論文の概要: HGASurv: Hierarchical Granularity-Aware Integration for Multimodal Survival Prediction

• arxiv url: http://arxiv.org/abs/2610.26357v1
• Date: Mon, 19 Oct 2026 13:19:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.345826
• Title: HGASurv: Hierarchical Granularity-Aware Integration for Multimodal Survival Prediction
• Title（参考訳）: HGASurv:マルチモーダル生存予測のための階層的粒度認識統合
• Abstract要約: 本稿では、階層的なWSI符号化モジュールと、粒度を考慮したマルチモーダル統合のための臨床誘導グラフ伝搬モジュールを紹介する。 TCGAコホートは3つあり、HGASurvはC-indexで最高の成績を収めた。
• 参考スコア（独自算出の注目度）: 29.569228333917177
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Objective: Multimodal survival prediction jointly analyzes histopathological whole-slide images (WSIs), genomic profiles, and clinical variables to stratify patients by risk. However, existing approaches often inadequately account for granularity differences across modalities, particularly in spatial organization and feature dimensionality. To address these challenges, we propose HGASurv, which introduces a hierarchical WSI encoding module and a clinical-guided graph propagation module for granularity-aware multimodal integration. Methods: The hierarchical WSI encoding module maps WSI patch features onto a spatial grid using their original coordinates and applies parallel convolutions to construct representations at patch, local-neighborhood, and regional scales. Genomic signature embeddings then query these scale-specific WSI representations through cross-modal co-attention, producing signature-conditioned morphological features. The clinical-guided graph propagation module uses clinical variables to define patient-similarity edges and propagates fused image-genomic node embeddings with graph attention, integrating clinical information through topology rather than feature concatenation. Results: Across three TCGA cohorts, HGASurv achieved the strongest overall C-index performance, with ablation studies supporting the complementary contributions of the hierarchical WSI encoding and clinical-guided graph propagation modules. Conclusion and Significance: By introducing hierarchical WSI encoding and clinical-guided graph propagation, HGASurv unifies multi-scale pathology representation with topology-based clinical integration in a hierarchical granularity-aware framework. This design shows that matching representation and integration mechanisms to modality-specific granularity improves multimodal survival prediction.
• Abstract（参考訳）: 目的: マルチモーダル生存予測は, 病理組織学的全スライド画像(WSI), ゲノムプロファイル, 臨床変数を共同で解析し, 患者を危険にさらした。 しかし、既存のアプローチは、特に空間的構造や特徴次元において、モダリティの粒度の違いを不適切に説明することが多い。 これらの課題に対処するため,HGASurvを提案する。HGASurvは階層的なWSI符号化モジュールと,粒度を考慮したマルチモーダル統合のための臨床誘導グラフ伝搬モジュールを提供する。 メソッド: モジュールを符号化する階層的なWSIは、WSIのパッチを元の座標を使って空間グリッドにマッピングし、パッチ、局所的、局所的なスケールで表現を構築するために並列の畳み込みを適用します。 ゲノムシグネチャ埋め込みは、これらのスケール固有のWSI表現をクロスモーダルなコアテンションを通してクエリし、シグネチャ条件のモルフォロジー特徴を生成する。 臨床誘導グラフ伝播モジュールは、臨床変数を用いて患者類似性エッジを定義し、融合画像ゲノムノード埋め込みをグラフ注意で伝播させ、特徴連結ではなく、トポロジーを介して臨床情報を統合する。 結果: TCGAコホート3種中, HGASurvは, 階層型WSIエンコーディングと臨床誘導型グラフ伝搬モジュールの相補的寄与を補助するアブレーション研究により, C-indexのパフォーマンスを最大に達成した。 結論と意義: 階層的なWSIエンコーディングと臨床誘導グラフ伝播を導入することにより,HGASurvは階層的な粒度認識フレームワークにおけるトポロジーに基づく臨床統合とマルチスケールの病理表現を統一する。 この設計は、モダリティ特異的な粒度とのマッチング表現と積分機構により、マルチモーダルサバイバル予測が向上することを示す。

