論文の概要: Cellular-Communication-Level Interpretability for Pathology Foundation Models via Graph Distillation on Microenvironment

• arxiv url: http://arxiv.org/abs/2609.26073v1
• Date: Sun, 02 Aug 2026 17:24:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.856881
• Title: Cellular-Communication-Level Interpretability for Pathology Foundation Models via Graph Distillation on Microenvironment
• Title（参考訳）: 微小環境におけるグラフ蒸留による病理基盤モデルの細胞通信レベル解釈可能性
• Abstract要約: セルラー通信レベルインタプリタに凍結したPFM教師を装備するグラフ蒸留フレームワークであるGraph-Interpreter(G-Interp)を紹介する。 各タイルに対して,細胞をグラフノードとして分割し,空間的隣接性に基づく微小環境グラフを構築する。 我々はこれらの重要性を細胞間コミュニケーションの証拠として解釈し、PFMがどのようにマイクロ環境コンテキストをコードしているかを詳細に説明する。
• 参考スコア（独自算出の注目度）: 24.109561092159932
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Pathology foundation models (PFMs) provide strong tile-level representations but remain difficult to interpret at the cellular and microenvironmental scales that underpin clinical reasoning. We introduce Graph-Interpreter (G-Interp), a graph-distillation framework that equips a frozen PFM teacher with a cellular-communication-level "plug-in" interpreter, without modifying the teacher. For each tile, we segment cells as graph nodes and construct a microenvironment graph based on spatial adjacency. Graph neural network (GNN) students distil the PFM embedding, whilst learning attention-based message passing that yields node- and edge-level importances. We interpret these importances as cell-cell communication evidence, providing fine-grained explanations of how PFMs encode microenvironmental context. To stabilise distillation when graph abstraction is imperfect, we employ a lightweight auxiliary student to supply complementary visual cues and condition graph message passing, while keeping the primary interpretability signal graph-derived. We evaluate explanation faithfulness by mapping graph-selected evidence back to the image using instance masks and measuring teacher sensitivity under targeted vs non-target occlusions. Across multiple histopathology tasks, G-Interp produces highly scalable, microenvironment-aware explanations, while maintaining competitive predictive performance.
• Abstract（参考訳）: 病理基盤モデル(PFM)は、強力なタイルレベルの表現を提供するが、臨床推論の基盤となる細胞および微小環境スケールで解釈することは困難である。 我々は,教師を改造することなく,セルラー通信レベルの「プラグイン」インタプリタを冷凍PFM教師に装備するグラフ蒸留フレームワークであるGraph-Interpreter (G-Interp)を紹介した。 各タイルに対して,細胞をグラフノードとして分割し,空間的隣接性に基づく微小環境グラフを構築する。 グラフニューラルネットワーク(GNN)の学生は、ノードレベルとエッジレベルの重要性をもたらす注意ベースのメッセージパッシングを学習しながら、PFM埋め込みを廃止する。 我々はこれらの重要性を細胞間コミュニケーションの証拠として解釈し、PFMがどのようにマイクロ環境コンテキストをコードしているかを詳細に説明する。 グラフの抽象化が不十分な場合の蒸留を安定化するため,予備的な可読性信号グラフを導出しつつ,補完的な視覚的手がかりと条件グラフメッセージパッシングを提供するために,軽量な補助学生を用いる。 本研究は,グラフ選択された証拠を事例マスクを用いて画像にマッピングし,標的と非対象の閉塞下での教師の感度を測定することによって,説明の忠実さを評価する。 複数の病理学タスクの中で、G-Interpは、競争力のある予測性能を維持しながら、高度にスケーラブルでマイクロ環境に配慮した説明を生成する。

