論文の概要: Current Pathology Foundation Models are unrobust to Medical Center Differences
- arxiv url: http://arxiv.org/abs/2501.18055v1
- Date: Wed, 29 Jan 2025 23:38:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-31 15:12:48.601048
- Title: Current Pathology Foundation Models are unrobust to Medical Center Differences
- Title（参考訳）: 病態基礎モデルと医療センターの差異
- Authors: Edwin D. de Jong, Eric Marcus, Jonas Teuwen,
- Abstract要約: 我々は,病理基盤モデルが医療センター間の変動に対して堅牢であるかどうかを測定するために,ロバストネス指標を導入した。
現在評価されているすべての病理基盤モデルは、医療センターを強く表している。
医療センターの違いがFMによる予測性能に与える影響を定量的に評価する。
- 参考スコア（独自算出の注目度）: 3.115740097094325
- License:
- Abstract: Pathology Foundation Models (FMs) hold great promise for healthcare. Before they can be used in clinical practice, it is essential to ensure they are robust to variations between medical centers. We measure whether pathology FMs focus on biological features like tissue and cancer type, or on the well known confounding medical center signatures introduced by staining procedure and other differences. We introduce the Robustness Index. This novel robustness metric reflects to what degree biological features dominate confounding features. Ten current publicly available pathology FMs are evaluated. We find that all current pathology foundation models evaluated represent the medical center to a strong degree. Significant differences in the robustness index are observed. Only one model so far has a robustness index greater than one, meaning biological features dominate confounding features, but only slightly. A quantitative approach to measure the influence of medical center differences on FM-based prediction performance is described. We analyze the impact of unrobustness on classification performance of downstream models, and find that cancer-type classification errors are not random, but specifically attributable to same-center confounders: images of other classes from the same medical center. We visualize FM embedding spaces, and find these are more strongly organized by medical centers than by biological factors. As a consequence, the medical center of origin is predicted more accurately than the tissue source and cancer type. The robustness index introduced here is provided with the aim of advancing progress towards clinical adoption of robust and reliable pathology FMs.
- Abstract（参考訳）: 病理ファウンデーションモデル(FM)は医療を大いに約束する。
臨床で使用する前には、医療センター間の変動に対して堅牢であることを保証することが不可欠である。
病理組織FMは組織型や癌型などの生物学的特徴に焦点をあてるか, あるいは染色法やその他の相違点によって引き起こされる, 既知の医療センターシグネチャに焦点が当てられているかを測定する。
ロバストネス指数を導入する。
この新しいロバスト性測定基準は、生物学的特徴が相反する特徴をどの程度支配するかを反映している。
現在公開されている10の病理組織FMを評価した。
現在評価されているすべての病理基盤モデルは、医療センターを強く表している。
頑健度指数の有意な差が観察された。
今のところ、1つのモデルのみが1以上の頑健性指数を持ち、生物学的特徴が相反する特徴を支配するが、わずかにしか持たない。
医療センターの違いがFMによる予測性能に与える影響を定量的に評価する。
下流モデルの分類性能に及ぼす不正性の影響を解析し,癌型の分類誤差はランダムではなく,特に同センターの共同設立者(同じ医療センターの他のクラスの画像)に起因していることを見出した。
我々はFM埋め込み空間を可視化し、これらが生物学的要因よりも医療センターによって強く組織されていることを発見した。
その結果、由来の医療中心は、組織源や癌タイプよりも正確に予測される。
ここで紹介されるロバストネス指標は、ロバストで信頼性の高いFMの臨床応用に向けての進歩を目的としたものである。
