論文の概要: TIRA: Tumor Immune Representation Adaptation for Zero-Shot Cross-Cancer MSI and TMB Prediction
- arxiv url: http://arxiv.org/abs/2610.09441v1
- Date: Wed, 07 Oct 2026 04:50:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 21:58:22.719632
- Title: TIRA: Tumor Immune Representation Adaptation for Zero-Shot Cross-Cancer MSI and TMB Prediction
- Title（参考訳）: TIRA:zero-Shot Cross-Cancer MSIとTMB予測のための腫瘍免疫表示適応
- Abstract要約: 空間免疫トポロジを用いて凍結基盤モデル表現を洗練するターゲットフリーフレームワークであるTIRAを提案する。
我々はTIRAをTCGA-COAD+READでトレーニングし、UNI2、CONCH、Virchhow2のクロスサイト、クロス癌、およびクロス癌部位の分散シフトをカバーした。
UNI2では、TIRAはTGA-STADの0ショットAUROCを、MSIでは0.633から0.766に、TMBでは0.651から0.772に改善した。
- 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: Microsatellite instability-high (MSI-H) and high tumor mutational burden (TMB-H) are clinically relevant biomarkers, yet their histopathological prediction remains challenging when models are transferred across morphologically distinct cancer types. Immune-associated spatial patterns can persist across cancers despite these morphological differences, but foundation-model-based predictors trained on a single cancer do not explicitly use this information, limiting cross-cancer generalization. To address this limitation, we propose TIRA (Tumor Immune Representation Adaptation), a target-free framework that refines frozen foundation-model representations using spatial immune topology, without requiring target-domain data during model development or test-time adaptation. TIRA uses a topology-supervised biology representation to condition tile-level attention while pooling only morphological features for joint MSI and TMB prediction. We train TIRA on TCGA-COAD+READ and evaluate it zero-shot on CPTAC-COAD, TCGA-STAD, TCGA-UCEC, and CPTAC-UCEC, covering cross-site, cross-cancer, and combined cross-cancer-site distribution shifts under UNI2, CONCH, and Virchow2. With UNI2, TIRA improved zero-shot AUROC on TCGA-STAD from 0.633 to 0.766 for MSI and from 0.651 to 0.772 for TMB. Source-derived spatial immune topology improved the cross-cancer robustness of frozen pathology foundation-model representations.
- Abstract（参考訳）: マイクロサテライト不安定度(MSI-H)と高い腫瘍突然変異負担(TMB-H)は臨床的に関係のあるバイオマーカーであるが、その病理組織学的予測は、形態学的に異なるがん種間でモデルが移動される際には困難である。
免疫関連空間パターンは、これらの形態的差異にもかかわらずがん全体に持続することができるが、基礎モデルに基づく単一のがんで訓練された予測器は、この情報を明示的に使用せず、がん間の一般化を制限する。
この制限に対処するために,TIRA (Tumor Immune Representation Adaptation) を提案する。これは空間免疫トポロジーを用いて,モデル開発やテスト時間適応においてターゲットドメインデータを必要としない,凍結した基盤モデル表現を洗練するフレームワークである。
TIRAは、トポロジーが監督する生物学の表現を条件タイルレベルの注意に利用し、関節型MSIとTMB予測のための形態的特徴のみをプールする。
TCGA-COAD+READでTIRAを訓練し,CPTAC-COAD,TCGA-STAD,TCGA-UCEC,CPTAC-UCECでゼロショットを評価した。
UNI2では、TIRAはTGA-STADの0ショットAUROCを、MSIでは0.633から0.766に、TMBでは0.651から0.772に改善した。
ソース由来の空間免疫トポロジーは凍結病原体モデル表現のクロスカンサーロバスト性を改善した。
関連論文リスト
- Conserved Immune Topology Improves Pathology Foundation Model Generalization for Cross-Cancer MSI-H Prediction [0.0]
我々は,クロスカメラMSI-H予測のための軽量空間表現であるConserved Immune Top (CIT)を提案する。
CITは、免疫関連タイルの同定に教師なしクラスタリングを使用し、リンパ構造、経時的免疫反応、マルチスケールの腫瘍浸潤性リンパ球密度をコードする。
以上の結果から,CITはMSI-H予測のための臓器不変表現であり,病理基盤モデルのクロスカンサー一般化をサポートする可能性が示唆された。
論文 参考訳（メタデータ） (2026-09-04T14:17:03Z) - 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) - A Lightweight Multi-Cancer Tumor Localization Framework for Deployable Digital Pathology [0.46843765915430247]
特定のがん内で訓練された深層学習に基づく腫瘍検出は、異なる種類の腫瘍に適用した場合、堅牢性が低下する可能性がある。
多発癌腫瘍局在モデル (MuCTaL) を4癌から79,984個の非重複タイルを用いて訓練した。
このモデルは4つの訓練癌からの検証データで0.97のタイルレベルのROC-AUCを、独立した管腺癌コホートで0.71を達成した。
論文 参考訳（メタデータ） (2026-03-09T19:00:04Z) - Brain-WM: Brain Glioblastoma World Model [56.45393372490125]
我々は、次世代治療予測と将来のMRI生成を統一する先駆的なGBMワールドモデルであるBrain-WMを提案する。
Brain-WMは、潜在ダイナミクスを共有潜在空間に符号化し、関節自己回帰治療予測とフローベース将来のMRI生成を行う。
最終的にBrain-WMは、患者医療を最適化するための堅牢な臨床サンドボックスを提供する。
論文 参考訳（メタデータ） (2026-03-08T09:54:08Z) - Boosting Pathology Foundation Models via Few-shot Prompt-tuning for Rare Cancer Subtyping [80.92960114162746]
視覚言語病理基盤モデルの可能性を生かした新しいフレームワークPathPTを提案する。
PathPTは、WSIレベルの監視を、VLモデルのゼロショット機能を活用することで、きめ細かいタイルレベルのガイダンスに変換する。
以上の結果から,PathPTは一貫して優れた性能を示し,サブタイピング精度と癌領域の接地能力を著しく向上することが示された。
論文 参考訳（メタデータ） (2025-08-21T18:04:41Z) - 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) - CIMIL-CRC: a clinically-informed multiple instance learning framework for patient-level colorectal cancer molecular subtypes classification from H\&E stained images [42.771819949806655]
CIMIL-CRCは、事前学習した特徴抽出モデルと主成分分析(PCA)を効率よく組み合わせ、全てのパッチから情報を集約することで、MSI/MSS MIL問題を解決するフレームワークである。
我々は,TCGA-CRC-DXコホートを用いたモデル開発のための5倍のクロスバリデーション実験装置を用いて,曲線下平均面積(AUC)を用いてCIMIL-CRC法の評価を行った。
論文 参考訳（メタデータ） (2024-01-29T12:56:11Z) - Generating counterfactual explanations of tumor spatial proteomes to
discover effective strategies for enhancing immune infiltration [44.99833362998488]
腫瘍微小環境(TME)は免疫組成により癌予後に大きな影響を及ぼす。
本稿では,T細胞浸潤予測を自己教師型機械学習問題として定式化する。
悪性黒色腫,大腸癌肝転移,乳癌データに枠組みを応用し,T細胞浸潤が予測される摂動を発見した。
論文 参考訳（メタデータ） (2022-11-08T05:46:02Z) - 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。