論文の概要: Anchor-driven Multi-modal Multi-scale Expert Selection for Survival Prediction
- arxiv url: http://arxiv.org/abs/2610.07694v1
- Date: Tue, 06 Oct 2026 03:32:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 02:58:29.78717
- Title: Anchor-driven Multi-modal Multi-scale Expert Selection for Survival Prediction
- Title（参考訳）: 生存予測のためのアンカー駆動マルチモーダルマルチスケールエキスパート選択
- Abstract要約: 生存予測のためのアンカー駆動型マルチモーダル・マルチスケールエキスパート選択(AM$2$ES)フレームワークを提案する。
具体的には,Anchor-driven Multi-modal Fusion (AMF)モジュールについて述べる。
この整列したセマンティック空間に基づいて、階層的確率的選択プロセスを切り離すために階層的混合(H-MoE)選択モジュールを更に設計する。
- 参考スコア（独自算出の注目度）: 88.75611734671661
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The integrative analysis of histopathological Whole-Slide Images (WSIs) and transcriptomic profiles holds significant promise for cancer survival prediction. However, existing methods typically project multi-modal features directly into a shared latent space without explicit alignment, leading to the entanglement of mismatched morphological cues and molecular signals. Furthermore, current fusion strategies often treat the extreme spatial heterogeneity of WSIs uniformly, lacking mechanisms to adaptively prioritize clinically relevant tissue scales for individual patients. To address these limitations, we propose an Anchor-driven Multi-modal Multi-scale Expert Selection (AM$^2$ES) framework for survival prediction. Specifically, we present an Anchor-driven Multi-modal Fusion (AMF) module, which introduces learnable semantic anchors as cross-modal mediators to bridge the semantic gap by enforcing a structurally regularized alignment between transcriptomic features and multi-scale pathology representations. Built upon this aligned semantic space, we further design a Hierarchical Mixture-of-Experts (H-MoE) selection module to decouple the hierarchical prognostic selection process. Mimicking the pathologist's diagnostic workflow, H-MoE performs (i) Intra-scale Expert Filtering to discriminatively identify salient tumor regions within each magnification, and (ii) Inter-scale Hierarchy Routing to dynamically weight and select the most informative resolution levels. Extensive experiments on multiple TCGA cancer cohorts demonstrate that our AM$^2$ES achieves state-of-the-art performance while offering fine-grained interpretability by visualizing how specific molecular pathways drive the expert routing decisions across tissue scales. The code will be released at https://github.com/taozh2017/AM2ES.
- Abstract（参考訳）: 病理組織学的全スライディング画像(WSIs)と転写学的プロファイルの統合解析は,癌生存予測に有意な可能性を秘めている。
しかし、既存の手法は通常、明示的なアライメントのない共有潜在空間に直接マルチモーダルな特徴を投影し、ミスマッチした形態的手がかりと分子信号の絡み合いを引き起こす。
さらに、現在の核融合戦略は、WSIの極端な空間的不均一性を均一に扱うことが多く、個々の患者に対して臨床関連組織スケールを適応的に優先順位付けするメカニズムが欠如している。
これらの制約に対処するため,Anchor-driven Multi-modal Multi-scale Expert Selection (AM$^2$ES) フレームワークを提案する。
具体的には,Anchor-driven Multi-modal Fusion (AMF)モジュールを提案する。このモジュールは,学習可能なセマンティックアンカーをクロスモーダルメディエータとして導入し,トランスクリプトム特徴とマルチスケールの病理表現の間の構造的に規則化されたアライメントを強制することにより,セマンティックギャップをブリッジする。
この整列したセマンティック空間に基づいて、階層的確率的選択プロセスを切り離すために階層的混合(H-MoE)選択モジュールを更に設計する。
病理医の診断ワークフローを模倣するH-MoE
一 規模内専門フィルタであって、各倍率内において有能な腫瘍領域を識別し、識別すること。
(II)階層間ルーティングを動的に重み付けし、最も情報に富む分解能レベルを選択する。
複数のTCGAがんコホートに対する広範囲な実験により、我々のAM$2$ESは最先端のパフォーマンスを達成しつつ、特定の分子経路が組織スケールを横断する専門家のルーティング決定をいかに駆動するかを可視化することによって、きめ細かな解釈性を提供することが示された。
コードはhttps://github.com/taozh2017/AM2ESでリリースされる。
関連論文リスト
- AdaSurvMamba: Dynamic Fusion and Semantic Scanning for Multimodal Survival Analysis [57.942670844512016]
我々はAdaSurvMambaをマルチモーダルサバイバル分析の新しい適応フレームワークとして紹介する。
このフレームワークは、クロスモーダル相互作用強度を動的に変調するDual-Scale Importance-Aware Reconstruction (DSIR)モジュールを備えている。
5つのTCGAコホートに対する実験は、既存の方法よりも一貫した利得を示している。
論文 参考訳（メタデータ） (2026-06-28T11:36:31Z) - Hierarchical Prototype-based Domain Priors for Multiple Instance Learning in Multimodal Histopathology Analysis [4.767529995968428]
デジタル病理学は、ギガピクセル全スライド画像(WSI)の計算解析を可能にし、診断を根本的に変えた
関節病理診断と予後診断のための統合的マルチモーダルアプローチである階層型プロトタイプベースドメインプライオリティフレームワークを提案する。
論文 参考訳（メタデータ） (2026-04-27T02:51:57Z) - MMNavAgent: Multi-Magnification WSI Navigation Agent for Clinically Consistent Whole-Slide Analysis [33.71496118045585]
近年のAIナビゲーション手法は、空間探索をモデル化し、診断関連領域を選択することにより、WSI(Whole-Slide Image)の診断を改善することを目的としている。
臨床実践では、病理医は複数の倍率のスライドを検査し、必要な尺度のみを選択的に検査する。
このミスマッチは、既存の手法が交叉磁化相互作用や適応倍率選択をモデル化するのを防ぐ。
論文 参考訳（メタデータ） (2026-03-02T17:02:44Z) - Disentangled Multi-modal Learning of Histology and Transcriptomics for Cancer Characterization [30.456635152695483]
病理組織学は、がんの診断と予後における金の標準である。
転写学と組織学を組み合わせたマルチモーダル学習は、より包括的な情報を提供する。
既存のマルチモーダルなアプローチは、本質的なマルチモーダルな不均一性、不十分なマルチスケールな統合、ペアデータへの依存によって挑戦される。
論文 参考訳（メタデータ） (2025-08-22T15:51:33Z) - 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) - MoME: Mixture of Multimodal Experts for Cancer Survival Prediction [46.520971457396726]
生存分析は、難しい課題として、全体スライド画像(WSI)とゲノムデータを総合的な意思決定のために統合する必要がある。
従来の手法ではコアテンション(co-attention)方式が用いられており、この手法は両方のモダリティから特徴を分離した後にのみ融合する。
符号化と融合を同時に行うBiased Progressive Clever(BPE)パラダイムを提案する。
論文 参考訳（メタデータ） (2024-06-14T03:44:33Z)
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。