[論文レビュー] Tissue Classification and Whole-Slide Images Analysis via Modeling of the Tumor Microenvironment and Biological Pathways

Junzhuo Liu, Xuemei Du+6 more|arXiv (Cornell University)|Jan 13, 2026

AI in cancer detection被引用数 0

ひとこと要約

論文は BioMorphNet を提案します。組織形態と空間遺伝子発現を統合し、全スライド画像（WSI）における組織を分類し、差次的遺伝子発現を分析する多模態ネットワークで、腫瘍微環境と生物学的経路をモデル化します。

ABSTRACT

Automatic integration of whole slide images (WSIs) and gene expression profiles has demonstrated substantial potential in precision clinical diagnosis and cancer progression studies. However, most existing studies focus on individual gene sequences and slide level classification tasks, with limited attention to spatial transcriptomics and patch level applications. To address this limitation, we propose a multimodal network, BioMorphNet, which automatically integrates tissue morphological features and spatial gene expression to support tissue classification and differential gene analysis. For considering morphological features, BioMorphNet constructs a graph to model the relationships between target patches and their neighbors, and adjusts the response strength based on morphological and molecular level similarity, to better characterize the tumor microenvironment. In terms of multimodal interactions, BioMorphNet derives clinical pathway features from spatial transcriptomic data based on a predefined pathway database, serving as a bridge between tissue morphology and gene expression. In addition, a novel learnable pathway module is designed to automatically simulate the biological pathway formation process, providing a complementary representation to existing clinical pathways. Compared with the latest morphology gene multimodal methods, BioMorphNet's average classification metrics improve by 2.67%, 5.48%, and 6.29% for prostate cancer, colorectal cancer, and breast cancer datasets, respectively. BioMorphNet not only classifies tissue categories within WSIs accurately to support tumor localization, but also analyzes differential gene expression between tissue categories based on prediction confidence, contributing to the discovery of potential tumor biomarkers.

研究の動機と目的

• WSI の形態特徴と空間遺伝子発現を統合して組織分類とバイオマーカー発見を改善する。
• 形態学的および分子類似性によって近傍関係を重み付けするパッチレベルのグラフを構築して腫瘍微環境をモデル化する。
• 空間トランスクリプトミクスから得られる臨床的経路特徴を介して組織形態と遺伝子発現を橋渡しする。
• 学習可能な経路モジュールを導入して生物学的経路形成を補完的な表現としてシミュレートする。

提案手法

• 対象パッチと近傍のグラフを構築して空間的関係をモデル化する。
• 形態学的および分子的類似性に基づいて応答強度を調整する。
• 既定の経路データベースを用いて空間トランスクリプトミクスデータから臨床経路特徴を導出する。
• 生物学的経路形成をシミュレートする新規の学習可能な経路モジュールを組み込む。
• 多模/modal 融合を用いて前立腺・結腸直腸・乳がんのWSI データセットで評価する。
• 最先端の形態-遺伝子多模態手法と比較する。

実験結果

リサーチクエスチョン

• RQ1 グラフベースの多模態ネットワークは空間遺伝子発現と腫瘍微環境の文脈を取り入れることでWSIの組織分類を改善できるか。
• RQ2 形態学的および分子的類似性は組織分類におけるパッチレベルの相互作用にどう影響するか。
• RQ3 空間トランスクリプトミクス由来の経路特徴は組織ラベリングと差次的遺伝子分析を強化するか。
• RQ4 学習可能な経路モジュールは補完的な表現を提供し、分類性能を向上させるか。

主な発見

• BioMorphNet は前立腺、結腸直腸、乳がんデータセットで平均分類指標をそれぞれ 2.67%、5.48%、6.29%改善した。
• WSI 内の組織カテゴリの局在化を実現し、組織カテゴリ間の差次的遺伝子発現分析をサポートする。
• 経路特徴を介して組織形態と遺伝子発現を橋渡しし、潜在的なバイオマーカー発見を支援する。