論文の概要: Benchmarking Pathology Foundation Models: Adaptation Strategies and Scenarios
- arxiv url: http://arxiv.org/abs/2410.16038v1
- Date: Mon, 21 Oct 2024 14:10:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-22 13:18:21.099132
- Title: Benchmarking Pathology Foundation Models: Adaptation Strategies and Scenarios
- Title（参考訳）: ベンチマーク病理基盤モデル:適応戦略とシナリオ
- Authors: Jeaung Lee, Jeewoo Lim, Keunho Byeon, Jin Tae Kwak,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 2.1953732467962324
- License:
- Abstract: In computational pathology, several foundation models have recently emerged and demonstrated enhanced learning capability for analyzing pathology images. However, adapting these models to various downstream tasks remains challenging, particularly when faced with datasets from different sources and acquisition conditions, as well as limited data availability. In this study, we benchmark four pathology-specific foundation models across 14 datasets and two scenarios-consistency assessment and flexibility assessment-addressing diverse adaptation scenarios and downstream tasks. In the consistency assessment scenario, involving five fine-tuning methods, we found that the parameter-efficient fine-tuning approach was both efficient and effective for adapting pathology-specific foundation models to diverse datasets within the same downstream task. In the flexibility assessment scenario under data-limited environments, utilizing five few-shot learning methods, we observed that the foundation models benefited more from the few-shot learning methods that involve modification during the testing phase only. These findings provide insights that could guide the deployment of pathology-specific foundation models in real clinical settings, potentially improving the accuracy and reliability of pathology image analysis. The code for this study is available at: https://github.com/QuIIL/BenchmarkingPathologyFoundationModels.
- Abstract（参考訳）: 計算病理学では,いくつかの基礎モデルが最近出現し,病理像を解析するための学習能力の強化が実証されている。
しかし、これらのモデルをさまざまなダウンストリームタスクに適用することは、特に異なるソースや取得条件のデータセットや限られたデータ可用性に直面する場合、依然として困難である。
本研究では,14のデータセットと2つのシナリオ整合性評価と,多様な適応シナリオと下流タスクに適応したフレキシビリティアセスメントの4つの病態特異的基盤モデルをベンチマークする。
5つの微調整手法を含む整合性評価シナリオにおいて、パラメータ効率の良い微調整手法は、同じ下流課題における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わかった。
データ限定環境下でのフレキシビリティ評価シナリオでは、5つの数ショット学習手法を用いて、基礎モデルがテストフェーズのみの変更を含む数ショット学習手法の恩恵を受けていることを観察した。
これらの知見は, 病態特異的基盤モデルの実際の臨床環境への展開を導出し, 病理画像解析の精度と信頼性を向上する可能性がある。
この研究のコードは、https://github.com/QuIIL/BenchmarkingPathologyFoundationModelsで公開されている。
関連論文リスト
- Exploring Foundation Models Fine-Tuning for Cytology Classification [0.10555513406636088]
既存の基盤モデルが細胞学的分類にどのように適用できるかを示す。
4つの細胞分類データセットにまたがる5つの基盤モデルを評価する。
以上の結果から,LoRAによる事前学習したバックボーンの微調整により,モデル性能が大幅に向上することが示唆された。
論文 参考訳（メタデータ） (2024-11-22T14:34:04Z) - Benchmarking Transcriptomics Foundation Models for Perturbation Analysis : one PCA still rules them all [1.507700065820919]
転写学的シークエンシングの最近の進歩は、価値ある洞察を明らかにする新しい機会を提供する。
摂動解析におけるこれらの上昇モデルの有効性をしっかり評価するためのベンチマークは行われていない。
本稿では,生物学的に動機づけた新しい評価フレームワークと摂動解析タスクの階層について述べる。
論文 参考訳（メタデータ） (2024-10-17T18:27:51Z) - Benchmarking foundation models as feature extractors for weakly-supervised computational pathology [0.6151041580858937]
肺・大腸癌・胃癌・乳癌の13例を対象に, 病理組織学的基盤モデルを10例, 6,791例, 9,493例に比較検討した。
視覚言語基礎モデルであるCONCHは,視覚のみの基礎モデルと比較して,タスクの42%で最高の性能を示した。
論文 参考訳（メタデータ） (2024-08-28T14:34:45Z) - Seeing Unseen: Discover Novel Biomedical Concepts via
Geometry-Constrained Probabilistic Modeling [53.7117640028211]
同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。
構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。
スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
論文 参考訳（メタデータ） (2024-03-02T00:56:05Z) - Few-shot learning for COVID-19 Chest X-Ray Classification with
Imbalanced Data: An Inter vs. Intra Domain Study [49.5374512525016]
医療画像データセットは、コンピュータ支援診断、治療計画、医学研究に使用される訓練モデルに不可欠である。
データ分散のばらつき、データの不足、ジェネリックイメージから事前トレーニングされたモデルを使用する場合の転送学習の問題などである。
本稿では,データ不足と分散不均衡の影響を軽減するために,一連の手法を統合したシームズニューラルネットワークに基づく手法を提案する。
論文 参考訳（メタデータ） (2024-01-18T16:59:27Z) - Domain-specific optimization and diverse evaluation of self-supervised
models for histopathology [9.450129206898115]
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。
論文 参考訳（メタデータ） (2023-10-20T03:38:07Z) - 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 Closer Look at Few-shot Classification Again [68.44963578735877]
トレーニングフェーズと適応フェーズで構成されている。
トレーニングアルゴリズムと適応アルゴリズムが完全に絡み合っていることを実証的に証明する。
各フェーズのメタアナリシスは、いくつかの興味深い洞察を示し、いくつかのショット分類の重要な側面をよりよく理解するのに役立ちます。
論文 参考訳（メタデータ） (2023-01-28T16:42:05Z) - Benchmarking Heterogeneous Treatment Effect Models through the Lens of
Interpretability [82.29775890542967]
治療のパーソナライズされた効果を見積もるのは複雑だが、普及している問題である。
ヘテロジニアス処理効果推定に関する機械学習文献の最近の進歩は、洗練されたが不透明なツールの多くを生み出した。
我々は、ポストホックな特徴重要度法を用いて、モデルの予測に影響を及ぼす特徴を特定する。
論文 参考訳（メタデータ） (2022-06-16T17:59:05Z) - Analyzing the Effects of Handling Data Imbalance on Learned Features
from Medical Images by Looking Into the Models [50.537859423741644]
不均衡なデータセットでモデルをトレーニングすることは、学習問題にユニークな課題をもたらす可能性がある。
ニューラルネットワークの内部ユニットを深く調べて、データの不均衡処理が学習した機能にどのように影響するかを観察します。
論文 参考訳（メタデータ） (2022-04-04T09:38:38Z) - Adversarial Sample Enhanced Domain Adaptation: A Case Study on
Predictive Modeling with Electronic Health Records [57.75125067744978]
ドメイン適応を容易にするデータ拡張手法を提案する。
逆生成したサンプルはドメイン適応時に使用される。
その結果,本手法の有効性とタスクの一般性が確認された。
論文 参考訳（メタデータ） (2021-01-13T03:20:20Z)
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。