関連論文リスト

• Toward a universal foundation model for graph-structured data [10.419880239076734]
  グラフは生物医学研究の中心的な表現であり、分子相互作用ネットワーク、遺伝子制御回路、細胞間通信マップ、知識グラフを捉えている。 既存のグラフニューラルネットワークは通常、単一のデータセットでトレーニングされ、そのグラフのノードの特徴、トポロジ、ラベル空間に特有の表現を学ぶ。 ここでは、特定のノードの同一性や特徴スキームに特有でない転送可能な構造表現を学習するために設計されたグラフ基礎モデルを紹介する。
  論文  参考訳（メタデータ） (2026-04-07T19:21:21Z)
• A Graph-Based Framework for Interpretable Whole Slide Image Analysis [86.37618055724441]
  我々は,全スライディング画像を生物学的にインフォームドされたグラフ表現に変換するフレームワークを開発した。 我々のアプローチは、任意の格子ではなく、自然構造を尊重する組織領域からグラフノードを構築する。 がんのステージングと生存予測の課題に強いパフォーマンスを示す。
  論文  参考訳（メタデータ） (2025-03-14T20:15:04Z)
• Beyond Message Passing: Neural Graph Pattern Machine [50.78679002846741]
  本稿では,グラフサブストラクチャから直接学習することで,メッセージパッシングをバイパスする新しいフレームワークであるNeural Graph Pattern Machine(GPM)を紹介する。 GPMはタスク関連グラフパターンを効率的に抽出し、エンコードし、優先順位付けする。
  論文  参考訳（メタデータ） (2025-01-30T20:37:47Z)
• Efficient and Robust Continual Graph Learning for Graph Classification in Biology [4.1259781599165635]
  本稿では,グラフデータ分類のための頑健で効率的な連続グラフ学習フレームワークであるPerturbed and Sparsified Continual Graph Learning (PSCGL)を提案する。 PSCGLはタスク間の知識を保持するだけでなく、生物学におけるグラフ分類モデルの効率性と堅牢性を高める。
  論文  参考訳（メタデータ） (2024-11-18T15:47:37Z)
• Discovering the Representation Bottleneck of Graph Neural Networks from Multi-order Interactions [51.597480162777074]
  グラフニューラルネットワーク(GNN)は、ノード機能を伝搬し、インタラクションを構築するためにメッセージパッシングパラダイムに依存している。 最近の研究は、異なるグラフ学習タスクはノード間の異なる範囲の相互作用を必要とすることを指摘している。 科学領域における2つの共通グラフ構築法、すなわち、emphK-nearest neighbor(KNN)グラフとemphfully-connected(FC)グラフについて検討する。
  論文  参考訳（メタデータ） (2022-05-15T11:38:14Z)
• Graph-in-Graph (GiG): Learning interpretable latent graphs in non-Euclidean domain for biological and healthcare applications [52.65389473899139]
  グラフは、医療領域において、非ユークリッドな非ユークリッドデータをユビキタスに表現し、分析するための強力なツールである。 近年の研究では、入力データサンプル間の関係を考慮すると、下流タスクに正の正の正則化効果があることが示されている。 タンパク質分類と脳イメージングのためのニューラルネットワークアーキテクチャであるGraph-in-Graph(GiG)を提案する。
  論文  参考訳（メタデータ） (2022-04-01T10:01:37Z)
• Graph Structure Learning with Variational Information Bottleneck [70.62851953251253]
  本稿では,新しい変分情報ボトルネックガイド付きグラフ構造学習フレームワーク,すなわちVIB-GSLを提案する。 VIB-GSLは情報的かつ圧縮的なグラフ構造を学習し、特定の下流タスクに対して実行可能な情報を蒸留する。
  論文  参考訳（メタデータ） (2021-12-16T14:22:13Z)
• Gini in a Bottleneck: Sparse Molecular Representations for Graph Convolutional Neural Networks [4.297070083645049]
  マルチタスクグラフ畳み込みニューラルネットワークにおいて、Giniインデックスに従って一定の重みを拘束することは、いくつかの目標に対する評価指標を劣化させるものではないことを示す。 次に、パブリックなQM9データセット上で量子化学ターゲットに関する概念実証実験を行い、独自の薬物様分子に対するADMETターゲットに関するより大きな実験を行った。
  論文  参考訳（メタデータ） (2020-10-09T12:55:17Z)

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。