論文の概要: Cross-Modal Contrastive Learning from Histopathology and CT for Automated Renal Cell Carcinoma Grading

• arxiv url: http://arxiv.org/abs/2609.26920v1
• Date: Tue, 22 Sep 2026 18:16:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 00:05:17.722778
• Title: Cross-Modal Contrastive Learning from Histopathology and CT for Automated Renal Cell Carcinoma Grading
• Title（参考訳）: 腎細胞癌移植における病理組織学的・CTからのクロスモーダルコントラスト学習
• Abstract要約: RCC-Alignはクロスモーダルなコントラスト学習フレームワークである。 非侵襲的なCTベースのccRCCグレード予測を改善するため, 病理組織学とCT(Computed Tomography)データを整列させる。
• 参考スコア（独自算出の注目度）: 5.897995567859675
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Background: Clear cell renal cell carcinoma (ccRCC) exhibits substantial clinical heterogeneity, and accurate grade assessment is essential for risk stratification and treatment planning. However, conventional grading requires invasive tissue sampling. We developed RCC-Align, a cross-modal contrastive learning framework that leverages paired histopathology and computed tomography (CT) data during training to improve noninvasive CT-based ccRCC grade prediction. Methods: RCC-Align aligns paired whole-slide histopathology images (WSIs) and CT scans through contrastive cross-modal objectives, transferring grade-discriminative information from microscopic tissue morphology to macroscopic radiologic representations. The framework was trained and evaluated on paired TCGA and CPTAC cohorts using patient-level five-fold cross-validation. Performance for low- versus high-grade ccRCC classification was compared against CT-only baselines (DINOv2-Base and DINOv2-Finetuned) and a WSI-based reference model (GigaPath-Finetuned). Cross-modal alignment was assessed using cosine similarity analysis. Results: RCC-Align achieved an AUC of 0.601 (95% CI, 0.524-0.673) and AUPRC of 0.599 (95% CI, 0.541-0.676), outperforming DINOv2-Finetuned (AUC 0.545; AUPRC 0.543) with significantly improved low-grade prediction (p = 0.004). RCC-Align also demonstrated stronger paired WSI-CT embedding alignment compared with baselines. The WSI-based GigaPath reference achieved an AUC of 0.719. Conclusion: Pathology-guided contrastive learning improves CT-based ccRCC grading while requiring only CT at inference. This approach may complement tissue diagnosis when biopsy is unsafe, infeasible, or limited by intratumoral heterogeneity. Validation in larger, multi-institutional cohorts with external testing is needed before clinical translation.
• Abstract（参考訳）: 背景: Clear cell renal cell carcinoma (ccRCC) は臨床的に有意な異質性を示し, リスク層化と治療計画に正確なグレードアセスメントが不可欠である。 しかし、従来のグレーティングには侵襲的な組織サンプリングが必要である。 RCC-Alignは,非侵襲的CTベースのccRCCグレード予測を改善するために,トレーニング中に2つの病理組織学とCT(Computed tomography)データを活用するクロスモーダルコントラスト学習フレームワークである。 方法: RCC-Align は, 顕微鏡組織形態学から微視的組織形態学へのグレード識別情報をマクロな放射線学的表現へ変換し, 造影X線による全スライディング組織像(WSIs)とCTスキャンを整列させる。 患者レベル5倍のクロスバリデーションを用いて,TCGAとCPTACを併用したコホートを訓練し,評価した。 DINOv2-BaseとDINOv2-Finetuned)とWSIベースの参照モデル(GigaPath-Finetuned)を比較した。 交叉アライメントはコサイン類似性分析を用いて評価した。 結果: RCC-Align は AUC 0.601 (95% CI, 0.524-0.673) と AUPRC 0.599 (95% CI, 0.541-0.676) を達成し、DINOv2-Finetuned (AUC 0.545; AUPRC 0.543) を上回った。 RCC-Alignはまた、ベースラインと比較して強力なWSI-CT埋め込みアライメントを示した。 WSIベースのGigaPath参照では、AUCは0.719である。 結論: 病的指導によるコントラスト学習は, 推論時にのみCTを必要としながら, CTベースのccRCCグレーディングを改善する。 このアプローチは、生検が安全でない場合、有効でない場合、または腫瘍内不均一性によって制限された場合、組織診断を補完する可能性がある。 臨床翻訳の前には、外部検査を伴う大規模多施設コホートでの検証が必要である。

