Fugu-MT 論文翻訳(概要): Atlas: A Novel Pathology Foundation Model by Mayo Clinic, Charité, and Aignostics

論文の概要: Atlas: A Novel Pathology Foundation Model by Mayo Clinic, Charité, and Aignostics

arxiv url: http://arxiv.org/abs/2501.05409v2
Date: Fri, 10 Jan 2025 16:58:29 GMT
ステータス: 翻訳完了
システム内更新日: 2025-01-13 12:07:38.980206
Title: Atlas: A Novel Pathology Foundation Model by Mayo Clinic, Charité, and Aignostics
Title（参考訳）: Atlas: Mayo Clinical, Charité, and Aignosticsによる新しい病理基盤モデル
Authors: Maximilian Alber, Stephan Tietz, Jonas Dippel, Timo Milbich, Timothée Lesort, Panos Korfiatis, Moritz Krügener, Beatriz Perez Cancer, Neelay Shah, Alexander Möllers, Philipp Seegerer, Alexandra Carpen-Amarie, Kai Standvoss, Gabriel Dernbach, Edwin de Jong, Simon Schallenberg, Andreas Kunft, Helmut Hoffer von Ankershoffen, Gavin Schaeferle, Patrick Duffy, Matt Redlon, Philipp Jurmeister, David Horst, Lukas Ruff, Klaus-Robert Müller, Frederick Klauschen, Andrew Norgan,
Abstract要約: 本稿では,RudolfVアプローチに基づく新しい視覚基盤モデルであるAtlasを紹介する。本モデルでは、120万の病理組織像からなるデータセットを用いてトレーニングを行った。
参考スコア（独自算出の注目度）: 61.0008867391683
License:
Abstract: Recent advances in digital pathology have demonstrated the effectiveness of foundation models across diverse applications. In this report, we present Atlas, a novel vision foundation model based on the RudolfV approach. Our model was trained on a dataset comprising 1.2 million histopathology whole slide images, collected from two medical institutions: Mayo Clinic and Charit\'e - Universt\"atsmedizin Berlin. Comprehensive evaluations show that Atlas achieves state-of-the-art performance across twenty-one public benchmark datasets, even though it is neither the largest model by parameter count nor by training dataset size.
Abstract（参考訳）: デジタル病理学の最近の進歩は、様々な応用にまたがる基礎モデルの有効性を実証している。本稿では,RudolfVアプローチに基づく新しい視覚基盤モデルであるAtlasを紹介する。マヨクリニックとCharit\'e-Universt\"Universt\"Atsmedizin Berlin</i>の2つの医療機関から収集した120万枚のスライド画像からなるデータセットを用いて,本モデルを構築した。包括的な評価は、パラメータカウントやトレーニングデータセットサイズによる最大のモデルではないにもかかわらず、Atlasが21の公開ベンチマークデータセットで最先端のパフォーマンスを達成することを示している。

関連論文リスト

BIOMEDICA: An Open Biomedical Image-Caption Archive, Dataset, and Vision-Language Models Derived from Scientific Literature [73.39593644054865]
BIOMEDICAはスケーラブルでオープンソースのフレームワークで、PubMed Central Open Accessサブセット全体を抽出、注釈付け、シリアライズして、使いやすく、公開可能なデータセットにする。われわれのフレームワークは600万以上の記事から2400万以上のユニークな画像テキストペアで包括的なアーカイブを生成する。 BMCA-CLIPは、ストリーミングを通じてBIOMEDICAデータセット上で継続的に事前トレーニングされたCLIPスタイルのモデルのスイートで、27TBのデータをローカルにダウンロードする必要がなくなる。
論文参考訳（メタデータ） (2025-01-13T09:58:03Z)
Clinical-grade Multi-Organ Pathology Report Generation for Multi-scale Whole Slide Images via a Semantically Guided Medical Text Foundation Model [3.356716093747221]
患者に対する病理報告を生成するために, 患者レベル多臓器報告生成(PMPRG)モデルを提案する。我々のモデルはMETEORスコア0.68を達成し、我々のアプローチの有効性を実証した。
論文参考訳（メタデータ） (2024-09-23T22:22:32Z)
Towards A Generalizable Pathology Foundation Model via Unified Knowledge Distillation [29.103863497448433]
Generalizable Pathology Foundation Model (GPFM)は、34の組織タイプにわたる約86,000の公開H&Eスライドから1億9000万の画像からなる大規模なデータセットに事前訓練されている。 GPFMの平均ランクは1.36で29タスクが1位、第2位のUNIは2.96で4タスクのみが1位である。
論文参考訳（メタデータ） (2024-07-26T01:12:54Z)
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)
Towards a clinically accessible radiology foundation model: open-access and lightweight, with automated evaluation [113.5002649181103]
オープンソースの小型マルチモーダルモデル(SMM)を訓練し、放射線学における未測定臨床ニーズに対する能力ギャップを埋める。トレーニングのために,697万以上の画像テキストペアからなる大規模なデータセットを組み立てる。評価のために,GPT-4に基づく実測値CheXpromptを提案する。 LlaVA-Radの推論は高速で、単一のV100 GPU上でプライベート設定で実行できる。
論文参考訳（メタデータ） (2024-03-12T18:12:02Z)
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)
The Shaky Foundations of Clinical Foundation Models: A Survey of Large Language Models and Foundation Models for EMRs [5.7482228499062975]
非イメージングEMRデータに基づいて訓練された80以上の基礎モデルをレビューする。ほとんどのモデルが、小さく、狭められた臨床データセットでトレーニングされていることが分かりました。臨床基礎モデルの利点を評価するための評価フレームワークを提案する。
論文参考訳（メタデータ） (2023-03-22T23:54:14Z)
A Meta-GNN approach to personalized seizure detection and classification [53.906130332172324]
本稿では,特定の患者に限られた発作サンプルから迅速に適応できるパーソナライズされた発作検出・分類フレームワークを提案する。トレーニング患者の集合からグローバルモデルを学ぶメタGNNベースの分類器を訓練する。本手法は, 未確認患者20回に限って, 精度82.7%, F1スコア82.08%を達成し, ベースラインよりも優れていた。
論文参考訳（メタデータ） (2022-11-01T14:12:58Z)
Predicting Clinical Diagnosis from Patients Electronic Health Records Using BERT-based Neural Networks [62.9447303059342]
医療コミュニティにおけるこの問題の重要性を示す。本稿では,変換器 (BERT) モデルによる2方向表現の分類順序の変更について述べる。約400万人のユニークな患者訪問からなる、大規模なロシアのEHRデータセットを使用します。
論文参考訳（メタデータ） (2020-07-15T09:22:55Z)
Weakly supervised multiple instance learning histopathological tumor segmentation [51.085268272912415]
スライド画像全体のセグメント化のための弱教師付きフレームワークを提案する。トレーニングモデルに複数のインスタンス学習スキームを利用する。提案するフレームワークは,The Cancer Genome AtlasとPatchCamelyonデータセットのマルチロケーションとマルチ中心公開データに基づいて評価されている。
論文参考訳（メタデータ） (2020-04-10T13:12:47Z)

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。