論文の概要: Modeling Whole-Slide Images as Dynamic Tumor Microenvironment Fields

• arxiv url: http://arxiv.org/abs/2609.34451v1
• Date: Mon, 28 Sep 2026 07:06:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 13:28:50.877442
• Title: Modeling Whole-Slide Images as Dynamic Tumor Microenvironment Fields
• Title（参考訳）: 動的腫瘍微小環境場としての全スライディング画像のモデリング
• Abstract要約: 概念誘導型腫瘍微小環境進化(TMEvolve) TMEvolve(TMEvolve)は、パッチ近傍におけるグラフ分散進化過程である。 弱教師付き3つのWSIタスクにわたる6つのデータセット上でTMEvolveを評価する。
• 参考スコア（独自算出の注目度）: 18.64336952485556
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Due to the gigapixel-scale nature of whole-slide images (WSIs), weakly supervised WSI analysis is commonly formulated as a multiple instance learning (MIL) problem, where patch-level features are aggregated into slide-level representations. However, diagnostic and prognostic evidence often arises from spatially coherent tumor microenvironment regions and their interactions, rather than isolated patches alone. Existing patch-level or static region-based methods usually overlook how tissue regions should be adaptively formed and subsequently evolved through microenvironment interactions across heterogeneous boundaries. In this paper, we propose Concept-Guided Tumor Microenvironment Evolution (TMEvolve), a reaction-diffusion-inspired framework that models WSIs as latent tumor microenvironment fields over discrete patch graphs. TMEvolve instantiates this view as a learnable graph-discretized evolution process over patch neighborhoods. It first forms adaptive soft tissue regions as coherent microenvironment units, then performs pseudo-time evolution through two complementary local dynamics: intra-region diffusion, which stabilizes latent states within coherent tissue compartments, and concept-guided boundary flux, which propagates visual feature signals and language-derived concept signals across heterogeneous region interfaces. The evolved microenvironment regions are finally aggregated for slide-level prediction. We evaluate TMEvolve on six datasets across three weakly supervised WSI tasks: survival prediction, gene expression prediction, and histological subtype classification. TMEvolve consistently improves over representative MIL methods, pathology foundation models, and concept-guided baselines. Ablation studies and visualizations further support the effectiveness and interpretability of TMEvolve, highlighting the value of dynamic region modeling and boundary interaction.
• Abstract（参考訳）: 全体スライディング画像(WSI)のギガピクセルスケールの性質のため、弱い教師付きWSI分析は、パッチレベルの特徴をスライドレベルの表現に集約する多重インスタンス学習(MIL)問題として一般的に定式化されている。 しかし、診断と予後の証拠は、孤立したパッチ単独ではなく、空間的に整合した腫瘍微小環境領域とその相互作用から生じることが多い。 既存のパッチレベルまたは静的領域ベースの手法は、組織領域を適応的に形成し、その後、異種境界を越えて微小環境相互作用によって進化させる方法を見落としているのが普通である。 本稿では、WSIを個別のパッチグラフ上の潜在腫瘍マイクロ環境フィールドとしてモデル化する、反応拡散に着想を得たフレームワークである概念誘導腫瘍マイクロ環境進化(TMEvolve)を提案する。 TMEvolveはこの見解を、パッチ近傍での学習可能なグラフ分散進化プロセスとしてインスタンス化している。 まず、適応型軟組織領域をコヒーレントなミクロ環境単位として形成し、続いて、コヒーレントな組織区画内の潜伏状態を安定化する領域内拡散と、視覚的特徴信号と言語由来の概念信号を異種領域界面に伝播する概念誘導境界流束という2つの相補的な局所的ダイナミクスを通して擬似時間進化を行う。 進化したミクロ環境領域は最終的にスライドレベルの予測のために集約される。 我々は, 生存予測, 遺伝子発現予測, 組織学的サブタイプ分類という, 弱制御された3つのWSIタスクの6つのデータセット上でTMEvolveを評価した。 TMEvolveは、代表的MIL法、病理基盤モデル、概念誘導ベースラインよりも一貫して改善されている。 アブレーション研究と可視化は、TMEvolveの有効性と解釈可能性をさらに支援し、動的領域モデリングと境界相互作用の価値を強調している。

関連論文リスト

• Geometry-Aware Superpixel Graph Transformer with Metadata for Skin Lesion Classification [8.142478772253932]
  既存のCNN/ViTパイプラインは、グローバルまたはパッチレベルの機能に依存しており、しばしば後期融合を通じて患者のメタデータを組み合わせる。 本稿では,空間的コヒーレントなスーパーピクセル領域のグラフとして,病変を明示的にモデル化する新しい領域ベースグラフ学習フレームワークを提案する。 本研究では,領域レベルの関係モデルとグラフネイティブなマルチモーダル融合が,最先端技術に対して一貫した利得をもたらすことを示す。
  論文  参考訳（メタデータ） (2026-06-18T15:45:16Z)
• HiFusion: Hierarchical Intra-Spot Alignment and Regional Context Fusion for Spatial Gene Expression Prediction from Histopathology [7.982889842329205]
  HiFusionは、2つの補完的なコンポーネントを統合する新しいディープラーニングフレームワークである。 HiFusionは,2次元のスライドワイドクロスバリデーションと,より困難な3次元サンプル固有シナリオの両面において,最先端のパフォーマンスを実現する。 これらの結果は、定期的な病理組織学からのST推論の堅牢で正確でスケーラブルな解としてのHiFusionの可能性を裏付けるものである。
  論文  参考訳（メタデータ） (2025-11-17T04:47:39Z)
• Modeling Microenvironment Trajectories on Spatial Transcriptomics with NicheFlow [80.00833033784079]
  細胞微小環境の理解は、組織の発生と疾患データの解読に不可欠である。 NicheFlowはフローベースの生成モデルであり、空間スライドを横断する細胞マイクロ環境の時間軌道を推定する。
  論文  参考訳（メタデータ） (2025-11-02T15:41:38Z)
• MMAP: A Multi-Magnification and Prototype-Aware Architecture for Predicting Spatial Gene Expression [1.083137038945176]
  空間転写学(Spatial Transcriptomics:ST)は、空間情報を保存しながら遺伝子発現の測定を可能にする。 近年、ヘマトキシリンとエオシン(H&E)による全スライディング画像(WSI)を用いて、ディープニューラルネットワークによる転写産物全体の遺伝子発現プロファイルを予測する研究が進められている。 しかし, 組織像から空間遺伝子発現を予測することは, 視覚的特徴と分子信号との差が大きいため, 依然として難しい問題である。 本研究では,MMAP (Multi-Magnification and Prototype-enhanced Architecture) という新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-13T12:41:09Z)
• 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)
• Revisiting Adaptive Cellular Recognition Under Domain Shifts: A Contextual Correspondence View [49.03501451546763]
  生物学的文脈における暗黙の対応の重要性を明らかにする。 モデル構成成分間のインスタンス認識トレードオフを確保するために, 自己適応型動的蒸留を提案する。
  論文  参考訳（メタデータ） (2024-07-14T04:41:16Z)

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。