論文の概要: Foundation Models -- A Panacea for Artificial Intelligence in Pathology?

• arxiv url: http://arxiv.org/abs/2502.21264v2
• Date: Mon, 03 Mar 2025 10:35:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-04 13:05:24.307473
• Title: Foundation Models -- A Panacea for Artificial Intelligence in Pathology?
• Title（参考訳）: ファンデーションモデル - 病理における人工知能のパナセアか?
• Authors: Nita Mulliqi, Anders Blilie, Xiaoyi Ji, Kelvin Szolnoky, Henrik Olsson, Sol Erika Boman, Matteo Titus, Geraldine Martinez Gonzalez, Julia Anna Mielcarz, Masi Valkonen, Einar Gudlaugsson, Svein R. Kjosavik, José Asenjo, Marcello Gambacorta, Paolo Libretti, Marcin Braun, Radzislaw Kordek, Roman Łowicki, Kristina Hotakainen, Päivi Väre, Bodil Ginnerup Pedersen, Karina Dalsgaard Sørensen, Benedicte Parm Ulhøi, Pekka Ruusuvuori, Brett Delahunt, Hemamali Samaratunga, Toyonori Tsuzuki, Emilius A. M. Janssen, Lars Egevad, Martin Eklund, Kimmo Kartasalo,
• Abstract要約: ファンデーションモデル(FM)は、様々な下流タスクのための普遍的なソリューションとして広く提唱されている。 そこで我々は,前立腺癌診断とGleason gradingのための臨床レベルのAIに焦点を当てた。 11ヶ国15ヶ所で7,342人のコア針生検を行った。
• 参考スコア（独自算出の注目度）: 0.45977630698033073
• License:
• Abstract: The role of artificial intelligence (AI) in pathology has evolved from aiding diagnostics to uncovering predictive morphological patterns in whole slide images (WSIs). Recently, foundation models (FMs) leveraging self-supervised pre-training have been widely advocated as a universal solution for diverse downstream tasks. However, open questions remain about their clinical applicability and generalization advantages over end-to-end learning using task-specific (TS) models. Here, we focused on AI with clinical-grade performance for prostate cancer diagnosis and Gleason grading. We present the largest validation of AI for this task, using over 100,000 core needle biopsies from 7,342 patients across 15 sites in 11 countries. We compared two FMs with a fully end-to-end TS model in a multiple instance learning framework. Our findings challenge assumptions that FMs universally outperform TS models. While FMs demonstrated utility in data-scarce scenarios, their performance converged with - and was in some cases surpassed by - TS models when sufficient labeled training data were available. Notably, extensive task-specific training markedly reduced clinically significant misgrading, misdiagnosis of challenging morphologies, and variability across different WSI scanners. Additionally, FMs used up to 35 times more energy than the TS model, raising concerns about their sustainability. Our results underscore that while FMs offer clear advantages for rapid prototyping and research, their role as a universal solution for clinically applicable medical AI remains uncertain. For high-stakes clinical applications, rigorous validation and consideration of task-specific training remain critically important. We advocate for integrating the strengths of FMs and end-to-end learning to achieve robust and resource-efficient AI pathology solutions fit for clinical use.
• Abstract（参考訳）: 病理学における人工知能(AI)の役割は、診断の補助から、スライド画像全体(WSI)における予測形態パターンの発見へと発展してきた。 近年, 自己指導型事前学習を利用した基礎モデル (FM) が, 多様な下流タスクに対する普遍的解法として広く提唱されている。 しかし、その臨床応用性や、タスク固有(TS)モデルを用いたエンドツーエンド学習に対する一般化の優位性については、未解決の疑問が残る。 そこで我々は,前立腺癌診断とGleason gradingのための臨床レベルのAIに焦点を当てた。 我々は,11ヶ国15ヶ所の7,342人の患者から10万人以上の針生検を用いて,この課題に対するAIの最大のバリデーションを提示する。 2つのFMと完全にエンドツーエンドのTSモデルを比較し、複数のインスタンス学習フレームワークで比較した。 本研究は,FMがTSモデルより普遍的に優れているという仮定に挑戦する。 FMはデータスカースシナリオで実用性を示したが、その性能は - 収束し、十分なラベル付きトレーニングデータが利用可能になった時には - TS モデルを上回ることもあった。 特に、広範囲にわたるタスク特化訓練は、臨床的に有意な劣化、挑戦的な形態の誤診、および様々なWSIスキャナーの多様性を著しく低下させた。 さらに、FMはTSモデルよりも最大35倍のエネルギーを消費し、その持続可能性に対する懸念を高めた。 我々の結果は、FMは迅速なプロトタイピングと研究に明確な優位性を提供するが、臨床応用医療AIの普遍的なソリューションとしての役割は、まだ不明であることを示している。 高い臨床応用のためには、厳格な検証とタスク特化訓練の考慮が重要である。 我々は、FMとエンドツーエンド学習の強みを統合することで、臨床応用に適した堅牢で資源効率の高いAI病理ソリューションの実現を提唱する。

