Predicting Survival in Fulminant Myocarditis Using a Large-Scale Pathology Foundation Model大規模病理基盤モデルを用いた劇症型心筋炎の生存予測

Focus研究焦点

Predicting Survival in Fulminant Myocarditis Using a Large-Scale Pathology Foundation Model大規模病理基盤モデルを用いた劇症型心筋炎の生存予測

This project addresses the problem of prognosis prediction in fulminant myocarditis, a rare and severe form of myocarditis characterized by acute inflammatory infiltration of the cardiac muscle that leads to rapid deterioration of cardiac function. Due to its acute and life-threatening nature, fulminant myocarditis requires urgent clinical management, and early identification of patients at high risk of mortality is essential for guiding treatment decisions. Despite the clinical urgency, conventional computational models based on convolutional neural networks applied to histopathological images have consistently struggled to achieve high predictive accuracy, partly due to the limited availability of annotated data and the complex visual patterns associated with the disease.

The central technical contribution of this project is the adoption of CHIEF (Clinical Histopathology Imaging Evaluation Foundation model), a large-scale pathology foundation model pre-trained on an extensive corpus of pan-cancer whole-slide images covering a wide variety of anatomical sites and tissue types. CHIEF was originally developed for broad oncological tasks, including cancer detection, tumor origin identification, biomarker prediction, and survival prognosis. By leveraging CHIEF as a feature extractor for cardiac pathology images stained with hematoxylin and eosin (HE), the project hypothesizes that the rich visual representations learned from pan-cancer data can transfer effectively to myocarditis prognosis, even though the domain is non-oncological.

The overall prediction pipeline processes whole-slide pathology images using a patch-based approach: each image is divided into multiple smaller tiles, and features are extracted from each tile using CHIEF's frozen image encoder. The patch-level survival predictions are then aggregated using a majority voting strategy to produce a final slide-level prediction. This design allows the model to handle the large size of whole-slide images efficiently and to capture both local tissue-level information and broader spatial patterns across the slide.

A key methodological extension in this project is the integration of clinical information alongside pathology images, resulting in a multimodal prediction framework. Clinical data — including patient age, BNP measurements, and other cardiac biomarkers collected at admission — is encoded using a language feature extractor that processes structured clinical records formatted as natural language prompts. The pathology encoder and language encoder produce separate feature vectors that are concatenated and passed through a fine-tuned classification head. This multimodal fusion strategy is motivated by the recognition that histopathological appearance alone may not capture all relevant prognostic information, and that structured clinical measurements provide complementary evidence.

Experimental results demonstrate a clear progression in predictive performance across the three settings evaluated: image-only prediction achieves an AUC of 0.646, clinical-information-only prediction achieves 0.699, and the combined image plus clinical information model reaches an AUC of 0.732. This consistent improvement with multimodal integration underlines the complementary nature of the two information sources. The results suggest that large-scale pathology foundation models can be effectively transferred to rare cardiac diseases and that multimodal learning provides meaningful gains over unimodal approaches in clinical prognosis tasks.

本研究は劇症型心筋炎の予後予測を対象としています。劇症型心筋炎は心筋への急性炎症性浸潤によって心機能が急速に低下する稀かつ重篤な疾患であり、死亡リスクが高い患者の早期同定は治療戦略の決定に不可欠です。しかし、病理組織画像にCNNを適用した従来の計算モデルは、アノテーションデータの少なさや疾患に特有の複雑な視覚的パターンにより、高い予測精度の達成に苦戦してきました。

本研究の中心的な技術的貢献は、多様な解剖学的部位・組織型にわたるパンキャンサー全スライド画像で事前学習された大規模病理基盤モデル「CHIEF」の活用です。CHIEFはがん検出・腫瘍起源同定・バイオマーカー予測・生存予後などの広汎な腫瘍学タスクのために開発されました。本研究は、パンキャンサーデータから学習された豊富な視覚表現が、非腫瘍性領域である心筋炎予後にも効果的に転移できるという仮説のもと、HE染色心臓病理画像への適用を試みます。

予測パイプラインでは、全スライド画像をパッチベースで処理します。各画像を小タイルに分割し、凍結されたCHIEFの画像エンコーダで特徴量を抽出した後、多数決でスライドレベルの予測に集約します。これにより全スライド画像の大容量を効率的に処理しながら、局所的な組織パターンとスライド全体にわたる広域的な空間情報の両方を捉えることができます。

方法論的な主要な拡張点は、病理画像に加えて臨床情報を統合したマルチモーダル予測フレームワークの構築です。入院時の年齢・BNP値などの臨床データを自然言語プロンプト形式で言語特徴抽出器にエンコードし、病理エンコーダの出力と連結して微調整された分類ヘッドに入力します。この融合戦略は、組織病理学的外観だけでは予後に関連するすべての情報を捉えられない場合に、構造化臨床データが補完的証拠を提供するという認識に基づいています。

実験結果では、画像のみのAUC 0.646、臨床情報のみのAUC 0.699、画像＋臨床情報の組み合わせでAUC 0.732という段階的な性能向上が示されました。この一貫した改善はマルチモーダル統合の有効性を示しており、大規模病理基盤モデルが稀な心疾患に転移可能であること、そしてマルチモーダル学習が臨床予後タスクにおいて有意な性能向上をもたらすことが示唆されます。



Project 4
Spatiotemporal Analysis of Swallowing Movement via 4DCT
4DCTを用いた嚥下運動の時空間分析
4DCT
Segmentation
Spatiotemporal Analysis
Swallowing Dynamics
Clinical Quantification