々は,病理組織学に基づく遺伝子発現予測のために,転写変換器のソフトマックスアテンションを量子由来の二重行列に置き換えるハイブリッド量子古典戦略を開発した。
均一に改善するのではなく、QDSMは遺伝子や経路をまたいだ予測精度を再配布し、一部の腫瘍の文脈において生物学的に関連のある標的を改善しながら、他の領域を悪化させた。
- 参考スコア（独自算出の注目度）: 0.01891236602871645
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Molecular profiling from routine histopathology could expand access to precision oncology when sequencing is unavailable, tissue is limited, or training cohorts are small. We developed a hybrid quantum-classical strategy that replaces softmax attention in a transformer for histopathology-based gene expression prediction with a quantum-derived doubly stochastic matrix (QDSM). Across 29 cancer cohorts from The Cancer Genome Atlas and an independent pancreatic cancer cohort from the Clinical Proteomic Tumor Analysis Consortium, QDSM attention produced selective gains, with the largest relative improvements in smaller, data-limited cohorts, including adrenocortical carcinoma and uveal melanoma. Rather than improving transcriptome-wide performance uniformly, QDSM redistributed predictive accuracy across genes and pathways, improving biologically relevant targets in some tumor contexts while worsening others. In adrenocortical carcinoma, preferentially improved genes were enriched for adverse overall-survival associations, linking enhanced molecular inference to prognostically relevant biology. In pancreatic cancer transfer experiments, QDSM improved selected metabolic and lineage-associated genes but did not consistently improve performance under cross-cohort shift. Leave-one-cancer-out mixed-effects analysis showed that baseline molecular features predicted part of the gene-level benefit, while residuals identified cancer-specific programs that improved more or less than expected. Separate experiments on IBM quantum processors recovered the doubly stochastic matrix primitive underlying the attention mechanism. These findings position QDSM attention as a context- and target-dependent strategy for image-based molecular profiling and molecular triage when direct testing is unavailable, incomplete, or impractical.
- Abstract（参考訳）: 正常な病理組織学からの分子プロファイリングは、シークエンシングが不可能な場合、組織が限られている場合、またはコホートを訓練する場合、精度の高い腫瘍学へのアクセスを拡大する可能性がある。
病理組織学に基づく遺伝子発現予測のためのトランスフォーマーのソフトマックスアテンションを量子由来の2重確率行列(QDSM)に置き換えるハイブリッド量子古典戦略を開発した。
The Cancer Genome Atlasの29のがんコホートと、Citical Proteomic tumor Analysis Consortiumの独立した膵癌コホートのうち、QDSMの注目は、副腎皮質癌やぶどう膜メラノーマを含む、より小さなデータ制限コホートにおいて最大の相対的な改善を生んだ。
トランスクリプトーム全体のパフォーマンスを均一に改善するのではなく、QDSMは遺伝子や経路の予測精度を再分配し、一部の腫瘍のコンテキストにおいて生物学的に関連のある標的を改善し、他の領域を悪化させた。
副腎皮質癌では, 予後関連生物学と分子推論を関連付けることにより, 遺伝子改良を優先的に行った。
膵癌移植実験では、QDSMは選択された代謝および系統関連遺伝子を改善したが、クロスコホートシフト時のパフォーマンスは一貫して改善しなかった。
単発の混合効果分析では、塩基性分子の特徴が遺伝子レベルの利点の一部を予測し、残基は、予想以上に改善されたがん特異的プログラムを同定した。
IBM量子プロセッサに関する別々の実験は、注意機構の根底にある二重確率行列のプリミティブを復元した。
