論文の概要: ProtoGTX: Prototype-Aligned Graph Transformer for Explainable Whole-Slide Image Analysis

• arxiv url: http://arxiv.org/abs/2610.24023v1
• Date: Fri, 16 Oct 2026 03:23:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-26 11:35:14.913861
• Title: ProtoGTX: Prototype-Aligned Graph Transformer for Explainable Whole-Slide Image Analysis
• Title（参考訳）: ProtoGTX:説明可能な全スライド画像解析のためのプロトタイプ対応グラフ変換器
• Abstract要約: ProtoGTXは、空間的文脈化と柔軟な形態素のプロトタイプ語彙を組み合わせたグラフベースのフレームワークである。 ProtoGTXは、予測モデルとは独立して定義できるプロトタイプ語彙を維持しながら、補完的な意味論と空間的説明を提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning has achieved strong performance in computational pathology, but explaining whole-slide image (WSI) predictions remains challenging. Existing explanation methods often highlight important regions without identifying their morphological patterns, leaving a gap between patch-level computational evidence and slide-level pathological interpretation. We propose ProtoGTX, a graph-based framework that combines spatial contextualization with a flexible morphological prototype vocabulary. ProtoGTX separates the reference prototypes used to define morphological concepts from the predictive model: the reference vocabulary can be generated from training data by unsupervised clustering or supplied externally, and remains fixed during classifier training. Patch features are first contextualized over a spatial graph, after which learnable prototypes representing morphological concepts are optimized through cross-attention. Their slide-level activation profile is aligned with the morphological composition induced by the fixed reference prototype bank. On the CPTAC and BRACS datasets, ProtoGTX outperforms the evaluated MIL, prototype-based, and graph-based baselines, with particularly pronounced improvements on BRACS. Qualitative analyses further show that spatial contextualization transforms fragmented patch-level prototype assignments into more coherent tissue regions. In BRACS, prototype maps also co-localize with pathologist annotations and regions relevant to slide-level prediction. These results demonstrate that ProtoGTX provides complementary semantic and spatial explanations while retaining a prototype vocabulary that can be defined independently of the predictive model. Code is available at https://github.com/mizuno-group/ProtoGTX.
• Abstract（参考訳）: 深層学習は計算病理学において高い性能を保っているが、全体スライディング画像(WSI)の予測を説明することは依然として困難である。 既存の説明法は、しばしば、その形態的パターンを特定せずに重要な領域をハイライトし、パッチレベルの計算証拠とスライドレベルの病理学的解釈の間にギャップを残している。 本稿では,空間的文脈化とフレキシブルな形態素のプロトタイプ語彙を組み合わせたグラフベースのフレームワークProtoGTXを提案する。 参照語彙は、教師なしクラスタリングによってトレーニングデータから生成されるか、外部に供給され、分類器訓練中に固定される。 パッチ機能はまず空間グラフ上でコンテキスト化され、その後、形態学的な概念を表す学習可能なプロトタイプが、相互注意によって最適化される。 それらのスライドレベルのアクティベーションプロファイルは、固定基準プロトタイプバンクによって誘導される形態的組成と一致している。 CPTACとBRACSデータセットでは、ProtoGTXは評価されたMIL、プロトタイプベース、グラフベースラインよりも優れており、特にBRACSの改善が顕著である。 質的な分析により、空間的文脈化は断片化されたパッチレベルのプロトタイプの割り当てをよりコヒーレントな組織領域に変換することが示された。 BRACSでは、プロトタイプマップは、病理学者のアノテーションとスライドレベルの予測に関連する領域との共同ローカライズも行っている。 これらの結果から, ProtoGTXは, 予測モデルとは独立に定義可能なプロトタイプ語彙を維持しつつ, 相補的意味と空間的説明を提供することを示した。 コードはhttps://github.com/mizuno-group/ProtoGTXで入手できる。

