HistoMet: 一次腫瘍の組織学画像から転移進展と転移部位の親和性を予後予測するための全がん用ディープラーニングフレームワーク

arXiv:2602.07608v1 Announce Type: new Abstract: 転移進展はがん関連死亡率の主要な原因でありながら、一次腫瘍の転移可能性や転移部位を組織学的画像のみから予測することは依然として大きな課題です。また、全スライド画像（WSI）が豊富で形態的な情報を提供することは確かにありますが、従来の計算病理学のアプローチは、転移状態や部位の予測を孤立したタスクとして扱っており、臨床的に重要な「転移リスク評価」と「その後の部位特異的評価」のシーケンシャルな意思決定プロセスを明示的にモデル化していません。この研究ギャップに対処するため、我々は一次腫瘍の WSI から予後転移結果を予測するための意思決定が統合され、概念が整合した MIP（複数インスタンス分類）フレームワーク、HistoMet を提案します。我々のプロップosed フレームワークは、一次腫瘍からの転移進展の確率を最初に推定し、次に高リスクケースに対する転移部位の条件付き予測を行うという、2 段階の予測パイプラインを採用しています。表現学習を導き、臨床的な解釈可能性を向上させるために、我々のフレームワークは事前学習された病理学ビジョン・ラングウェージモデルを通じて、言語的に定義され、データに適合する転移概念を統合しています。我々は HistoMet を、転移のフォローアップと部位の付番が備わった 6,504 名の患者を擁する多国間全がんコホートで評価しました。臨床的に関連性のある高感度スクリーニング設定（感度 95%）において、HistoMet は下流作業を大幅に削減しつつ、高い転移リスクの適合率を維持しました。転移が確認されたケースにおいて、HistoMet はマクロ F1 スコアを 74.6（標準偏差 1.3）と、マクロ one-vs-rest AUC を 92.1 としました。これらの結果は、臨床的な意思決定構造を明示的にモデル化することで、一次腫瘍の組織学画像から転移進展と転移部位の親和性を、ロバストでデプロイ可能な予後予測が可能であることを示しています。

arXiv:2602.07608v1 Announce Type: new Abstract: Metastatic Progression remains the leading cause of cancer-related mortality, yet predicting whether a primary tumor will metastasize and where it will disseminate directly from histopathology remains a fundamental challenge. Although whole-slide images (WSIs) provide rich morphological information, prior computational pathology approaches typically address metastatic status or site prediction as isolated tasks, and do not explicitly model the clinically sequential decision process of metastatic risk assessment followed by downstream site-specific evaluation. To address this research gap, we present a decision-aware, concept-aligned MIL framework, HistoMet, for prognostic metastatic outcome prediction from primary tumor WSIs. Our proposed framework adopts a two-module prediction pipeline in which the likelihood of metastatic progression from the primary tumor is first estimated, followed by conditional prediction of metastatic site for high-risk cases. To guide representation learning and improve clinical interpretability, our framework integrates linguistically defined and data-adaptive metastatic concepts through a pretrained pathology vision-language model. We evaluate HistoMet on a multi-institutional pan-cancer cohort of 6504 patients with metastasis follow-up and site annotations. Under clinically relevant high-sensitivity screening settings (95 percent sensitivity), HistoMet significantly reduces downstream workload while maintaining high metastatic risk recall. Conditional on metastatic cases, HistoMet achieves a macro F1 of 74.6 with a standard deviation of 1.3 and a macro one-vs-rest AUC of 92.1. These results demonstrate that explicitly modeling clinical decision structure enables robust and deployable prognostic prediction of metastatic progression and site tropism directly from primary tumor histopathology.