論文の概要: A General-Purpose Self-Supervised Model for Computational Pathology

• arxiv url: http://arxiv.org/abs/2308.15474v1
• Date: Tue, 29 Aug 2023 17:52:10 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-30 12:52:50.210133
• Title: A General-Purpose Self-Supervised Model for Computational Pathology
• Title（参考訳）: 計算病理の汎用自己監督モデル
• Authors: Richard J. Chen, Tong Ding, Ming Y. Lu, Drew F. K. Williamson, Guillaume Jaume, Bowen Chen, Andrew Zhang, Daniel Shao, Andrew H. Song, Muhammad Shaban, Mane Williams, Anurag Vaidya, Sharifa Sahai, Lukas Oldenburg, Luca L. Weishaupt, Judy J. Wang, Walt Williams, Long Phi Le, Georg Gerber, Faisal Mahmood
• Abstract要約: UNIは,10万以上の診断ヘマトキシリンおよびエオシンWSIから1億以上の組織パッチを事前訓練した,病理の汎用的自己管理モデルである。 CPathにおける新しいモデリング機能として,分解能診断組織分類,数発のクラスプロトタイプを用いたスライド分類,最大108種類のがんの分類における疾患サブタイプ一般化などを紹介した。
• 参考スコア（独自算出の注目度）: 9.505290216109609
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Tissue phenotyping is a fundamental computational pathology (CPath) task in learning objective characterizations of histopathologic biomarkers in anatomic pathology. However, whole-slide imaging (WSI) poses a complex computer vision problem in which the large-scale image resolutions of WSIs and the enormous diversity of morphological phenotypes preclude large-scale data annotation. Current efforts have proposed using pretrained image encoders with either transfer learning from natural image datasets or self-supervised pretraining on publicly-available histopathology datasets, but have not been extensively developed and evaluated across diverse tissue types at scale. We introduce UNI, a general-purpose self-supervised model for pathology, pretrained using over 100 million tissue patches from over 100,000 diagnostic haematoxylin and eosin-stained WSIs across 20 major tissue types, and evaluated on 33 representative CPath clinical tasks in CPath of varying diagnostic difficulties. In addition to outperforming previous state-of-the-art models, we demonstrate new modeling capabilities in CPath such as resolution-agnostic tissue classification, slide classification using few-shot class prototypes, and disease subtyping generalization in classifying up to 108 cancer types in the OncoTree code classification system. UNI advances unsupervised representation learning at scale in CPath in terms of both pretraining data and downstream evaluation, enabling data-efficient AI models that can generalize and transfer to a gamut of diagnostically-challenging tasks and clinical workflows in anatomic pathology.
• Abstract（参考訳）: 組織表現型ピングは、解剖学的病理学における病理組織学的バイオマーカーの客観的特徴の学習における基礎的計算病理学(CPath)課題である。 しかし、全体スライダーイメージング(wsi)は、wsisの大規模画像解像度と形態的表現型の膨大な多様性が大規模データアノテーションを妨げる複雑なコンピュータビジョン問題を引き起こす。 現在の研究は、自然画像データセットからの転写学習や、公的に利用可能な病理組織データセットによる自己教師付き事前トレーニングを併用した事前訓練画像エンコーダの使用を提案しているが、大規模に多様な組織タイプで広く開発され評価されていない。 UNIは,20種類の組織から10万以上の診断ヘマトキシリンおよびエオシン含有WSIから1億以上の組織パッチを事前訓練し,CPathにおける33の代表的なCPath臨床課題について検討した。 従来の最先端モデルに勝るものの他に,OncoTreeコード分類システムでは,分解能非依存組織分類,少数ショットクラスプロトタイプを用いたスライド分類,最大108種類のがん分類における疾患サブタイプ一般化など,CPathの新たなモデリング機能を示す。 UNIは、事前トレーニングデータと下流評価の両方の観点から、CPathの大規模で教師なしの表現学習を推進し、解剖学的病理学における診断に混ざったタスクや臨床ワークフローを一般化し、転送できるデータ効率のよいAIモデルを実現する。

