論文の概要: MIST: Multimodal Survival Prediction with Genomic-Guided Histology Attention

• arxiv url: http://arxiv.org/abs/2609.21811v1
• Date: Fri, 18 Sep 2026 14:21:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-21 18:40:17.140006
• Title: MIST: Multimodal Survival Prediction with Genomic-Guided Histology Attention
• Title（参考訳）: MIST:ゲノミクスガイドを用いたマルチモーダル生存予測
• Abstract要約: MISTは、ゲノムの特徴をトークンとして表現し、コンパクトな基盤モデル由来のヒストロジーコンテキストトークンをクエリできる。 トレーニングは、離散時間生存予測とゲノム特徴マスキング、WSIドロップアウト、およびペアのWSI-ゲノミクスコントラストアライメントを組み合わせる。 その結果,マルチモーダル・オンコロジーの結果予測のためのコンパクトかつ効果的な戦略として,ゲノム誘導型組織学の注目が支持された。
• 参考スコア（独自算出の注目度）: 5.90537961429843
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multimodal survival models can combine complementary prognostic information from whole-slide images and genomic profiles, but effective fusion remains challenging amid external cohort shift and computational complexity. To address these challenges, we propose MIST, multimodal survival prediction with genomic-guided histology attention. MIST represents genomic features as tokens and allows them to query compact foundation-model-derived histology context tokens before survival prediction. This design enriches molecular information with histology context rather than merging separately encoded modalities only at the final stage. Training combines discrete-time survival prediction with genomic feature masking, WSI dropout, and paired WSI-genomics contrastive alignment. Across four external evaluations in colon, renal, lung, and glioblastoma cohorts, MIST improves external C-index over standard fusion baselines in the primary comparisons. These results support genomic-guided histology attention as a compact and effective strategy for multimodal oncology outcome prediction. Our code is available at https://github.com/samiyavuuz/MIST .
• Abstract（参考訳）: マルチモーダルサバイバルモデルは、全スライディング画像とゲノムプロファイルからの相補的な予後情報を組み合わせることができるが、外部コホートシフトや計算複雑性の中で効果的な融合は困難である。 これらの課題に対処するために、ゲノム誘導された組織学的注意を伴うマルチモーダルサバイバル予測であるMISTを提案する。 MISTは、ゲノムの特徴をトークンとして表現し、生存予測の前に、コンパクトな基礎モデル由来の組織学的コンテキストトークンをクエリできる。 この設計は、最終段階でのみ、個別に符号化されたモダリティをマージするのではなく、組織学的文脈で分子情報を豊かにする。 トレーニングは、離散時間生存予測とゲノム特徴マスキング、WSIドロップアウト、およびペアのWSI-ゲノミクスコントラストアライメントを組み合わせる。 大腸, 腎, 肺, グリオ芽腫コホートにおける4つの外的評価において, MISTは初回比較において標準核融合ベースラインよりも外的C-インデックスを改善している。 これらの結果は、マルチモーダル・オンコロジーの結果予測のためのコンパクトで効果的な戦略として、ゲノム誘導型組織学の注意を支えている。 私たちのコードはhttps://github.com/samiyavuuz/MIST で利用可能です。

関連論文リスト

• SHIFT: Survival Prediction from Incomplete and Heterogeneous Genomic Data [5.954313066207682]
  ゲノム予測モデルは、シーケンスパネルがサイトによって異なるため、組織間での転送に失敗することが多く、配置時に構造的特徴の欠如が生じる。 本研究では,不完全なゲノム入力を直接予測する不完全な生存モデルであるTransformer (SHIFT) を用いて,不完全な特徴を扱うサバイバル予測を提案する。
  論文  参考訳（メタデータ） (2026-07-04T21:04:57Z)
• Handling Missing Modalities in Multimodal Survival Prediction for Non-Small Cell Lung Cancer [28.475952006436227]
  我々はCT(Computed Tomography)、WSI(Whole-Slide Histopathology)画像、および非切除性ステージII-III NSCLCにおける総合生存モデリングのための構造化された臨床変数を統合した、欠落したマルチモーダルサバイバルフレームワークを提案する。 実験結果から, 中間核融合は早期および後期核融合戦略と同様に, 単相塩基性よりも一貫して優れていた。
  論文  参考訳（メタデータ） (2026-01-15T13:38:19Z)
• impuTMAE: Multi-modal Transformer with Masked Pre-training for Missing Modalities Imputation in Cancer Survival Prediction [75.43342771863837]
  我々は,効率的なマルチモーダル事前学習戦略を備えた新しいトランスフォーマーに基づくエンドツーエンドアプローチである impuTMAE を紹介する。 マスクされたパッチを再構築することで、モダリティの欠如を同時に示唆しながら、モダリティ間の相互作用とモダリティ内相互作用を学習する。 本モデルは,TGA-GBM/LGGとBraTSデータセットを用いたグリオーマ生存予測のために,異種不完全データに基づいて事前訓練を行った。
  論文  参考訳（メタデータ） (2025-08-08T10:01:16Z)
• Deep Survival Analysis in Multimodal Medical Data: A Parametric and Probabilistic Approach with Competing Risks [47.19194118883552]
  単一リスクシナリオと競合リスクシナリオの両方をモデル化可能な生存分析のためのマルチモーダルディープラーニングフレームワークを提案する。 生存予測のための新しいディープラーニングアーキテクチャであるSAMVAE(Survival Analysis Multimodal Variational Autoencoder)を提案する。
  論文  参考訳（メタデータ） (2025-07-10T14:29:48Z)
• AdaMHF: Adaptive Multimodal Hierarchical Fusion for Survival Prediction [29.11927806428086]
  AdaMHFは、効率的で包括的で調整された特徴抽出と融合のために設計されたフレームワークである。 これは医療データのユニークさに特化しており、最小限のリソース消費で正確な予測を可能にする。 TCGAデータセットに対する大規模な実験は、AdaMHFが現在の最先端の手法を超越していることを示している。
  論文  参考訳（メタデータ） (2025-03-27T03:27:55Z)
• 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)
• M2EF-NNs: Multimodal Multi-instance Evidence Fusion Neural Networks for Cancer Survival Prediction [24.323961146023358]
  本稿では,M2EF-NNと呼ばれるニューラルネットワークモデルを提案する。 画像中のグローバル情報をキャプチャするために、事前訓練された視覚変換器(ViT)モデルを用いる。 Dempster-Shaferエビデンス理論(DST)を癌生存予測に適用した最初の例である。
  論文  参考訳（メタデータ） (2024-08-08T02:31:04Z)
• Pathology-and-genomics Multimodal Transformer for Survival Outcome Prediction [43.1748594898772]
  大腸癌生存予測に病理学とゲノム学的知見を統合したマルチモーダルトランスフォーマー(PathOmics)を提案する。 ギガピクセル全スライド画像における組織ミクロ環境間の内在的相互作用を捉えるための教師なし事前訓練を強調した。 我々は,TCGA大腸癌と直腸癌コホートの両方に対するアプローチを評価し,提案手法は競争力があり,最先端の研究より優れていることを示す。
  論文  参考訳（メタデータ） (2023-07-22T00:59:26Z)

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。