論文の概要: Domain-specific optimization and diverse evaluation of self-supervised models for histopathology

• arxiv url: http://arxiv.org/abs/2310.13259v1
• Date: Fri, 20 Oct 2023 03:38:07 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-24 00:25:06.438637
• Title: Domain-specific optimization and diverse evaluation of self-supervised models for histopathology
• Title（参考訳）: 病理組織学におけるドメイン固有最適化と自己監督モデルの評価
• Authors: Jeremy Lai, Faruk Ahmed, Supriya Vijay, Tiam Jaroensri, Jessica Loo, Saurabh Vyawahare, Saloni Agarwal, Fayaz Jamil, Yossi Matias, Greg S. Corrado, Dale R. Webster, Jonathan Krause, Yun Liu, Po-Hsuan Cameron Chen, Ellery Wulczyn, David F. Steiner
• Abstract要約: 組織学におけるタスク固有の深層学習モデルは、診断、臨床研究、精密医療を改善するための有望な機会を提供する。 自己教師型学習(SSL)による病理組織学の基礎モデルの開発と評価について述べる。
• 参考スコア（独自算出の注目度）: 9.450129206898115
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Task-specific deep learning models in histopathology offer promising opportunities for improving diagnosis, clinical research, and precision medicine. However, development of such models is often limited by availability of high-quality data. Foundation models in histopathology that learn general representations across a wide range of tissue types, diagnoses, and magnifications offer the potential to reduce the data, compute, and technical expertise necessary to develop task-specific deep learning models with the required level of model performance. In this work, we describe the development and evaluation of foundation models for histopathology via self-supervised learning (SSL). We first establish a diverse set of benchmark tasks involving 17 unique tissue types and 12 unique cancer types and spanning different optimal magnifications and task types. Next, we use this benchmark to explore and evaluate histopathology-specific SSL methods followed by further evaluation on held out patch-level and weakly supervised tasks. We found that standard SSL methods thoughtfully applied to histopathology images are performant across our benchmark tasks and that domain-specific methodological improvements can further increase performance. Our findings reinforce the value of using domain-specific SSL methods in pathology, and establish a set of high quality foundation models to enable further research across diverse applications.
• Abstract（参考訳）: 病理学におけるタスク固有の深層学習モデルは、診断、臨床研究、精密医療の改善に有望な機会を提供する。 しかし、そのようなモデルの開発は、しばしば高品質なデータの可用性によって制限される。 組織病学の基盤となるモデルは、組織の種類、診断、拡大など広範囲にわたる一般的な表現を学習し、必要なレベルのモデル性能を持つタスク固有のディープラーニングモデルを開発するために必要なデータ、計算、技術的専門知識を削減できる可能性がある。 本稿では,自己教師付き学習(SSL)による病理組織学の基礎モデルの開発と評価について述べる。 まず17種類の組織型と12種類のがん型と、異なる最適な倍率とタスク型にまたがる多様なベンチマークタスクのセットを確立する。 次に,本ベンチマークを用いて病理組織学的SSL手法の探索と評価を行い,パッチレベルと弱教師付きタスクに関するさらなる評価を行った。 われわれは,標準SSL手法を組織像に慎重に適用することは,我々のベンチマークタスクにまたがって有効であり,ドメイン固有の方法論的改善によりパフォーマンスがさらに向上することを発見した。 以上より,病理学におけるドメイン特化ssl法の利用価値が強調され,多様なアプリケーションを対象としたさらなる研究を可能にする高品質基礎モデルが確立された。

