論文の概要: Morphology-aware deep learning predicts colorectal cancer survival from whole-slide images
- arxiv url: http://arxiv.org/abs/2610.17603v1
- Date: Tue, 13 Oct 2026 02:22:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-15 21:06:15.491042
- Title: Morphology-aware deep learning predicts colorectal cancer survival from whole-slide images
- Title（参考訳）: 形態認識型深層学習は全スライディング画像から大腸癌生存を予測する
- Abstract要約: ヘマトキシリンとエオシンの全スライディング画像からの5年間の生存予測は、リスク階層化を支持する可能性がある。
MorphContrastは、モルフォロジーを意識したマルチインスタンス学習フレームワークである。
形態学固有のモデルは、弱いが分布する予後の識別を示す。
- 参考スコア（独自算出の注目度）: 3.1412310645948174
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Background: Five-year survival prediction from hematoxylin-and-eosin whole-slide images could support risk stratification, but the task is weakly supervised, and the tissue morphologies carrying prognostic information remain incompletely characterized. Methods: We conducted a retrospective secondary analysis using TCGA-COAD/READ (n=562) for morphology-specific analysis, Alliance/ CALGB 89803 (n=424) for model development, and SurGen (n=218) for external evaluation. We propose MorphContrast, a morphology-aware contrastive multiple-instance learning framework that uses tissue labels as structural supervision for five-year survival prediction. MorphContrast combines gated-attention pooling with three auxiliary objectives: patch-level morphology labels define within-patient contrasts, outcome concordance or discordance defines cross-patient contrasts within matched morphologies, and diversity regularization discourages representational collapse. Morphology-matched patches from patients with discordant outcomes serve as hard negatives, encouraging prognostic discrimination within comparable histologic contexts. Results: Morphology-specific models show weak but distributed prognostic discrimination: adipose tissue achieves an area under the receiver operating characteristic curve (AUC) of 0.622, stroma achieves 0.604, and both perform comparably to tumor epithelium (0.601-0.605). On Alliance/CALGB 89803, the single model achieves an AUC of 0.642, while the post hoc ensemble reaches a pooled out-of-fold AUC of 0.70 and a risk-group hazard ratio of 3.79 (95% confidence interval: 2.55-5.63). On the external SurGen colon cancer cohort (n=218), the single model and ensemble achieve AUCs of 0.669 and 0.678, respectively. Conclusions: These findings support tissue morphology as structural supervision for outcome-aware representation learning in colorectal cancer prognosis.
- Abstract（参考訳）: 背景: ヘマトキシリンおよびエオシンの全スライディング画像からの5年間の生存予測は, リスク層形成を支えうるが, 作業は弱く, 予後情報を含む組織形態は不完全である。
方法: 形態学的解析にTCGA-COAD/READ (n=562), モデル開発にAlliance/CALGB 89803 (n=424) , 外部評価にSurGen (n=218) を用いて2次解析を行った。
組織ラベルを5年間の生存予測のための構造的監督として利用する形態学的に対比したマルチスタンス学習フレームワークであるMorphContrastを提案する。
MorphContrastは、ゲート・アテンション・プールと3つの補助的な目的を組み合わせている: パッチレベルのモルフォロジー・ラベルは、患者の内的コントラストを定義し、結果の一致または不一致は、一致したモルフォロジー内の横断的なコントラストを定義し、多様性の正規化は、表現的崩壊を妨げる。
不協和性症例の組織適合パッチは硬い陰性であり、同種の組織学的文脈における予後の識別を促進する。
結果: 形態特異的モデルは弱いが分布する予後識別を示す: 脂肪組織はレシーバ操作特性曲線(AUC)0.622以下の領域を達成し、ストローマは0.604に達し、どちらも腫瘍上皮(0.601-0.605)と相容れない。
