Fugu-MT 論文翻訳(概要): Robust sensitivity control in digital pathology via tile score distribution matching

論文の概要: Robust sensitivity control in digital pathology via tile score distribution matching

arxiv url: http://arxiv.org/abs/2502.20144v2
Date: Fri, 28 Feb 2025 08:39:21 GMT
ステータス: 翻訳完了
システム内更新日: 2025-03-03 13:43:15.411333
Title: Robust sensitivity control in digital pathology via tile score distribution matching
Title（参考訳）: タイルスコア分布マッチングによるデジタル病理におけるロバスト感度制御
Authors: Arthur Pignet, John Klein, Genevieve Robin, Antoine Olivier,
Abstract要約: 最適輸送とMIL(Multiple Instance Learning)に基づくWSI分類モデルの感度制御のための新しいアプローチを提案する。本手法は,少数の校正サンプルのみを用いて頑健な感度制御が可能であり,信頼性の高い計算病理システム構築のための実用的なソリューションを提供する。
参考スコア（独自算出の注目度）: 3.6248657646376707
License:
Abstract: Deploying digital pathology models across medical centers is challenging due to distribution shifts. Recent advances in domain generalization improve model transferability in terms of aggregated performance measured by the Area Under Curve (AUC). However, clinical regulations often require to control the transferability of other metrics, such as prescribed sensitivity levels. We introduce a novel approach to control the sensitivity of whole slide image (WSI) classification models, based on optimal transport and Multiple Instance Learning (MIL). Validated across multiple cohorts and tasks, our method enables robust sensitivity control with only a handful of calibration samples, providing a practical solution for reliable deployment of computational pathology systems.
Abstract（参考訳）: 医療センターにデジタル病理モデルを配置することは、分散シフトのために困難である。領域一般化の最近の進歩は、AUC(Area Under Curve)によって測定された集約性能の観点から、モデル転送可能性を改善する。しかしながら、臨床規制はしばしば、所定の感度レベルなどの他の指標の伝達可能性を制御する必要がある。本稿では、最適輸送と多重インスタンス学習(MIL)に基づいて、スライド画像全体(WSI)分類モデルの感度を制御するための新しいアプローチを提案する。複数のコホートやタスクにまたがって検証を行い、少数の校正サンプルで頑健な感度制御を可能にし、計算病理システムの信頼性確保のための実用的なソリューションを提供する。

関連論文リスト

Domain Adaptive Diabetic Retinopathy Grading with Model Absence and Flowing Data [45.75724873443564]
ドメインシフトは、糖尿病網膜症などの臨床応用において重要な課題である。本稿では,データ中心の観点から適応可能なGUES(Generative Unadversarial Examples)を提案する。
論文参考訳（メタデータ） (2024-12-02T07:14:25Z)
Adaptive Aggregation Weights for Federated Segmentation of Pancreas MRI [5.631060921219683]
フェデレートラーニング(FL)は、機密データを共有することなく、機関間で協調的なモデルトレーニングを可能にする。フェデレート平均化(FedAvg)のような従来のFLメソッドは、ドメイン間の一般化において困難に直面している。本稿では適応的なアグリゲーション重みを取り入れた新しいアプローチを提案する。
論文参考訳（メタデータ） (2024-10-29T20:53:01Z)
Partially-Observable Sequential Change-Point Detection for Autocorrelated Data via Upper Confidence Region [12.645304808491309]
逐次変化点検出のための状態空間モデル(AUCRSS)を用いたアダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・ SSMのオンライン推論のために部分的に観測可能なカルマンフィルタアルゴリズムを開発し、一般化された確率比テストに基づく変化点検出スキームを解析する。
論文参考訳（メタデータ） (2024-03-30T02:32:53Z)
Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites: A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
論文参考訳（メタデータ） (2023-08-31T00:36:10Z)
Taxonomy Adaptive Cross-Domain Adaptation in Medical Imaging via Optimization Trajectory Distillation [73.83178465971552]
自動医用画像解析の成功は、大規模かつ専門家による注釈付きトレーニングセットに依存する。非教師なしドメイン適応(UDA)はラベル付きデータ収集の負担を軽減するための有望なアプローチである。本稿では,2つの技術的課題に新しい視点から対処する統一的手法である最適化トラジェクトリ蒸留を提案する。
論文参考訳（メタデータ） (2023-07-27T08:58:05Z)
DLTTA: Dynamic Learning Rate for Test-time Adaptation on Cross-domain Medical Images [56.72015587067494]
DLTTAと呼ばれるテスト時間適応のための新しい動的学習率調整法を提案する。本手法は,現在最先端のテスト時間適応法よりも一貫した性能向上を図り,有効かつ高速なテスト時間適応を実現する。
論文参考訳（メタデータ） (2022-05-27T02:34:32Z)
Multi-Domain Balanced Sampling Improves Out-of-Distribution Generalization of Chest X-ray Pathology Prediction Models [67.2867506736665]
そこで本研究では, 簡単なバッチサンプリング手法を用いた胸部X線像の分布外一般化法を提案する。複数のトレーニングデータセット間のバランスの取れたサンプリングは、バランスを取らずにトレーニングされたベースラインモデルよりもパフォーマンスが向上する。
論文参考訳（メタデータ） (2021-12-27T15:28:01Z)
Quality control for more reliable integration of deep learning-based image segmentation into medical workflows [0.23609258021376836]
本稿では,その出力の確実性を推定するために,最先端自動品質制御(QC)手法の解析を行う。磁気共鳴画像データにおける白色物質の超強度(WMH)を識別する脳画像分割タスクにおける最も有望なアプローチを検証した。
論文参考訳（メタデータ） (2021-12-06T16:30:43Z)
Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文参考訳（メタデータ） (2021-02-26T02:29:30Z)
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)
Data Efficient and Weakly Supervised Computational Pathology on Whole Slide Images [4.001273534300757]
計算病理学は、客観的診断、治療反応予測、臨床関連性の新たな形態学的特徴の同定を可能にする可能性がある。ディープラーニングベースの計算病理学アプローチでは、完全に教師された設定でギガピクセル全体のスライド画像(WSI)のマニュアルアノテーションを必要とするか、弱い教師付き設定でスライドレベルのラベルを持つ何千ものWSIを必要とする。ここでは、クラスタリングに制約のある複数のインスタンス学習について紹介する。
論文参考訳（メタデータ） (2020-04-20T23:00:13Z)

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。