関連論文リスト

• TriALS: Triphasic-Aided Liver Lesion Segmentation Benchmark in Non-Contrast CT [49.93685997940356]
  コントラスト制限条件下での肝病変の自動分節に対するTriALSの課題について述べる。 最高性能は平均静脈圧0.754で, NCCTでは0.57に低下した。 アルゴリズムの性能は、トレーニングデータスケールと事前学習戦略によって最も強く予測された。
  論文  参考訳（メタデータ） (2026-05-15T19:23:35Z)
• Distilling Photon-Counting CT into Routine Chest CT through Clinically Validated Degradation Modeling [51.330452704464925]
  145の病院から1,046のPCCTと405,379のEICTで潜伏拡散モデルを訓練した。 我々は,PCCTライクな品質に拡張された17,316以上の公開EICTの大規模データセットを構築した。 以上の結果から,現像技術の進歩は,限られた高画質スキャンを基準として,定期的なEICTに体系的に蒸留できることが示唆された。
  論文  参考訳（メタデータ） (2026-04-08T17:47:35Z)
• Neural Discrete Representation Learning for Sparse-View CBCT Reconstruction: From Algorithm Design to Prospective Multicenter Clinical Evaluation [64.42236775544579]
  コーンビームCT(CBCT)ガイド下穿刺は胸部腫瘍の診断・治療に確立されたアプローチとなっている。 DeepPriorCBCTは3段階のディープラーニングフレームワークであり、従来の放射線線量の6分の1しか使用せずに診断段階の再構築を実現する。
  論文  参考訳（メタデータ） (2025-11-30T12:45:02Z)
• 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)
• A Study of Anatomical Priors for Deep Learning-Based Segmentation of Pheochromocytoma in Abdominal CT [3.2784582049471505]
  本研究は,深層学習に基づくPCCセグメンテーションを改善する構成を特定するために,解剖学的先行を体系的に評価する。 フェオクロモサイトーマの正確な3次元セグメンテーションのための11のアノテーション戦略を評価するためにnnU-Netフレームワークを使用した。
  論文  参考訳（メタデータ） (2025-07-21T02:35:29Z)
• A Robust Deep Learning Method with Uncertainty Estimation for the Pathological Classification of Renal Cell Carcinoma based on CT Images [10.860934781772098]
  開発した深層学習モデルは,RCCの病的サブタイプを予測する上で,頑健な性能を示した。 統合された不確実性は,臨床的意思決定を支援する上で重要なモデル信頼の重要性を強調した。
  論文  参考訳（メタデータ） (2023-11-01T15:07:39Z)
• Learning to diagnose cirrhosis from radiological and histological labels with joint self and weakly-supervised pretraining strategies [62.840338941861134]
  そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。 我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。 この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
  論文  参考訳（メタデータ） (2023-02-16T17:06:23Z)
• Correlated Feature Aggregation by Region Helps Distinguish Aggressive from Indolent Clear Cell Renal Cell Carcinoma Subtypes on CT [1.455251203143627]
  腎細胞癌(英: Renal cell carcinoma, RCC)は、臨床行動が異なるがんである。 CT画像に対する攻撃性の決定は、リスク階層化と治療計画を容易にするために臨床的に重要である。 本研究の目的は, 病理像の特徴と相関する放射線学的特徴を機械学習で同定し, 病理像ではなくCT画像上でのがん攻撃性の評価を容易にすることである。
  論文  参考訳（メタデータ） (2022-09-29T09:39:31Z)
• Co-Heterogeneous and Adaptive Segmentation from Multi-Source and Multi-Phase CT Imaging Data: A Study on Pathological Liver and Lesion Segmentation [48.504790189796836]
  我々は,新しいセグメンテーション戦略,コヘテロジネティック・アダプティブセグメンテーション(CHASe)を提案する。 本稿では,外見に基づく半スーパービジョン,マスクに基づく対向ドメイン適応,擬似ラベルを融合した多目的フレームワークを提案する。 CHASeは4.2% sim 9.4%$の範囲で、病理的な肝臓マスクDice-Sorensen係数をさらに改善することができる。
  論文  参考訳（メタデータ） (2020-05-27T06:58:39Z)

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。