論文の概要: Transcriptome-informed multi-modal AI for predicting neoadjuvant therapy response from breast cancer biopsies

• arxiv url: http://arxiv.org/abs/2610.03693v1
• Date: Fri, 02 Oct 2026 17:52:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.551846
• Title: Transcriptome-informed multi-modal AI for predicting neoadjuvant therapy response from breast cancer biopsies
• Title（参考訳）: Transcriptome-informed multi-modal AIによる乳がん生検からのネオアジュバント治療反応の予測
• Abstract要約: 乳がんにおける病理学的完全反応(pCR)を予測する2段階AIモデルを構築した。 第1段階は、32種類の癌に対して8,742人の患者を用いて、病理組織学からトランスクリプトームを学習する。 第2段階は、推論された発現と臨床変数からpCRを予測する。
• 参考スコア（独自算出の注目度）: 4.096860879491961
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Scarcity of labeled data limits development of deep learning biomarkers in oncology. We develop a two-stage AI model predicting pathological complete response (pCR) to neoadjuvant therapy in breast cancer. The first stage learns the transcriptome from histopathology using 8,742 patients across 32 cancer types, corroborated by pathologist review and spatial agreement with measured expression. This simplifies the second stage to predicting pCR from inferred expression and clinical variables. Developed using 1,080 patients (five cohorts) and evaluated in 1,412 patients (nine cohorts), the model achieves a pooled AUROC of 0.79 (95% CI, 0.73-0.85), discriminating responders within molecular subtypes. It outperforms histopathological biomarkers, remaining stable across intratumoral sampling and with minimal biopsy tissue. Ablations show transcriptome-wide inference improves discrimination over clinical variables alone or one-stage pathology models, and robustness by avoiding genomic assays' gene selection constraints. These results indicate that biologically informed compression may generalize to data-sparse applications in precision oncology.
• Abstract（参考訳）: ラベル付きデータの空洞化は、腫瘍学におけるディープラーニングバイオマーカーの開発を制限する。 乳がんにおける病理学的完全反応(pCR)を予測する2段階AIモデルを構築した。 第1段階は、32種類の癌に対して8,742人の患者を用いて、病理組織学から転写産物を学習し、病理学者による検討と、測定された発現との空間的一致により相関した。 これにより、推論された発現および臨床変数からpCRを予測する第2段階が単純化される。 1,080人の患者(5頭のコホート)を用いて開発され、1,412人の患者(9頭のコホート)で評価され、プールされたAUROCは0.79(95% CI, 0.73-0.85)で、分子サブタイプ内の応答体を識別する。 病理組織学的バイオマーカーより優れており、腫瘍内サンプリング全体にわたって安定であり、生検組織は最小限である。 アブレーションは、トランスクリプトーム全体の推論により、臨床変数単独または1段階の病理モデルに対する識別が向上し、ゲノムアッセイの遺伝子選択の制約を避けることにより、堅牢性が向上することを示している。 これらの結果から,生物情報圧縮は精度オンコロジーにおけるデータスパースに一般化される可能性が示唆された。

