論文の概要: CellPlex: Benchmarking Single-Cell Spatial Proteomics Prediction from H&E
- arxiv url: http://arxiv.org/abs/2611.02506v1
- Date: Mon, 02 Nov 2026 04:28:33 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-11-03 20:08:51.745556
- Title: CellPlex: Benchmarking Single-Cell Spatial Proteomics Prediction from H&E
- Title（参考訳）: CellPlex: H&Eによる単一セル空間プロテオミクス予測のベンチマーク
- Abstract要約: CellPlexは、セルのレベルでタスクを実行するベンチマークである。
717のサンプル、4480万の細胞、149のタンパク質が1つのパイプラインによって細胞単位の標的へと処理される。
適応型PFMはあらゆるコホートで最も正確なモデルであり、微調整後も専門家に先行するが、訓練を受けていないコホートの精度は半分以下である。
- 参考スコア（独自算出の注目度）: 50.136693463738645
- License:
- Abstract: Spatial proteomics measures tens of proteins in every cell of a tissue section, but its cost confines it to small research cohorts, whereas hematoxylin and eosin (H\&E) slides exist for nearly every patient. Inferring single-cell spatial proteomics from H\&E would bring its analyses to routine pathology, and a growing number of virtual staining models pursue this goal. Each is evaluated on its own cohort, panel and pixel-level metric, and released models transfer poorly to new cohorts, leaving open which approach to build on and which proteins H\&E can reveal. We introduce CellPlex, a benchmark that poses the task at the level of the cell: seven cohorts with same-section H\&E and multiplexed immunofluorescence, from colorectal and breast cancer to lymph-node metastases, bone marrow and glioma, with 717 samples, 44.8 million cells and 149 proteins, processed by one pipeline into per-cell targets. Pathology foundation models (PFMs) are adapted with one cell-level protocol, specialist models are fine-tuned under a matched budget, and all are scored on the same cells. Adapted PFMs are the most accurate models on every cohort, ahead of the specialists even after fine-tuning, but keep less than half of their accuracy on cohorts they were not trained on. Which proteins can be predicted depends on the tissue, not on how many cells were measured for them. By fixing the cells, targets and splits on which predictions are judged, CellPlex sets a common standard for inferring costly molecular measurements from routine H\&E and shows how far H\&E can stand in for spatial proteomics. We will release the data, splits, evaluation code and baselines as a testbed for developing and comparing future pathology foundation models and virtual staining methods.
- Abstract（参考訳）: 空間プロテオミクスは、組織部分の全ての細胞において数十のタンパク質を測定するが、そのコストは小さな研究コホートに制限される。
H&Eから単一セル空間プロテオミクスを推定すると、その解析は通常の病理学に結びつき、多くの仮想染色モデルがこの目標を追求する。
それぞれがコホート、パネル、ピクセルレベルの測定値で評価され、放出されたモデルは新しいコホートに十分に伝達され、どのアプローチが構築され、どのタンパク質がH\&Eを発現するかが明らかになる。
大腸癌, 乳癌, リンパ節転移, 骨髄, グリオーマから, 717のサンプル, 44.8万の細胞, および149のタンパク質を1つのパイプラインで処理し, 細胞単位の標的とする。
病理基盤モデル(PFM)は1つのセルレベルプロトコルに適合し、スペシャリストモデルは一致した予算の下で微調整され、全て同じセルでスコアされる。