関連論文リスト

• GPC: Generative and General Pathology Image Classifier [2.6954348706500766]
  本稿では,GPCと呼ばれるタスク依存型画像分類器を提案する。 GPCは、病理画像を高次元の特徴空間にマッピングし、テキストとして関連するクラスラベルを生成する。 我々は,4つの病理画像分類タスクに対して,GPCを6つのデータセットで評価した。
  論文  参考訳（メタデータ） (2024-07-12T06:54:31Z)
• CAMP: Continuous and Adaptive Learning Model in Pathology [4.0422818386776855]
  病理画像分類のためのCAMPにおける連続的適応学習モデルを提案する。 CAMPは生成的、効率的、適応的な分類モデルであり、任意の分類タスクに継続的に適応することができる。 我々はCAMPを17の分類タスクに対して,1,171,526のパッチと11,811の病理スライドを含む22のデータセットで評価した。
  論文  参考訳（メタデータ） (2024-07-12T06:45:37Z)
• Benchmarking Embedding Aggregation Methods in Computational Pathology: A Clinical Data Perspective [32.93871326428446]
  人工知能(AI)の最近の進歩は、医療画像と計算病理に革命をもたらしている。 デジタル全スライド画像(WSI)の解析における一定の課題は、何万ものタイルレベルの画像埋め込みをスライドレベルの表現に集約する問題である。 本研究は,9つの臨床的課題を対象とした10種類のスライドレベルのアグリゲーション手法のベンチマーク分析を行った。
  論文  参考訳（メタデータ） (2024-07-10T17:00:57Z)
• Knowledge-enhanced Visual-Language Pretraining for Computational Pathology [68.6831438330526]
  本稿では,公共資源から収集した大規模画像テキストペアを利用した視覚的表現学習の課題について考察する。 ヒト32組織から病理診断を必要とする4,718の疾患に対して50,470個の情報属性からなる病理知識ツリーをキュレートする。
  論文  参考訳（メタデータ） (2024-04-15T17:11:25Z)
• MedFMC: A Real-world Dataset and Benchmark For Foundation Model Adaptation in Medical Image Classification [41.16626194300303]
  ファンデーションモデルは、多くの場合、大規模なデータで事前訓練されているが、様々なビジョンや言語アプリケーションのジャンプ開始において、最も成功している。 最近の進歩により、下流タスクにおける基礎モデルの適応は、少数のトレーニングサンプルだけで効率的に行えるようになった。 しかし, 医用画像解析におけるそのような学習パラダイムの適用は, 一般に公開されているデータやベンチマークが不足しているため, 依然として少ない。
  論文  参考訳（メタデータ） (2023-06-16T01:46:07Z)
• A Transformer-based representation-learning model with unified processing of multimodal input for clinical diagnostics [63.106382317917344]
  本稿では,マルチモーダル入力を統一的に処理する臨床診断支援として,トランスフォーマーを用いた表現学習モデルについて報告する。 統一モデルは, 肺疾患の同定において, 画像のみのモデル, 非統一型マルチモーダル診断モデルより優れていた。
  論文  参考訳（メタデータ） (2023-06-01T16:23:47Z)
• From Modern CNNs to Vision Transformers: Assessing the Performance, Robustness, and Classification Strategies of Deep Learning Models in Histopathology [1.8947504307591034]
  我々は、広範囲の分類モデルを広範囲に評価する新しい手法を開発した。 広く使用されている5つの病理組織学的データセットを用いて,そのモデルを徹底的に検証した。 既存の解釈可能性手法を拡張し、モデルの分類戦略に関する洞察を体系的に明らかにする。
  論文  参考訳（メタデータ） (2022-04-11T12:26:19Z)
• Medulloblastoma Tumor Classification using Deep Transfer Learning with Multi-Scale EfficientNets [63.62764375279861]
  本稿では,エンド・ツー・エンドのMB腫瘍分類を提案し,様々な入力サイズとネットワーク次元の一致した移動学習を提案する。 161ケースのデータセットを用いて、より大規模な入力解像度を持つ事前学習されたEfficientNetが、大幅な性能改善をもたらすことを実証した。
  論文  参考訳（メタデータ） (2021-09-10T13:07:11Z)
• G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for Biomarker Identification and Disease Classification [49.53651166356737]
  診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。 2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
  論文  参考訳（メタデータ） (2021-01-27T19:28:04Z)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)
• Multi-label Thoracic Disease Image Classification with Cross-Attention Networks [65.37531731899837]
  胸部X線画像から胸部疾患を自動分類するためのCAN(Cross-Attention Networks)を提案する。 また,クロスエントロピー損失を超える新たな損失関数を設計し,クラス間の不均衡を克服する。
  論文  参考訳（メタデータ） (2020-07-21T14:37:00Z)

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。