論文の概要: State-Aware Interaction MIL for Rare Joint Molecular Phenotype Prediction in Colorectal Cancer and Lung Adenocarcinoma
- arxiv url: http://arxiv.org/abs/2610.06991v1
- Date: Sun, 04 Oct 2026 07:29:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 02:58:29.49712
- Title: State-Aware Interaction MIL for Rare Joint Molecular Phenotype Prediction in Colorectal Cancer and Lung Adenocarcinoma
- Title（参考訳）: 大腸癌と肺腺癌における新しい分子種予測のための状態認識型MIL
- Abstract要約: バイオマーカー特異的な組織表現を保持する弱教師付き手法であるState-Aware Interaction MILを提案する。
大腸癌におけるBRAF+/MSI+予測法と肺腺癌におけるEGFR+/TP53+予測法について検討した。
その結果,病理基盤モデル表現には稀な結合分子の表現型に関する予測情報が含まれていることが示唆された。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Joint molecular phenotype prediction is complicated by small joint-positive populations and overlapping histological features across alternative molecular states. Existing computational pathology approaches typically predict biomarkers independently or formulate the joint-positive phenotype as a binary endpoint. Independent prediction does not model interactions between biomarker-specific histological representations, whereas binary joint prediction collapses the double-negative and two single-positive configurations into a single negative class. We propose State-Aware Interaction MIL, a weakly supervised method that preserves biomarker-specific histological representations, models their interaction, and supervises the complete four-state molecular configuration. We evaluate the proposed approach for joint BRAF+/MSI+ prediction in colorectal cancer and EGFR+/TP53+ prediction in lung adenocarcinoma using frozen UNI2-h and CONCH pathology foundation-model representations. With UNI2-h, State-Aware Interaction MIL achieved an average precision of 0.5566 in colorectal cancer (joint-positive prevalence 6.8%) compared with 0.5161 for NaiveMTL, and 0.2784 in lung adenocarcinoma (joint-positive prevalence 8.6%) compared with 0.2525 for IndependentPair. With CONCH, State-Aware achieved an average precision of 0.4410 compared with 0.3932 for DirectJoint in colorectal cancer and 0.1659 compared with 0.1226 for DirectJoint in lung adenocarcinoma. These results indicate that pathology foundation-model representations contain predictive information for rare joint molecular phenotypes and that preserving biomarker-specific representations within a structured molecular-state formulation can improve prediction of these phenotypes from histopathology.
- Abstract（参考訳）: 結合分子の表現型予測は、小さな結合陽性集団と、他の分子状態にまたがって重複する組織学的特徴によって複雑である。
既存の計算病理学のアプローチでは、バイオマーカーを独立に予測するか、二項終端として共同陽性表現型を定式化するのが一般的である。
独立予測はバイオマーカー特異的な組織学的表現間の相互作用をモデル化しないが、バイナリ関節予測は二重陰性と2つの単陽性構成を単一の負のクラスに分解する。
我々はバイオマーカー特異的な組織表現を保存し、それらの相互作用をモデル化し、完全な4状態分子構成を監督する弱い教師付き手法であるState-Aware Interaction MILを提案する。
大腸癌におけるBRAF+/MSI+の同時予測とEGFR+/TP53+の肺腺癌に対する凍結型 UNI2-h と CONCH の病態基盤モデルを用いた検討を行った。
UNI2-hでは,NIVEMTLでは0.5161例,IndependentPairでは0.2525例,肺腺癌では0.5161例,肺腺癌では0.2784例であった。
CONCHでは、State-Awareの平均精度は0.4410であり、大腸癌では0.3932、大腸癌では0.1659、肺腺癌では0.1226であった。
これらの結果から, 病理基盤モデル表現は, 稀な結合分子の表現型に対する予測情報を含み, 構造分子状態の定式化における生体マーカー特異的表現の保存は, これらの表現型の予測を病理組織学から改善する可能性が示唆された。
関連論文リスト
- Transcriptome-informed multi-modal AI for predicting neoadjuvant therapy response from breast cancer biopsies [4.096860879491961]
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。
論文 参考訳（メタデータ） (2026-10-02T17:52:57Z) - Predicting Immune Biomarkers with MultiModal Mixture-of-Expert Pathology Foundation Models Empowers Precision Oncology [47.79180201495836]
MixTIMEは、異なるモダリティで訓練された病理基盤モデルを統合したマルチモーダル基礎モデルである。
ヘマトキシリンおよびエオシン全スライディング画像から多重免疫蛍光(mIF)タンパク質の発現を予測する。
MixTIMEは17個のタンパク質マーカーにまたがる最先端のパフォーマンスを相関指標で測定する。
論文 参考訳（メタデータ） (2026-06-16T16:22:42Z) - Spatial Transcriptomics-Guided Alignment Enhances Molecular Profiling in Pathology Foundation Model [43.24445461533517]
分子プロファイリングのための空間転写誘導アライメントフレームワーク(STAMP)を提案する。
STAMPは、転写学的データを生物学的に機能する経路に集約する経路インフォームドアライメント戦略を適用している。
これらの拡張表現の臨床的有用性は多層評価フレームワークを用いて検証した。
論文 参考訳（メタデータ） (2026-05-29T16:41:14Z) - Linking spatial biology and clinical histology via Haiku [35.723756132708026]
マルチプレクシド免疫蛍光(mIF)を訓練した3モーダルコントラスト学習モデルHaikuについて紹介する。
11種類の臓器にまたがる1,606人の患者から3,218の組織から267万個の空間パッチを採取する。
論文 参考訳（メタデータ） (2026-04-30T18:53:32Z) - Spatial Multi-Task Learning for Breast Cancer Molecular Subtype Prediction from Single-Phase DCE-MRI [30.331894334353038]
乳癌分子型予測のための空間マルチタスク学習フレームワークを提案する。
このフレームワークは、エストロゲン受容体(ER)、プロゲステロン受容体(PR)、ヒト上皮成長因子受容体2(HER2)、およびKi-67増殖指数を同時に予測する。
論文 参考訳（メタデータ） (2026-01-11T17:33:41Z) - 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) - Interpretable Graph Kolmogorov-Arnold Networks for Multi-Cancer Classification and Biomarker Identification using Multi-Omics Data [36.92842246372894]
Multi-Omics Graph Kolmogorov-Arnold Network (MOGKAN)は、メッセンジャーRNA、マイクロRNA配列、DNAメチル化サンプルを利用するディープラーニングフレームワークである。
グラフに基づく深層学習とマルチオミクスデータを統合することにより,提案手法は頑健な予測性能と解釈可能性を示す。
論文 参考訳（メタデータ） (2025-03-29T02:14:05Z) - Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。
そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
論文 参考訳（メタデータ） (2024-04-26T16:39:50Z) - 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) - Predicting molecular phenotypes from histopathology images: a
transcriptome-wide expression-morphology analysis in breast cancer [1.3758771225117674]
乳癌におけるトランススクリプトームワイド・モロフォロジー(EMO)解析を初めて報告した。
遺伝子特異的モデルはmRNA発現の予測のために最適化され、検証された。
9,334遺伝子の予測はRNA配列推定と大きく関連していた。
論文 参考訳（メタデータ） (2020-09-18T16:27:53Z)
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。