関連論文リスト

• Anchor-driven Multi-modal Multi-scale Expert Selection for Survival Prediction [88.75611734671661]
  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。
  論文  参考訳（メタデータ） (2026-10-06T03:32:37Z)
• CIGTSurv: Clinical Information Guided Tri-modal Survival Prediction with Local Prototype Association and Global Feature Alignment [5.516840442957239]
  マルチモーダル学習は、病理画像とゲノムデータを統合することにより、生存予測を著しく進歩させた。 臨床情報は、その離散的、疎外、低次元の性質のために未利用のままである。 生存予測のためのCIGTSurvを提案する。
  論文  参考訳（メタデータ） (2026-08-04T07:19:53Z)
• Contrastive Graph Modeling for Cross-Domain Few-Shot Medical Image Segmentation [58.41482540044918]
  クロスドメイン少ショット医療画像セグメンテーション(CD-FSMIS)は医療応用に有望でデータ効率のよいソリューションを提供する。 本稿では,医用画像の構造的整合性を利用したコントラストグラフモデリング(C-Graph)を提案する。
  論文  参考訳（メタデータ） (2025-12-25T14:00:17Z)
• SIGMMA: Hierarchical Graph-Based Multi-Scale Multi-modal Contrastive Alignment of Histopathology Image and Spatial Transcriptome [0.5748432401788427]
  HE画像の階層的表現と空間トランスクリプトームプロファイルを学習するためのマルチモーダルコントラストアライメントフレームワークであるSigmmaを提案する。 細胞間相互作用をグラフとして表現することにより,組織内微小環境内での微細な細胞間相互作用を効果的に捉えることができる。 我々は、Sigmmが、クロスモーダル対応をよりよく捉えた表現を学習し、遺伝子発現予測タスクの9.78%、データセット間のクロスモーダル検索タスクの26.93%の改善をもたらすことを実証した。
  論文  参考訳（メタデータ） (2025-11-19T14:22:23Z)
• DTEA: Dynamic Topology Weaving and Instability-Driven Entropic Attenuation for Medical Image Segmentation [31.50032207382483]
  スキップ接続は、グローバルコンテキストをマージし、エンコーダとデコーダのセマンティックギャップを減らすために使用される。 本稿では,セマンティックトポロジ再構成(STR)とエントロピー摂動ゲーティング(EPG)モジュールを用いた新しいスキップ接続フレームワークを特徴とするDTEAモデルを提案する。
  論文  参考訳（メタデータ） (2025-10-13T10:50:41Z)
• 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)
• Slide-based Graph Collaborative Training for Histopathology Whole Slide Image Analysis [7.823674912857107]
  我々は既存のMIL(Multiple Instance Learning)フレームワークに適応できる汎用的なWSI分析パイプラインSlideGCDを提案する。 新しいパラダイムでは、がん開発に関する事前知識がエンドツーエンドのワークフローに参加することができる。
  論文  参考訳（メタデータ） (2024-10-14T08:14:40Z)
• GRASP: GRAph-Structured Pyramidal Whole Slide Image Representation [4.477527192030786]
  本稿では,スライド画像全体(WSI)をデジタル病理学で処理するためのグラフ構造化多重画像化フレームワークGRASPを提案する。 我々のアプローチは、WSIの処理における病理学者の振舞いと、WSIの階層構造から得られる利益をエミュレートするために設計されている。 収束に基づくノード集約機構を導入したGRASPは、バランスの取れた精度で最先端の手法を高いマージンで上回る。
  論文  参考訳（メタデータ） (2024-02-06T00:03:44Z)
• Histopathology Whole Slide Image Analysis with Heterogeneous Graph Representation Learning [78.49090351193269]
  本稿では,WSI分析のために,異なる種類の核間の相互関係を利用する新しいグラフベースのフレームワークを提案する。 具体的には、WSI を各ノードに "nucleus-type" 属性と各エッジに類似した意味属性を持つ異種グラフとして定式化する。 我々のフレームワークは、様々なタスクに対してかなりのマージンで最先端の手法より優れています。
  論文  参考訳（メタデータ） (2023-07-09T14:43:40Z)

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。