関連論文リスト

• Benchmarking Pathology Foundation Models: Adaptation Strategies and Scenarios [2.1953732467962324]
  14のデータセットと2つのシナリオ整合性評価と柔軟性評価の4つの病理特異的基盤モデルをベンチマークする。 その結果、パラメータ効率のよい微調整手法は、同じ下流タスク内の多様なデータセットに病理学固有の基礎モデルを適用するのに効率的かつ効果的であることが判明した。
  論文  参考訳（メタデータ） (2024-10-21T14:10:18Z)
• TopOC: Topological Deep Learning for Ovarian and Breast Cancer Diagnosis [3.262230127283452]
  トポロジカルデータ分析は、異なる色チャネルにわたるトポロジカルパターンの評価を通じて重要な情報を抽出することで、ユニークなアプローチを提供する。 卵巣癌と乳癌では, トポロジカルな特徴を取り入れることで, 腫瘍型の分化が著しく向上することが示唆された。
  論文  参考訳（メタデータ） (2024-10-13T12:24:13Z)
• LoRKD: Low-Rank Knowledge Decomposition for Medical Foundation Models [59.961172635689664]
  知識分解」は、特定の医療課題のパフォーマンス向上を目的としている。 我々はLow-Rank Knowledge Decomposition(LoRKD)という新しいフレームワークを提案する。 LoRKDは、低ランクのエキスパートモジュールと効率的な知識分離畳み込みを組み込むことで、グラデーションを異なるタスクから明確に分離する。
  論文  参考訳（メタデータ） (2024-09-29T03:56:21Z)
• A Clinical Benchmark of Public Self-Supervised Pathology Foundation Models [2.124312824026935]
  本研究は, がん診断を含む臨床関連エンドポイントと, 2つの医療センターからの標準病院手術中に発生する各種バイオマーカーとを関連づけた臨床スライドを含む病理データセットの収集について述べる。 これらのデータセットを利用して、公共病理基盤モデルの性能を体系的に評価し、新しい基礎モデルをトレーニングし、適切な事前学習モデルを選択するためのベストプラクティスに関する洞察を提供する。
  論文  参考訳（メタデータ） (2024-07-09T02:33:13Z)
• A Survey of Models for Cognitive Diagnosis: New Developments and Future Directions [66.40362209055023]
  本研究の目的は,認知診断の現在のモデルについて,機械学習を用いた新たな展開に注目した調査を行うことである。 モデル構造,パラメータ推定アルゴリズム,モデル評価方法,適用例を比較して,認知診断モデルの最近の傾向を概観する。
  論文  参考訳（メタデータ） (2024-07-07T18:02:00Z)
• RudolfV: A Foundation Model by Pathologists for Pathologists [13.17203220753175]
  計算病理学の基礎モデルを設計するための新しいアプローチを提案する。 我々のモデル "RudolfV" は、様々なベンチマークで既存の最先端基盤モデルを上回っています。
  論文  参考訳（メタデータ） (2024-01-08T18:31:38Z)
• Benchmarking Self-Supervised Learning on Diverse Pathology Datasets [10.868779327544688]
  自己教師付き学習は、ラベルのないデータを活用する効果的な方法であることが示されている。 我々は、病理画像データに基づいてSSL事前トレーニングを行う最大規模の研究を行う。 核インスタンスセグメンテーションの課題に対してSSLを初めて適用する。
  論文  参考訳（メタデータ） (2022-12-09T06:38:34Z)
• Model-Based Deep Learning: On the Intersection of Deep Learning and Optimization [101.32332941117271]
  決定アルゴリズムは様々なアプリケーションで使われている。 数理モデルに頼らずにデータから調整された高度パラメトリックアーキテクチャを使用するディープラーニングアプローチが、ますます人気が高まっている。 モデルに基づく最適化とデータ中心のディープラーニングは、しばしば異なる規律とみなされる。
  論文  参考訳（メタデータ） (2022-05-05T13:40:08Z)
• LifeLonger: A Benchmark for Continual Disease Classification [59.13735398630546]
  MedMNISTコレクションの連続的な疾患分類のためのベンチマークであるLifeLongerを紹介する。 タスクとクラスでの病気の漸進的な学習は、モデルをスクラッチから再トレーニングすることなく、新しいサンプルを分類する問題に対処する。 クロスドメインインクリメンタル学習は、これまで得られた知識を維持しながら、異なる機関から派生したデータセットを扱う問題に対処する。
  論文  参考訳（メタデータ） (2022-04-12T12:25:05Z)
• A multi-stage machine learning model on diagnosis of esophageal manometry [50.591267188664666]
  このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。 これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
  論文  参考訳（メタデータ） (2021-06-25T20:09:23Z)
• Quality meets Diversity: A Model-Agnostic Framework for Computerized Adaptive Testing [60.38182654847399]
  コンピュータ適応テスト(CAT)は多くのシナリオで有望なテストアプリケーションとして現れています。 CAT ソリューションのための新しいフレームワークである Model-Agnostic Adaptive Testing (MAAT) を提案する。
  論文  参考訳（メタデータ） (2021-01-15T06:48:50Z)

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。