論文の概要: Going Beyond H&E and Oncology: How Do Histopathology Foundation Models Perform for Multi-stain IHC and Immunology?

• arxiv url: http://arxiv.org/abs/2410.21560v1
• Date: Mon, 28 Oct 2024 21:48:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-30 13:41:34.318439
• Title: Going Beyond H&E and Oncology: How Do Histopathology Foundation Models Perform for Multi-stain IHC and Immunology?
• Title（参考訳）: H&Eとオンコロジーを超えていく: 病理組織学の基礎モデルは多段階IHCと免疫学でどのように機能するか?
• Authors: Amaya Gallagher-Syed, Elena Pontarini, Myles J. Lewis, Michael R. Barnes, Gregory Slabaugh,
• Abstract要約: 本研究は自己免疫性免疫ベンチデータセットにおける最先端の病理組織学基盤モデルの有用性を評価する。 我々は、ImageNet事前学習ネットワークを含む13の特徴抽出モデルと、パブリックデータとプロプライエタリデータの両方でトレーニングされた病理組織基盤モデルを比較した。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: This study evaluates the generalisation capabilities of state-of-the-art histopathology foundation models on out-of-distribution multi-stain autoimmune Immunohistochemistry datasets. We compare 13 feature extractor models, including ImageNet-pretrained networks, and histopathology foundation models trained on both public and proprietary data, on Rheumatoid Arthritis subtyping and Sjogren's Disease detection tasks. Using a simple Attention-Based Multiple Instance Learning classifier, we assess the transferability of learned representations from cancer H&E images to autoimmune IHC images. Contrary to expectations, histopathology-pretrained models did not significantly outperform ImageNet-pretrained models. Furthermore, there was evidence of both autoimmune feature misinterpretation and biased feature importance. Our findings highlight the challenges in transferring knowledge from cancer to autoimmune histopathology and emphasise the need for careful evaluation of AI models across diverse histopathological tasks. The code to run this benchmark is available at https://github.com/AmayaGS/ImmunoHistoBench.
• Abstract（参考訳）: 本研究は, アウトオブディストリビューション型自己免疫免疫組織化学データセットにおける最先端の病理組織学基盤モデルの一般化能力を評価する。 慢性関節リウマチのサブタイプとシェーグレン病検出タスクについて,ImageNet-pretrained network を含む13の特徴抽出モデルと,公的およびプロプライエタリなデータに基づいてトレーニングされた病理組織基盤モデルを比較した。 簡単な注意に基づくマルチインスタンス学習分類器を用いて,がんH&E画像から自己免疫性IHC画像への学習表現の伝達性を評価する。 予想とは対照的に、病理組織学的に予測されたモデルでは、ImageNetで予測されたモデルよりも大きなパフォーマンスは得られなかった。 さらに自己免疫的特徴の誤解釈と偏見的特徴の重要性が示唆された。 本研究は, 癌から自己免疫組織学へ知識を移行する上での課題を強調し, 各種病理組織学課題におけるAIモデルの慎重な評価の必要性を強調した。 このベンチマークを実行するコードはhttps://github.com/AmayaGS/ImmunoHistoBench.comで公開されている。

関連論文リスト

• Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
  1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。 本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
  論文  参考訳（メタデータ） (2024-09-29T07:04:26Z)
• PathoDuet: Foundation Models for Pathological Slide Analysis of H&E and IHC Stains [5.422494000842841]
  PathoDuetは、病理組織像の事前訓練された一連のモデルであり、組織化学における新しい自己教師型学習フレームワークである。 このフレームワークは、新しく導入されたプリテキストトークンと後続のタスクライザーによって特徴付けられ、画像間の特定の関係を明示的に活用する。 クロススケール位置決めとクロスステイン転送という2つのプレテキストタスクは、モデルがヘマトキシリンとエオシンの画像で事前訓練されるように設計されている。
  論文  参考訳（メタデータ） (2023-12-15T15:45:52Z)
• Robust and Interpretable Medical Image Classifiers via Concept Bottleneck Models [49.95603725998561]
  本稿では,自然言語の概念を用いた堅牢で解釈可能な医用画像分類器を構築するための新しいパラダイムを提案する。 具体的には、まず臨床概念をGPT-4から検索し、次に視覚言語モデルを用いて潜在画像の特徴を明示的な概念に変換する。
  論文  参考訳（メタデータ） (2023-10-04T21:57:09Z)
• Classification of lung cancer subtypes on CT images with synthetic pathological priors [41.75054301525535]
  同症例のCT像と病理像との間には,画像パターンに大規模な関連性が存在する。 肺がんサブタイプをCT画像上で正確に分類するための自己生成型ハイブリッド機能ネットワーク(SGHF-Net)を提案する。
  論文  参考訳（メタデータ） (2023-08-09T02:04:05Z)
• NASDM: Nuclei-Aware Semantic Histopathology Image Generation Using Diffusion Models [3.2996723916635267]
  第一種核認識意味組織生成フレームワーク(NASDM) NASDMは、最大6種類の核型のセマンティック・インスタンス・マスクを与えられた現実的な組織サンプルを合成することができる。 これらの合成画像は、病理学、モデルの検証、既存の核セグメンテーションデータセットの補充に有用である。
  論文  参考訳（メタデータ） (2023-03-20T22:16:03Z)
• A Morphology Focused Diffusion Probabilistic Model for Synthesis of Histopathology Images [0.5541644538483947]
  深層学習法は組織像の解析と分類に大きな進歩をもたらした。 これらの合成画像は、教育、熟練度テスト、プライバシ、データ共有など、病理学にいくつかの応用がある。
  論文  参考訳（メタデータ） (2022-09-27T05:58:35Z)
• Mapping the landscape of histomorphological cancer phenotypes using self-supervised learning on unlabeled, unannotated pathology slides [9.27127895781971]
  病理形態学的現象型学習は、小さな画像タイルにおける識別画像の特徴の自動発見を通じて行われる。 タイルは、組織形態学的表現型のライブラリを構成する形態学的に類似したクラスターに分類される。
  論文  参考訳（メタデータ） (2022-05-04T08:06:55Z)
• 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)
• 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)
• An interpretable classifier for high-resolution breast cancer screening images utilizing weakly supervised localization [45.00998416720726]
  医用画像の特徴に対処する枠組みを提案する。 このモデルはまず、画像全体の低容量だがメモリ効率のよいネットワークを使用して、最も情報性の高い領域を識別する。 次に、選択したリージョンから詳細を収集するために、別の高容量ネットワークを適用します。 最後に、グローバルおよびローカル情報を集約して最終的な予測を行うフュージョンモジュールを使用する。
  論文  参考訳（メタデータ） (2020-02-13T15:28:42Z)

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。