適応型PFMはあらゆるコホートで最も正確なモデルであり、微調整後も専門家に先行するが、訓練を受けていないコホートの精度は半分以下である。
どのタンパク質が予測されるかは、細胞数ではなく組織によって異なる。
セルプレックスは、どの予測が決定されるかの細胞、ターゲット、分割を固定することで、通常のH\&Eからコストのかかる分子測定を推測するための共通標準を設定し、空間プロテオミクスのH\&Eがどれくらいの間隔で存在できるかを示す。
我々は、将来の病理基盤モデルと仮想染色法の開発と比較のためのテストベッドとして、データ、分割、評価コード、ベースラインをリリースする。
関連論文リスト
- 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) - CytoFormer: A Molecularly Supervised Cell Foundation Model for Histopathology Cell Classification [1.5928576802540013]
このようなモデルのトレーニングは、多くの細胞タイプに対して遅い、高価で信頼性の低い手動の病理医アノテーションに依存している。
代わりに分子で形態学を監督する。
16の臓器にまたがる81のXenium切断片を, クラスタリング, マーカー遺伝子アノテーション, 臓器のレビュー, 品質管理により抽出し, 各臓器に共通に報告される細胞タイプにマッピングした。
これにより1540万の細胞が生成され、それぞれがH&Eイメージパッチと23種類の細胞のうちの1つで、我々はCytoFormerを訓練した。
論文 参考訳（メタデータ） (2026-08-17T15:35:03Z) - 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) - MIPHEI-ViT: Multiplex Immunofluorescence Prediction from H&E Images using ViT Foundation Models [2.2802322828460864]
我々は、最先端のViT基盤モデルをエンコーダとして統合し、H&E画像からmIF信号を予測するU-NetにインスパイアされたアーキテクチャであるMIPHEIを紹介する。
大腸癌組織から得られた残留H&EおよびmIF画像のORIONデータセットを用いて,本モデルをトレーニングした。
MIPHEIはH&Eだけで正確な細胞型分類を実現しており、Pan-CKは0.88点、CD3eは0.57点、SMAは0.56点、CD68は0.36点、CD20は0.30点である。
論文 参考訳（メタデータ） (2025-05-15T13:42:48Z) - CellVerse: Do Large Language Models Really Understand Cell Biology? [74.34984441715517]
我々は,4種類のシングルセルマルチオミクスデータを統合する統一言語中心の質問応答ベンチマークであるCellVerseを紹介する。
我々は,CellVerse上で160Mから671Bまでの14のオープンソースおよびクローズドソースLLMの性能を体系的に評価した。
論文 参考訳（メタデータ） (2025-05-09T06:47:23Z) - MMIL: A novel algorithm for disease associated cell type discovery [58.044870442206914]
単一細胞データセットは、しばしば個々の細胞ラベルを欠いているため、病気に関連する細胞を特定することは困難である。
セルレベルの分類器の訓練と校正を可能にする予測手法であるMixture Modeling for Multiple Learning Instance (MMIL)を導入する。
論文 参考訳（メタデータ） (2024-06-12T15:22:56Z) - Immunocto: a massive immune cell database auto-generated for histopathology [0.0]
イムノクトは、6,848,454個のヒト細胞とオブジェクトを自動生成するデータベースです。
各セルに対して、64$times$64ピクセル、$mathbf40times$倍率で2$H&E画像と、核とラベルのバイナリマスクを提供する。
免疫細胞で訓練された深層学習モデルは、リンパ球検出のための最先端のパフォーマンスをもたらす。
論文 参考訳（メタデータ） (2024-06-03T17:03:58Z) - 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) - Distribution-based Sketching of Single-Cell Samples [6.904244323294012]
我々は,免疫細胞型を基本周波数に保ちながら,すべての細胞のサブサンプルを限定的に選択するカーネル・ハーディングに基づく新規なスケッチ手法を提案する。
我々は3つのフローとマスのデータセットと1つの単一セルRNAシークエンシングデータセットを用いてアプローチを検証した。
論文 参考訳（メタデータ） (2022-06-30T19:43:06Z) - Acute Lymphoblastic Leukemia Detection from Microscopic Images Using
Weighted Ensemble of Convolutional Neural Networks [4.095759108304108]
本稿では,深層畳み込みニューラルネットワーク(cnns)を用いた顕微鏡細胞画像からの全検出タスクを自動化した。
ネットワークのより優れた一般化を達成するために、様々なデータ拡張と前処理が組み込まれている。
提案する重み付きアンサンブルモデルでは, アンサンブル候補のカッパ値を重みとして, 重み付きF1スコア88.6 %, バランス付き精度86.2 %, 予備試験セットのAUC0.941を出力した。
論文 参考訳（メタデータ） (2021-05-09T18:58:48Z)
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。