関連論文リスト

• A Pathology Foundation Model for Gastric Cancer with Real-World Validation [47.19073124722865]
  本稿では,実世界評価と臨床dEcision支援のための,胃科固有の基礎モデルであるGRACEについて述べる。 GRACEは, 症例37,493例のHE-stained whole-slide画像を中心に, 48,364例の多施設で開発された。 高齢の病理医に非劣性パフォーマンスを維持するように調整された場合、AI支援のワークフローは萎縮の60.7%、腸転移の82.7%をトリアージする可能性がある。
  論文  参考訳（メタデータ） (2026-06-03T12:18:06Z)
• AI-based Prediction of Biochemical Recurrence from Biopsy and Prostatectomy Samples [0.012216782333971603]
  根治的前立腺切除術後の生化学的再発(BCR)は,前立腺がんに対する補助的マーカーである。 我々は、BCRの患者固有のリスクを予測するために、前立腺生検スライドの診断に関するAIベースのモデルを訓練した。
  論文  参考訳（メタデータ） (2026-01-28T20:33:15Z)
• Predicting Neoadjuvant Chemotherapy Response in Triple-Negative Breast Cancer Using Pre-Treatment Histopathologic Images [2.23127246021293]
  三重複陰性乳癌(TNBC)は、その攻撃的行動と標的療法の欠如により、主要な臨床課題である。 本報告では, 治療前のヘマトキシリンおよびエオシン含有生検スライドから直接, 病理学的完全反応(pCR)を予測するために, 注意に基づく多症例学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-20T02:06:34Z)
• TopoTxR: A topology-guided deep convolutional network for breast parenchyma learning on DCE-MRIs [49.69047720285225]
  そこで本研究では,乳房側葉構造をよりよく近似するために,マルチスケールのトポロジ構造を明示的に抽出する新しいトポロジカルアプローチを提案する。 VICTREファントム乳房データセットを用いてemphTopoTxRを実験的に検証した。 本研究の質的および定量的分析は,乳房組織における画像診断におけるトポロジカルな挙動を示唆するものである。
  論文  参考訳（メタデータ） (2024-11-05T19:35:10Z)
• AI-assisted prostate cancer detection and localisation on biparametric MR by classifying radiologist-positives [5.75804178993065]
  本稿では,がん診断の総合的精度を向上させるためのディープラーニングモデルを提案する。 一つのボクセルレベルの分類モデルを構築し、単純なパーセンテージ閾値で正のケースを判定する。 2つの臨床データから得られた実験から,提案手法が診断精度を向上させることを示す。
  論文  参考訳（メタデータ） (2024-10-30T14:59:57Z)
• Benchmarking Histopathology Foundation Models for Ovarian Cancer Bevacizumab Treatment Response Prediction from Whole Slide Images [1.4999444543328293]
  大規模全スライド画像(WSI)で訓練した最新の病理組織基盤モデルを用いて, 卵巣腫瘍組織の特徴を抽出し, ベクチズマブ反応を予測する。 我々の生存モデルは、統計的に有意な高リスクおよび低リスクのケースを成層化することができる。
  論文  参考訳（メタデータ） (2024-07-30T07:15:39Z)
• Variational and Explanatory Neural Networks for Encoding Cancer Profiles and Predicting Drug Responses [40.80133767939435]
  既存のAIモデルは、転写学データのノイズと生物学的解釈性の欠如により、課題に直面している。 ノイズ効果を軽減するために変動成分を組み込んだ新しいニューラルネットワークフレームワークVETEを紹介する。 VETEは、AIによる予測と、がん研究における生物学的に意味のある洞察のギャップを埋める。
  論文  参考訳（メタデータ） (2024-07-05T13:13:02Z)
• Prediction of Breast Cancer Recurrence Risk Using a Multi-Model Approach Integrating Whole Slide Imaging and Clinicopathologic Features [0.6679306163028237]
  本研究の目的は,スライド画像全体と臨床病理学的データを分析し,関連する乳癌再発リスクを予測するマルチモデルアプローチを開発することである。 提案手法では,特徴抽出に畳み込みニューラルネットワーク,コンテキストアグリゲーションに視覚変換器を用いる。
  論文  参考訳（メタデータ） (2024-01-28T23:33:56Z)
• 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)
• Regression-based Deep-Learning predicts molecular biomarkers from pathology slides [40.24757332810004]
  我々は,画像から直接バイオマーカーを予測する自己監督型弱教師付き回帰手法を開発し,評価した。 回帰を用いて、バイオマーカー予測の精度を著しく向上させ、また、分類よりも結果の解釈可能性を向上させる。 我々のオープンソースレグレッションアプローチは、計算病理学における連続バイオマーカー解析に有望な代替手段を提供する。
  論文  参考訳（メタデータ） (2023-04-11T11:43:51Z)
• Deep learning-based approach to reveal tumor mutational burden status from whole slide images across multiple cancer types [41.61294299606317]
  腫瘍突然変異負担(TMB)は、免疫療法の潜在的なゲノムバイオマーカーである。 ゲノムシークエンシングによって検出されたTMBは、低リソース環境での臨床透過性を欠いている。 本研究では,日常的に使用されているスライド画像からTMB状態を検出するための大規模ディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-04-07T07:02:32Z)

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。