論文の概要: Interpretable Multiple-Instance Learning of Glomerular Pathomics and Subtype Ratios for eGFR Classification

• arxiv url: http://arxiv.org/abs/2611.00151v1
• Date: Fri, 30 Oct 2026 03:26:29 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:37:01.707383
• Title: Interpretable Multiple-Instance Learning of Glomerular Pathomics and Subtype Ratios for eGFR Classification
• Title（参考訳）: eGFR分類のための球状病原体とサブタイプ比の解釈可能な多インスタンス学習
• Abstract要約: 慢性腎疾患は、腎組織の構造変化と腎臓機能の進行的な喪失が特徴である。 162例の腎臓生検WSIを解析し,腎機能をeGFR 60または>=60mL/min/1.73m2と分類した。 注意に基づくMILモデルは、これらの異種不整脈プロファイルを集約するために訓練された。 我々は,ABMILと平均プール型多層パーセプトロンベースラインを用いたサブタイプ比,パノミクス,およびそれらの組み合わせを評価した。
• 参考スコア（独自算出の注目度）: 8.720086984290647
• License:
• Abstract: Chronic kidney disease is characterized by structural alterations in renal tissue and progressive loss of kidney function. While glomerular subtype ratios provide a compact and clinically meaningful summary of glomerular composition, representing pathomic information using whole-slide image (WSI)-level mean values diminishes glomerulus-level heterogeneity and the contribution of less prevalent patterns. In this proof-of-concept study, we investigated whether modeling individual glomeruli using multiple-instance learning (MIL) could provide complementary information to conventional subtype ratios for estimated glomerular filtration rate (eGFR) classification. We analyzed 162 kidney-biopsy WSIs from 162 patients, categorizing renal function as eGFR < 60 or >= 60 mL/min/1.73 m^2. Quantitative size, shape, intensity, and texture features were extracted from segmented glomeruli, representing each patient as a bag of glomerular instances. An attention-based MIL model was trained to aggregate these heterogeneous pathomic profiles. We evaluated subtype ratios, pathomics, and their combination using ABMIL, with a mean-pooled multilayer perceptron baseline. In five-fold cross-validation, the subtype-ratio-only model achieved an AUC of 0.7262 +/- 0.0596. MIL using pathomics alone achieved an AUC of 0.7362 +/- 0.0788, whereas integrating pathomics with subtype ratios produced the highest mean AUC of 0.7630 +/- 0.0665. SHapley Additive exPlanations (SHAP) were used to examine individual feature contributions. These results demonstrate that MIL-based pathomics can complement established glomerular subtype ratios by capturing additional glomerulus-level information for quantitative kidney-biopsy analysis.
• Abstract（参考訳）: 慢性腎疾患は、腎組織の構造変化と腎臓機能の進行的な喪失が特徴である。 糸球体サブタイプ比は,糸球体組成のコンパクトかつ臨床的に有意な要約を提供する一方で,全スライディング画像(WSI)レベルの平均値を用いたパノミクス情報を表現することにより,糸球体レベルの不均一性が低下し,傾向の低いパターンの寄与が減少する。 本研究では,MIL(Multiple-instance Learning)を用いた糸球体モデルを用いて,推定糸球体濾過率(eGFR)の分類において,従来のサブタイプ比と相補的な情報が得られるかを検討した。 162例の腎臓生検WSIを解析し,eGFR<60 or >=60mL/min/1.73m^2と分類した。 分類糸球体から量的サイズ,形状,強度,テクスチャの特徴を抽出し,各患者を糸球体事例の袋として表現した。 注意に基づくMILモデルは、これらの異種不整脈プロファイルを集約するために訓練された。 我々は,ABMILと平均プール型多層パーセプトロンベースラインを用いたサブタイプ比,パノミクスおよびそれらの組み合わせを評価した。 5倍のクロスバリデーションでは、サブタイプ比のみのモデルは0.7262 +/- 0.0596のAUCを達成した。 MIL単独でのAUCは0.7362 +/- 0.0788であり、一方、サブタイプ比によるパノミクスの統合は0.7630 +/- 0.0665の平均AUCを生み出した。 SHAP (SHapley Additive exPlanations) は, 個々の特徴について検討した。 これらの結果から, MILによる病態解析は腎生検の定量的解析のために, 糸球体レベルの付加情報を取得することによって, 確立された糸球体サブタイプ比を補完できることが示された。