Alliance/CALGB 89803では、単一のモデルでAUCが0.642、ポストホックアンサンブルが0.70、リスクグループハザード比が3.79に達する(95%信頼区間:2.55-5.63)。
外部のSurGen大腸癌コホート(n=218)では、単一のモデルとアンサンブルがそれぞれ0.669と0.678のAUCを達成する。
結語:これらの所見は,大腸癌予後における結果認識型表現学習のための構造的監督として,組織形態を裏付けるものである。
関連論文リスト
- CAPTOR: a vision-language foundation model for Chest-Abdomen-Pelvis Oncologic CT [33.82588336753218]
我々は,腫瘍性胸腔鏡(CAP)CTの解釈のための視覚提示基盤モデルを開発し,評価した。
AUC 0.767, 95%CI: 0.734-0.793, vs. 0.695, 95%CI: 0.645-0.736)
腫瘍学に富んだCAPCTデータに基づいて訓練された基礎モデルは、対象臨床コンテキストにおける関連する最先端モデルよりも優れていた。
論文 参考訳（メタデータ） (2026-10-09T18:39:01Z) - 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) - Differentiable latent structure discovery for interpretable forecasting in clinical time series [38.473526928012724]
連続時間多タスクガウス過程であるStructGPを導入し, 基本的不確かさを保ちながら, 相違構造学習と相違構造学習を組み合わせ, 相互依存の有向非巡回グラフ(DAG)を導出する。
LP-StructGPは,被験者特異的カップリングフィルタとソフトマックスゲーティング機構を用いて,患者間の進行パターンを捉えることで,StructGPを潜在経路に分割し,時間的に変化する軌跡を増大させる。
論文 参考訳（メタデータ） (2026-04-30T14:59:50Z) - MorphDistill: Distilling Unified Morphological Knowledge from Pathology Foundation Models for Colorectal Cancer Survival Prediction [3.2844015242965927]
複数の病理基盤モデルから補完的知識を抽出し,CRC固有のエンコーダに変換するフレームワークであるMorphDistillを提案する。
第1段階では,学生エンコーダは,大規模大腸データセット上でのコントラスト正規化を監督したディメンション非依存型マルチティーチンガー蒸留を用いて訓練される。
ステージIIでは、エンコーダが全スライド画像からパッチレベルの特徴を抽出し、注意に基づく複数インスタンス学習を通じて集約し、5年間の生存を予測する。
論文 参考訳（メタデータ） (2026-04-07T19:21:18Z) - MeCaMIL: Causality-Aware Multiple Instance Learning for Fair and Interpretable Whole Slide Image Diagnosis [40.3028468133626]
MIL(Multiple Case Learning)は、コンピュータ病理学における全スライド画像(WSI)解析の主流パラダイムとして登場した。
因果関係を意識したMILフレームワークである textbfMeCaMIL は、構造化因果グラフを通じて、階層的共同創設者を明示的にモデル化する。
MeCaMILは優れた公正性を達成する -- 人口格差の分散は、属性全体の平均で65%以上減少する。
論文 参考訳（メタデータ） (2025-11-14T06:47:21Z) - Morphology-Aware Prognostic model for Five-Year Survival Prediction in Colorectal Cancer from H&E Whole Slide Images [3.429845395459449]
大腸癌(CRC)は世界で3番目に多い悪性腫瘍であり、2025年には154,000人の新規症例と54,000人の死亡が予想される。
本研究の目的は,各形態に連続的な変動スペクトルを組み込んだ,新しい解釈可能なAIモデルであるPRISMを開発することである。
論文 参考訳（メタデータ） (2025-10-16T15:32:05Z) - Vision-Language Model-Based Semantic-Guided Imaging Biomarker for Lung Nodule Malignancy Prediction [0.38698178563798113]
本研究の目的は, 放射線技師による結節評価から得られた意味的特徴を統合し, 臨床的に関連性があり, 堅牢で, 説明可能な画像的特徴を肺がんの予測に役立てることである。
画像と意味的テキストの特徴を整合させ,1年間の肺がん診断を予測するためのパラメータ効率の良い微調整手法を用いて,事前訓練されたコントラスト言語画像訓練モデルを微調整した。
論文 参考訳（メタデータ） (2025-04-30T06:11:34Z) - 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) - A Two-Stage Generative Model with CycleGAN and Joint Diffusion for
MRI-based Brain Tumor Detection [41.454028276986946]
本稿では,脳腫瘍の検出とセグメンテーションを改善するための2段階生成モデル(TSGM)を提案する。
CycleGANは、未ペアデータに基づいてトレーニングされ、データとして正常な画像から異常な画像を生成する。
VE-JPは、合成対の異常画像をガイドとして使用して、健康な画像の再構成を行う。
論文 参考訳（メタデータ） (2023-11-06T12:58:26Z) - Deep Neural Networks integrating genomics and histopathological images
for predicting stages and survival time-to-event in colon cancer [2.338833859812519]
大腸癌ステージ分類のためのアンサンブルディープニューラルネットワークを構築し,低リスク生存群と高リスク生存群に分類した。
Ensemble Deep Conal Neural Networkモデルの結果は、統合データセットのステージ分類におけるパフォーマンスが改善されたことを示している。
2548個の融合した特徴のうち、1695個の特徴は抽出された特徴によって定義された2つのリスク群間で統計的に有意な生存確率差を示した。
論文 参考訳（メタデータ） (2022-12-13T16:12:45Z)
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。