論文の概要: MIST: Multi-Scale Spatial Context for Gene Expression Prediction from Histology

• arxiv url: http://arxiv.org/abs/2610.18769v1
• Date: Tue, 13 Oct 2026 17:29:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-16 19:41:57.243773
• Title: MIST: Multi-Scale Spatial Context for Gene Expression Prediction from Histology
• Title（参考訳）: MIST: 組織学からの遺伝子発現予測のためのマルチスケール空間コンテキスト
• Abstract要約: 標準的なトランスフォーマーはスポットに自己注意を施すが、各スポットが組織内にある場所を無視する。 MIST(Multi-context Spatial Transformer)は、各層に2つのコンテキスト経路を印加して自己注意バックボーンを増強するマルチコンテキスト空間変換器である。 MISTは、最も評価の高いベースラインに対する平均ピアソン相関を、それぞれ9.7%、11.6%、11.4%改善し、それぞれ10-、50-、100-ジーンパネルである。
• 参考スコア（独自算出の注目度）: 11.154086943903694
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Predicting spatial gene expression from standard H&E images could extend molecular analysis to tissues without spatial transcriptomic measurements. A standard Transformer applies self-attention over spots but ignores where each spot sits in the tissue, whereas a spot's molecular state depends on tissue context at multiple spatial scales. Building on this insight, we introduce MIST, a Multi-context Spatial Transformer that augments the self-attention backbone with two context pathways applied in every layer: a coordinate-invariant local pathway that attends over spatial k-nearest-neighbor spots, and a slide pathway that broadcasts a whole-slide summary to every spot; the model predicts all spots in a single forward pass. Because coordinates enter only through pairwise distances, the local pathway is invariant to translations, rotations, and reflections when image features are fixed. In intra-cohort evaluation across six human organ cohorts from HEST-1k, MIST improves mean Pearson correlation over the strongest evaluated baseline by 9.7%, 11.6%, and 11.4% for 10-, 50-, and 100-gene panels, respectively, with the lowest average MSE and MAE. MIST further improves leave-one-organ-out transfer by 6.0% over the next strongest baseline, attains the best expression-derived domain recovery (highest mean ARI and NMI at every clustering resolution, and higher NMI than the closest baseline on 84% of held-out slides), and reproduces spatial expression patterns of selected cancer-marker genes. Together, these results show that adding local and slide context to a vanilla Transformer backbone is an effective approach to spatial gene expression prediction from histology.
• Abstract（参考訳）: 標準的なH&E画像から空間遺伝子発現を予測することは、空間転写学的測定なしで組織に分子解析を拡張することができる。 標準的なトランスフォーマーはスポットに自己注意を施すが、各スポットが組織内にある場所を無視するが、スポットの分子状態は複数の空間スケールでの組織コンテキストに依存する。 この知見に基づいて、MISTは、各層に適用される2つのコンテキスト経路で自己注意バックボーンを増強するマルチコンテキスト空間変換器であり、空間k-アネレス近傍のスポットに付随する座標不変な局所経路と、全スライディング概要を各地点にブロードキャストするスライド経路である。 座標はペア距離でしか入らないため、局所経路は画像の特徴が固定されたときの翻訳、回転、反射に不変である。 HEST-1kから得られた6種のヒト臓器コホートに対するコホート評価において、MISTは最も高い評価基準値に対するピアソン相関を平均9.7%、11.6%、および10-、50-、100-ジーンパネルに対する11.4%改善し、MSEとMAEは最低値である。 MISTはさらに、次の最強塩基線の6.0%の残基転移を改善し、最高の発現由来ドメインリカバリ(クラスタリング解像度毎のARIおよびNMIの平均値が最も高く、ホールドアウトスライド84%のベースラインよりも高いNMI)を達成し、選択されたがんマーカー遺伝子の空間的発現パターンを再現する。 これらの結果から,バニラトランスフォーマーのバックボーンに局所的およびスライド的コンテキストを加えることは,組織学からの空間的遺伝子発現予測に有効な方法であることが示唆された。