関連論文リスト

• Decouple, Purify and Unite: Semantic-Structural Prototype Learning for Federated Medical Segmentation [73.37038385412892]
  フェデレートラーニング(Federated Learning)は、医療機関がデータを共有することなく、グローバルなモデルをトレーニングすることを可能にする。 既存の表現ベースのメソッドには2つの制限がある。 We propose FedBCS+, federated decoupled contextual alignment with style-purified aggregate。
  論文  参考訳（メタデータ） (2026-10-03T18:26:17Z)
• From Image Latent Space to Fuzzy Rules: Interpretable Analysis of Gastrointestinal Foundation Model [3.716965622352967]
  本研究では,事前学習した基礎モデルの内層が生み出すパッチレベルの特徴を解釈するプロトタイプベースのファジィルールフレームワークを提案する。 パッチの特徴はプロトタイプの類似性として表現され、人間の可読性を持つ言語IF-THEN条件のファジィ規則によって分類される。 このフレームワークは ImageNet-1K と GastroNet-5M で事前訓練された ViT-S/16 バックボーンの最後の2ブロックに適用される。
  論文  参考訳（メタデータ） (2026-09-30T14:14:22Z)
• HAAF: Hierarchical Adaptation and Alignment of Foundation Models for Few-Shot Pathology Anomaly Detection [10.649984141835189]
  階層型適応アライメントフレームワーク(HAAF)を提案する。 中心となるのは、シーケンシャルなキャリブレーション順序を強制するクロスレベルスケールアライメント機構である。 デュアルブランチ推論戦略は、セマンティックスコアと幾何学的プロトタイプを統合して、数ショット設定での安定性を確保する。
  論文  参考訳（メタデータ） (2026-01-24T10:31:21Z)
• ConStruct: Structural Distillation of Foundation Models for Prototype-Based Weakly Supervised Histopathology Segmentation [16.733170895296343]
  病理組織学におけるWSSS (Weakly supervised semantic segmentation) は分類バックボーンに大きく依存している。 本研究では,CONCHのモルフォロジー認識表現,SegFormerのマルチスケール構造的キュー,テキスト誘導型セマンティックアライメントを統合したプロトタイプ学習フレームワークを提案する。 提案手法は, ピクセルレベルのアノテーションを使わずに高品質な擬似マスクを作製し, 局所化完全性を改善し, 組織タイプ間のセマンティック一貫性を高める。
  論文  参考訳（メタデータ） (2025-12-11T06:08:29Z)
• A Pure Transformer Pretraining Framework on Text-attributed Graphs [50.833130854272774]
  グラフ構造を先行として扱うことで,特徴中心の事前学習の視点を導入する。 我々のフレームワークであるGraph Sequence Pretraining with Transformer (GSPT)はランダムウォークを通してノードコンテキストをサンプリングする。 GSPTはノード分類とリンク予測の両方に容易に適応でき、様々なデータセットで有望な経験的成功を示す。
  論文  参考訳（メタデータ） (2024-06-19T22:30:08Z)
• TranSG: Transformer-Based Skeleton Graph Prototype Contrastive Learning with Structure-Trajectory Prompted Reconstruction for Person Re-Identification [63.903237777588316]
  3Dスケルトンデータによる人物再識別(re-ID)は、顕著な優位性を持つ新興トピックである。 既存の方法は通常、生の関節を持つ骨格記述子を設計するか、あるいは骨格配列表現学習を行う。 本稿では,構造軌道を誘導する再構成によるコントラスト学習(TranSG)手法を提案する。
  論文  参考訳（メタデータ） (2023-03-13T02:27:45Z)
• ProtoSeg: Interpretable Semantic Segmentation with Prototypical Parts [9.298299024529333]
  本稿では,解釈可能なセマンティックイメージセグメンテーションの新しいモデルであるProtoSegを紹介する。 ベースライン法に匹敵する精度を達成するため,プロトタイプ部品の機構を適応させる。 ProtoSegは標準的なセグメンテーションモデルとは対照的にセグメンテーションの概念を発見する。
  論文  参考訳（メタデータ） (2023-01-28T19:14:32Z)
• Graph Adaptive Semantic Transfer for Cross-domain Sentiment Classification [68.06496970320595]
  クロスドメイン感情分類(CDSC)は、ソースドメインから学んだ伝達可能なセマンティクスを使用して、ラベルなしのターゲットドメインにおけるレビューの感情を予測することを目的としている。 本稿では、単語列と構文グラフの両方からドメイン不変セマンティクスを学習できる適応型構文グラフ埋め込み法であるグラフ適応意味伝達(GAST)モデルを提案する。
  論文  参考訳（メタデータ） (2022-05-18T07:47:01Z)

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。