論文の概要: Is H&E Image-to-Spatial Transcriptomics Simpler Than It Looks?

• arxiv url: http://arxiv.org/abs/2609.32857v1
• Date: Sat, 26 Sep 2026 18:31:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 19:32:07.191972
• Title: Is H&E Image-to-Spatial Transcriptomics Simpler Than It Looks?
• Title（参考訳）: H&E画像から空間的トランスクリプトークスは見た目よりシンプルか?
• Abstract要約: 平均二乗誤差MSEの目的の下で予測誤差の構造について検討する。 内すべり成分は、制御された神経実験において残留正規化パラメータの感度が低い。 同じイントラスライダー監視は、既存のニューラルモデルを改善する。
• 参考スコア（独自算出の注目度）: 2.3115305614415345
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Predicting spatial gene expression from routine H&E histology offers a scalable route toward spatial molecular profiling. Recent work has pursued increasingly sophisticated architectures to capture spatial context and richer expression structure. At the same time, simple estimators have shown strong performance in several studies, but what they already solve and where additional complexity is needed remain unclear. We study this behavior through the structure of prediction error under the mean-squared error (MSE) objective. Differences in average expression across genes can account for a substantial part of aggregate prediction performance, while a key unresolved error lies in recovering variation within each slide. Decomposing MSE into slide-level and within-slide components, we find that the within-slide component has lower residual-normalized parameter sensitivity in controlled neural experiments. This motivates Component-Guided Loss (CGL), which increases supervision of the within-slide component. CGL-Linear is a closed-form affine instantiation that achieves overall state-of-the-art performance across HEST-1k cohorts and gene-panel sizes. The same within-slide supervision improves existing neural models. These results suggest that substantial gains can come from aligning the training objective with prediction-error structure rather than increasing model complexity.
• Abstract（参考訳）: 通常のH&E組織学から空間遺伝子発現を予測することは、空間分子プロファイリングへのスケーラブルな経路を提供する。 最近の研究は、空間的コンテキストとよりリッチな表現構造を捉えるために、ますます洗練されたアーキテクチャを追求している。 同時に、単純な推定器はいくつかの研究で高い性能を示してきたが、すでに何を解決するのか、さらに複雑なものが必要なのかは不明だ。 平均二乗誤差 (MSE) の目的の下で, 予測誤差の構造を通して, この挙動を考察する。 遺伝子間の平均表現の差は、集合予測性能のかなりの部分を占めるが、重要な未解決エラーは、各スライド内での変動の回復にある。 MSEをスライドレベルおよびすべり内成分に分解すると、制御されたニューラルネットワーク実験において、すべり内成分は残留正規化パラメータ感度が低いことが判明した。 これによってComponent-Guided Loss (CGL) がモチベーションとなり、in-slide コンポーネントの監視が強化される。 CGL-Linearは、HEST-1kコホートと遺伝子パネルサイズをまたいだ全体的な最先端性能を実現するクローズドフォームアフィンインスタンス化である。 同じイントラスライダー監視は、既存のニューラルモデルを改善する。 これらの結果は、モデルの複雑さを増大させるのではなく、トレーニング目標と予測エラー構造を一致させることで、かなりの利益が得られることを示唆している。

関連論文リスト

• HSFM: Hard-Set-Guided Feature-Space Meta-Learning for Robust Classification under Spurious Correlations [25.503211313768062]
  本稿では,特徴空間で直接拡張を行う二段階メタラーニング手法を提案する。 ピクセル空間ではなくバックボーン出力で操作することで、この手法は非常に効率的で安定であり、1つのGPUで数分のトレーニングしか必要としない。
  論文  参考訳（メタデータ） (2026-03-31T06:32:56Z)
• Causal Discovery with Mixed Latent Confounding via Precision Decomposition [0.0]
  微分可能およびスコアベースDAG学習者は、グローバル潜伏効果を因果エッジと誤解釈することができる。 我々は,これらの役割を分離したモジュール型高精度パイプラインであるtextscDCL-DECORを提案する。
  論文  参考訳（メタデータ） (2025-12-31T08:03:41Z)
• Scaling Collapse Reveals Universal Dynamics in Compute-Optimally Trained Neural Networks [59.552873049024775]
  計算最適化モデルでは, 極めて高精度な普遍性を示すことを示す。 学習速度が減衰すると、崩壊は非常に厳しくなり、モデル間の正規化曲線の差はノイズフロアより下になる。 これらの現象は、典型的なニューラルスケーリング法則において、崩壊とパワー・ロー構造を結びつけることによって説明される。
  論文  参考訳（メタデータ） (2025-07-02T20:03:34Z)
• On the Dynamics Under the Unhinged Loss and Beyond [104.49565602940699]
  我々は、閉形式力学を解析するための数学的機会を提供する、簡潔な損失関数であるアンヒンジド・ロスを導入する。 アンヒンジされた損失は、時間変化学習率や特徴正規化など、より実践的なテクニックを検討することができる。
  論文  参考訳（メタデータ） (2023-12-13T02:11:07Z)
• A Neural Collapse Perspective on Feature Evolution in Graph Neural Networks [44.31777384413466]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データの分類タスクでますます人気が高まっている。 本稿では,ノードワイズ分類に着目し,ニューラル崩壊現象のレンズによる特徴進化を考察する。 我々は、「最適」な数学的モデルでさえ、グラフが正確な崩壊を伴う最小値を持つためには厳密な構造条件に従う必要があることを示した。
  論文  参考訳（メタデータ） (2023-07-04T23:03:21Z)
• Perturbation Analysis of Neural Collapse [24.94449183555951]
  分類のためのディープニューラルネットワークのトレーニングには、ゼロトレーニングエラー点を超えるトレーニング損失を最小限にすることが含まれる。 最近の研究は、全ての最小化器が正確な崩壊を示す理想化された制約のない特徴モデルを通して、この挙動を分析している。 本稿では,この現象を,予め定義された特徴行列の近傍に留まらせることで,よりリッチなモデルを提案する。
  論文  参考訳（メタデータ） (2022-10-29T17:46:03Z)
• On the Generalization and Adaption Performance of Causal Models [99.64022680811281]
  異なる因果発見は、データ生成プロセスを一連のモジュールに分解するために提案されている。 このようなモジュラニューラル因果モデルの一般化と適応性能について検討する。 我々の分析では、モジュラーニューラル因果モデルが、低データレギュレーションにおけるゼロおよび少数ショットの適応において、他のモデルよりも優れていることを示している。
  論文  参考訳（メタデータ） (2022-06-09T17:12:32Z)
• Progressive Self-Guided Loss for Salient Object Detection [102.35488902433896]
  画像中の深層学習に基づくサラエント物体検出を容易にするプログレッシブ自己誘導損失関数を提案する。 我々のフレームワークは適応的に集約されたマルチスケール機能を利用して、健全な物体の探索と検出を効果的に行う。
  論文  参考訳（メタデータ） (2021-01-07T07:33:38Z)

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。