関連論文リスト
- A data balancing approach towards design of an expert system for Heart Disease Prediction [0.9895793818721335]
心臓病は深刻な世界的な健康問題で、毎年何百万人もの命がかかっています。
本稿では,決定木(DT),ランダムフォレスト(RF),線形判別分析,エクストラツリーブースト,アダブーストという5つの機械学習手法を用いた。
ランダムフォレストと決定木モデルの精度は99.83%だった。
論文 参考訳（メタデータ） (2024-07-26T08:56:13Z) - FedMedICL: Towards Holistic Evaluation of Distribution Shifts in Federated Medical Imaging [68.6715007665896]
FedMedICLは統合されたフレームワークであり、フェデレートされた医療画像の課題を全体評価するためのベンチマークである。
6種類の医用画像データセットについて,いくつかの一般的な手法を総合的に評価した。
単純なバッチ分散手法はFedMedICL実験全体の平均性能において,高度な手法を超越していることがわかった。
論文 参考訳（メタデータ） (2024-07-11T19:12:23Z) - Potential of Multimodal Large Language Models for Data Mining of Medical Images and Free-text Reports [51.45762396192655]
特にGemini-Vision-Series (Gemini) と GPT-4-Series (GPT-4) は、コンピュータビジョンのための人工知能のパラダイムシフトを象徴している。
本研究は,14の医用画像データセットを対象に,Gemini,GPT-4,および4つの一般的な大規模モデルの性能評価を行った。
論文 参考訳（メタデータ） (2024-07-08T09:08:42Z) - FairMedFM: Fairness Benchmarking for Medical Imaging Foundation Models [37.803490266325]
医療画像における基礎モデル(FM)研究のためのフェアネスベンチマークであるFairMedFMを紹介する。
FairMedFMは17の一般的な医療画像データセットと統合されており、様々なモダリティ、次元、機密属性を含んでいる。
ゼロショット学習、線形探索、パラメータ効率のよい微調整、様々な下流タスク、分類とセグメンテーションなど、広く使われている20のFMを探索する。
論文 参考訳（メタデータ） (2024-07-01T05:47:58Z) - Medformer: A Multi-Granularity Patching Transformer for Medical Time-Series Classification [6.0233642055651115]
我々は,MedTS分類に特化された多粒度パッチ変換器であるMedformerを紹介する。
本手法は,MedTSの特徴を生かした3つの新しいメカニズムを取り入れたものである。
我々は、主題に依存しない5つの公開データセットに対して、課題に依存しないセットアップと課題に依存しないセットアップの両方で広範な実験を行う。
論文 参考訳（メタデータ） (2024-05-24T16:51:10Z) - A Textbook Remedy for Domain Shifts: Knowledge Priors for Medical Image Analysis [48.84443450990355]
ディープネットワークは、医学的なスキャンに適用すると、例外のない状況で失敗することが多いため、自然画像の解析において広く成功している。
胸部X線や皮膚病変画像の文脈において、異なる病院から採取したデータや、性別、人種などの人口統計学的変数によって構築されたデータなど、ドメインシフトに対するモデル感度に焦点をあてる。
医学教育からインスピレーションを得て,自然言語で伝達される明示的な医学知識を基盤としたディープネットワークを提案する。
論文 参考訳（メタデータ） (2024-05-23T17:55:02Z) - Key Patches Are All You Need: A Multiple Instance Learning Framework For Robust Medical Diagnosis [15.964609888720315]
我々は,複数のインスタンス学習フレームワークを用いて,ディープラーニングモデルが最終分類に達するために使用する情報量を制限することを提案する。
皮膚内視鏡検査による皮膚癌診断とマンモグラフィーによる乳癌診断の2つの医学的応用について検討した。
論文 参考訳（メタデータ） (2024-05-02T18:21:25Z) - Adapting Visual-Language Models for Generalizable Anomaly Detection in Medical Images [68.42215385041114]
本稿では,CLIPモデルを用いた医用異常検出のための軽量な多レベル適応と比較フレームワークを提案する。
提案手法では,複数の残像アダプタを事前学習した視覚エンコーダに統合し,視覚的特徴の段階的向上を実現する。
医学的異常検出ベンチマーク実験により,本手法が現在の最先端モデルを大幅に上回っていることが示された。
論文 参考訳（メタデータ） (2024-03-19T09:28:19Z) - 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) - 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) - ICAM: Interpretable Classification via Disentangled Representations and
Feature Attribution Mapping [3.262230127283453]
画像から画像への変換によってクラス固有のFAマップを作成するための新しいフレームワークを提案する。
我々は,認知症,老化,(模擬)病変検出の2次元および3次元脳画像データセットを用いて,本手法の有効性を検証した。
提案手法は,表現型変動の探索を支援するために潜時空間サンプリングを用いた最初の手法である。
論文 参考訳（メタデータ） (2020-06-15T11:23:30Z)
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。