関連論文リスト

• Diagnose-to-Generate: Eliminating Structural Distortions in Flow Models via Patch-Level Grounded Alignment [55.60663579540744]
  フローベース画像生成装置は強力なセマンティック合成を実現するが、それでも局所的な構造歪みを生じさせる。 textitDiagnose-to-Generate (D2G) は、画像診断と生成最適化を分離する基盤的アライメントフレームワークである。
  論文  参考訳（メタデータ） (2026-10-13T07:37:52Z)
• Towards Scalable Context-Aware Single-Cell Spatial Transcriptomics Prediction from Histology Images [50.824193996370106]
  CellOは、画像ごとのフォワードパスを単一の病理基盤モデルで実行するための効率的なエンドツーエンドフレームワークである。 空間バイアスによる局所的形態的コンテキストを用いて各細胞表現を洗練する,距離遅延型クロスアテンションモジュールを提案する。 本研究は,H&E画像からの単一細胞遺伝子発現予測のためのスケーラブルな基盤を確立する。
  論文  参考訳（メタデータ） (2026-09-29T00:40:28Z)
• SpaFactor: Lightweight Spatial Context-Aware Gene Program Modeling for Histology-to-Transcriptomics Inference [7.2809118914983815]
  SpaFactorは低ランクなモルフォロジー-プログラム-遺伝子分解フレームワークである。 中心地点の視覚的表現を多スケールの地域的・地域的な文脈で効果的に融合させる。 5つの公的なコホートで最高のアグリゲーションパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-09-23T09:59:22Z)
• Gated Spatial Redundancy Projection for Pathology Transformer Attentions [9.268049949671958]
  Gated Spatial Redundancy Projection (Gated SRP) は、自己注意層のための軽量な修正モジュールである。 Gated SRPは、近傍の値から局所冗長軸を推定し、注意出力をこの軸に投影し、学習された符号ゲートを適用して、冗長整列成分を幾何学的に補正する。
  論文  参考訳（メタデータ） (2026-08-08T23:59:10Z)
• Rethinking Molecular OOD Generalization via Target-Aware Source Selection [10.102858221967791]
  SCOPE-BENCHは、明示的な物理化学的記述空間におけるクラスタレベルのパーティショニングに基づいて構築されたベンチマークである。 POMAは、知識伝達を検索-合成-適応パイプラインとして定式化するフレームワークである。 SCOPE-BENCHにおける最先端の3D分子モデルの予測誤差は平均5.9倍である。
  論文  参考訳（メタデータ） (2026-05-13T16:09:46Z)
• Biological Spatial Priors Regularize Foundation Model Representations for Cross-Site MSI Generalization in Colorectal Cancer [0.0]
  周辺距離エンコーディングに基づく生物的動機付き空間前処理を導入する。 6つの基礎モデルとMILアグリゲータの組み合わせを基準として評価し,それぞれの空間的先行効果を評価する。 その結果、生物学的に接地された空間前駆体は、サイト固有の画像パターンへの依存を減らす正則化剤として機能することが示唆された。
  論文  参考訳（メタデータ） (2026-05-04T14:39:40Z)
• Fusing Pixels and Genes: Spatially-Aware Learning in Computational Pathology [46.83014413674925]
  STAMPは空間的トランスクリプトミクスを付加したマルチモーダルな病理表現学習フレームワークである。 本研究は、自己教師型遺伝子誘導訓練が、病理画像表現の学習に堅牢でタスクに依存しない信号を提供することを示す。 6つのデータセットと4つの下流タスクにまたがってSTAMPを検証する。
  論文  参考訳（メタデータ） (2026-02-15T00:59:13Z)
• Hide-and-Seek Attribution: Weakly Supervised Segmentation of Vertebral Metastases in CT [68.09387763135236]
  脊椎レベルの健康・悪性のラベルにのみ、病変マスクを伴わずに訓練を施した弱い指導方法を提案する。 マスクの監視がないにも関わらず,強い爆発・解析性能を達成する。
  論文  参考訳（メタデータ） (2025-12-07T14:03:28Z)
• Breast Ultrasound Tumor Classification Using a Hybrid Multitask CNN-Transformer Network [63.845552349914186]
  胸部超音波(BUS)画像分類において,グローバルな文脈情報の収集が重要な役割を担っている。 ビジョントランスフォーマーは、グローバルなコンテキスト情報をキャプチャする能力が改善されているが、トークン化操作によって局所的なイメージパターンを歪めてしまう可能性がある。 本研究では,BUS腫瘍分類とセグメンテーションを行うハイブリッドマルチタスクディープニューラルネットワークであるHybrid-MT-ESTANを提案する。
  論文  参考訳（メタデータ） (2023-08-04T01:19:32Z)
• Corneal endothelium assessment in specular microscopy images with Fuchs' dystrophy via deep regression of signed distance maps [48.498376125522114]
  本稿では,UNetをベースとしたセグメンテーション手法を提案する。 これは、フックスのジストロフィーの全度にわたって、信頼できるCE形態計測と腸骨同定を実現する。
  論文  参考訳（メタデータ） (2022-10-13T15:34:20Z)

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。