これらの知見は、直接検査が不可能、不完全、あるいは実用的でない場合に、QDSMの注意を画像ベースの分子プロファイリングと分子トリアージの文脈的および標的的戦略として位置づけている。
関連論文リスト
- Quantum Kernel Estimation for the Discovery of Early Lung Cancer Detection [0.36944296923226316]
DNA断片化とDNAメチル化を用いた肺がん検出のための量子古典的ハイブリッド機械学習の評価を行った。
フラグメントミクスでは、古典的なSVMベースラインに対するAUCが改善された。
メチル化では、古典的なSVMは最高のAUCを達成したが、選択された量子モデルは競争力を維持し、いくつかのケースでは特異性を改善した。
論文 参考訳（メタデータ） (2026-08-19T17:57:25Z) - 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) - Quantum AI for Cancer Diagnostic Biomarker Discovery [0.0]
肺腺癌(LUAD)および肺扁平上皮癌(LUSC)の亜型特異的バイオマーカーの同定にQMLを適用した。
第2段階は、LUAD腫瘍とLUSC腫瘍と、腫瘍と正常標本を区別できる量子分類器の開発に焦点を当てている。
その結果、QMLはバイオマーカー発見およびサブタイプ特異的癌分類に効果的でスケーラブルなアプローチを提供することが示された。
論文 参考訳（メタデータ） (2026-04-18T00:17:13Z) - Pan-Cancer Mapping of the Tumor Immune Landscape through Metagene Clustering and Predictive Modeling [0.40611352512781856]
免疫プロファイリングの進歩にもかかわらず、免疫表現型を誘導するメカニズムは未だ不明である。
本研究は、新規で堅牢な免疫関連遺伝子クラスター(メタゲイン)の同定を目的とする。
遺伝子は高発現群と低発現群の差分表現によってランク付けされた。
論文 参考訳（メタデータ） (2026-03-28T05:38:40Z) - Interpretable Graph Kolmogorov-Arnold Networks for Multi-Cancer Classification and Biomarker Identification using Multi-Omics Data [36.92842246372894]
Multi-Omics Graph Kolmogorov-Arnold Network (MOGKAN)は、メッセンジャーRNA、マイクロRNA配列、DNAメチル化サンプルを利用するディープラーニングフレームワークである。
グラフに基づく深層学習とマルチオミクスデータを統合することにより,提案手法は頑健な予測性能と解釈可能性を示す。
論文 参考訳（メタデータ） (2025-03-29T02:14:05Z) - Multivariate Feature Selection and Autoencoder Embeddings of Ovarian Cancer Clinical and Genetic Data [2.973561339858947]
本研究は,卵巣癌(OC)における新規な臨床および遺伝マーカー発見のためのデータ駆動的アプローチについて検討する。
オートエンコーダ解析では、臨床特徴と臨床および遺伝データの組合せを用いて、より明確なパターンが出現した。
主要な臨床変数(手術の種類、ネオアジュバント化学療法など)と特定の遺伝子変異は、リスクの低い遺伝子因子と強い関連性を示した。
論文 参考訳（メタデータ） (2025-01-27T09:07:07Z) - LASSO-MOGAT: A Multi-Omics Graph Attention Framework for Cancer Classification [41.94295877935867]
本稿では,メッセンジャーRNA,マイクロRNA,DNAメチル化データを統合し,31種類のがんを分類するグラフベースのディープラーニングフレームワークLASSO-MOGATを紹介する。
論文 参考訳（メタデータ） (2024-08-30T16:26:04Z) - Using Multiparametric MRI with Optimized Synthetic Correlated Diffusion Imaging to Enhance Breast Cancer Pathologic Complete Response Prediction [71.91773485443125]
ネオアジュバント化学療法は乳癌の治療戦略として最近人気を集めている。
ネオアジュバント化学療法を推奨する現在のプロセスは、医療専門家の主観的評価に依存している。
本研究は, 乳癌の病理組織学的完全反応予測に最適化されたCDI$s$を応用することを検討した。
論文 参考訳（メタデータ） (2024-05-13T15:40:56Z) - 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) - Comparison of Machine Learning Classifiers to Predict Patient Survival
and Genetics of GBM: Towards a Standardized Model for Clinical Implementation [44.02622933605018]
放射線モデルは、グリオ芽腫(GBM)の結果予測のための臨床データを上回ることが示されています。
GBM患者の生存率(OS),IDH変異,O-6-メチルグアニン-DNA-メチルトランスフェラーゼ(MGMT)プロモーターメチル化,EGFR(EGFR)VII増幅,Ki-67発現の9種類の機械学習分類器を比較した。
xgb は os (74.5%), ab for idh 変異 (88%), mgmt メチル化 (71,7%), ki-67 発現 (86,6%), egfr増幅 (81。
論文 参考訳（メタデータ） (2021-02-10T15:10:37Z)
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。