関連論文リスト

• Seeing Abnormal from Normal: Glomerular Abnormality in Representations of Normal Renal Morphology [6.914349750104102]
  一級異常検出は、教師付き分類の代替となる。 本稿では,Hahalanobisの正規参照スコアと表現分析を組み合わせたフレームワークであるNoRDeCを提案する。 NoRDeCは7つの異常カテゴリとプール分析の6つのカテゴリで最高AUROCを達成した。
  論文  参考訳（メタデータ） (2026-09-16T21:27:00Z)
• Predicting Immune Biomarkers with MultiModal Mixture-of-Expert Pathology Foundation Models Empowers Precision Oncology [47.79180201495836]
  MixTIMEは、異なるモダリティで訓練された病理基盤モデルを統合したマルチモーダル基礎モデルである。 ヘマトキシリンおよびエオシン全スライディング画像から多重免疫蛍光(mIF)タンパク質の発現を予測する。 MixTIMEは17個のタンパク質マーカーにまたがる最先端のパフォーマンスを相関指標で測定する。
  論文  参考訳（メタデータ） (2026-06-16T16:22:42Z)
• CT-IDP: Segmentation-Derived Quantitative Phenotypes for Interpretable Abdominal CT Disease Classification [1.0408458647051342]
  定量的な表現型化フレームワークであるCT-IDP (CT Image-Derived Phenotypes) を開発した。 CT-IDPはDuke-Abdomen (2000) とAMOS (1,107) の2つの独立したデータセットで外部評価された。 AUCと平均精度(AP)を用いたDINOv3ベースの視覚変換器ベースラインと比較した。
  論文  参考訳（メタデータ） (2026-05-09T15:39:02Z)
• A deep learning pipeline for PAM50 subtype classification using histopathology images and multi-objective patch selection [0.2958068627971103]
  PAM50遺伝子シグネチャは、乳がんを固有のサブタイプに分類する標準として広く認識されている。 本研究では,コストのかかる分子アッセイへの依存を減らすことを目的とした,新しい最適化駆動型ディープラーニングフレームワークを提案する。 提案手法は,非支配的ソート遺伝的アルゴリズムII(NSGA-II)とモンテカルロのドロップアウトに基づく不確実性推定を組み合わせ,パッチ情報量,空間的多様性,不確実性,パッチ数などを共同で最適化する。
  論文  参考訳（メタデータ） (2026-04-02T09:13:24Z)
• Interpretable Graph Kolmogorov-Arnold Networks for Multi-Cancer Classification and Biomarker Identification using Multi-Omics Data [36.92842246372894]
  Multi-Omics Graph Kolmogorov-Arnold Network (MOGKAN)は、メッセンジャーRNA、マイクロRNA配列、DNAメチル化サンプルを利用するディープラーニングフレームワークである。 グラフに基づく深層学習とマルチオミクスデータを統合することにより,提案手法は頑健な予測性能と解釈可能性を示す。
  論文  参考訳（メタデータ） (2025-03-29T02:14:05Z)
• 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)
• Multi-Scale Input Strategies for Medulloblastoma Tumor Classification using Deep Transfer Learning [59.30734371401316]
  乳腺芽腫は小児で最も多い悪性脳腫瘍である。 CNNはMBサブタイプ分類に有望な結果を示した。 タイルサイズと入力戦略の影響について検討した。
  論文  参考訳（メタデータ） (2021-09-14T09:42:37Z)
• MSA-MIL: A deep residual multiple instance learning model based on multi-scale annotation for classification and visualization of glomerular spikes [9.432314992011099]
  膜性腎症の生検では,糸球体基底膜へのスパイク様投射がMNの顕著な特徴である。 本稿では,マルチスケールアノテーション・マルチインスタンス・ラーニング(MSA-MIL)に基づく可視化された分類モデルを構築し,球状分類とスパイクス・ビジュアライゼーションを実現する。
  論文  参考訳（メタデータ） (2020-07-02T03:49:44Z)

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。