関連論文リスト

• Towards Virtual Clinical Trials of Radiology AI with Conditional Generative Modeling [10.014130930114172]
  本稿では,放射線学AIの仮想臨床試験(VCT)のために設計された条件付き生成AIモデルを紹介する。 画像と解剖学的構造の関節分布を学習することにより,実世界の患者集団の正確な再現を可能にした。 我々は,合成CTを用いたVCTを用いた放射線学AIモデルの有意義な評価を行った。
  論文  参考訳（メタデータ） (2025-02-13T15:53:52Z)
• Medchain: Bridging the Gap Between LLM Agents and Clinical Practice through Interactive Sequential Benchmarking [58.25862290294702]
  臨床ワークフローの5つの重要な段階をカバーする12,163の臨床症例のデータセットであるMedChainを提示する。 フィードバック機構とMCase-RAGモジュールを統合したAIシステムであるMedChain-Agentも提案する。
  論文  参考訳（メタデータ） (2024-12-02T15:25:02Z)
• The Era of Foundation Models in Medical Imaging is Approaching : A Scoping Review of the Clinical Value of Large-Scale Generative AI Applications in Radiology [0.0]
  放射線技師の不足に起因する社会問題は激化しており、人工知能は潜在的な解決策として強調されている。 最近出現する大規模生成AIは、大規模言語モデル(LLM)からマルチモーダルモデルへと拡張されている。 このスコーピングレビューは、大規模生成型AIアプリケーションの臨床的価値に関する既存の文献を体系的に整理する。
  論文  参考訳（メタデータ） (2024-09-03T00:48:50Z)
• Pathology Foundation Models [0.0354287905099182]
  深層学習技術の発達は、病理AI(Artificial Intelligence)の広範な研究と発展に繋がった Foundation Models (FM)として知られる大規模なAIモデルが登場し、医療分野のアプリケーション範囲を拡大した。 FMは従来のAIよりも正確で幅広いタスクに適用できる。
  論文  参考訳（メタデータ） (2024-07-31T03:58:48Z)
• Benchmarking Embedding Aggregation Methods in Computational Pathology: A Clinical Data Perspective [32.93871326428446]
  人工知能(AI)の最近の進歩は、医療画像と計算病理に革命をもたらしている。 デジタル全スライド画像(WSI)の解析における一定の課題は、何万ものタイルレベルの画像埋め込みをスライドレベルの表現に集約する問題である。 本研究は,9つの臨床的課題を対象とした10種類のスライドレベルのアグリゲーション手法のベンチマーク分析を行った。
  論文  参考訳（メタデータ） (2024-07-10T17:00:57Z)
• 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)
• BiomedGPT: A Generalist Vision-Language Foundation Model for Diverse Biomedical Tasks [68.39821375903591]
  汎用AIは、さまざまなデータ型を解釈する汎用性のために、制限に対処する可能性を秘めている。 本稿では,最初のオープンソースかつ軽量な視覚言語基盤モデルであるBiomedGPTを提案する。
  論文  参考訳（メタデータ） (2023-05-26T17:14:43Z)
• Towards General Purpose Medical AI: Continual Learning Medical Foundation Model [22.03086588403621]
  現実シナリオにおける必然的領域とタスクの相違は、医学データのための事前訓練された深層モデルの一般化性能を損なう可能性がある。 私たちは、下流のドメイン/タスクにシームレスに適応できる汎用医療AIシステムを構築するべきだと大胆に提案します。
  論文  参考訳（メタデータ） (2023-03-12T05:27:22Z)
• Detecting Shortcut Learning for Fair Medical AI using Shortcut Testing [62.9062883851246]
  機械学習は医療の改善に大いに貢献するが、その利用が健康格差を広めたり増幅したりしないことを確実にすることは重要である。 アルゴリズムの不公平性の潜在的な要因の1つ、ショートカット学習は、トレーニングデータにおける不適切な相関に基づいてMLモデルが予測した時に発生する。 マルチタスク学習を用いて,臨床MLシステムの公平性評価の一環として,ショートカット学習の評価と緩和を行う手法を提案する。
  論文  参考訳（メタデータ） (2022-07-21T09:35:38Z)
• Robust and Efficient Medical Imaging with Self-Supervision [80.62711706785834]
  医用画像AIの堅牢性とデータ効率を向上させるための統一表現学習戦略であるREMEDISを提案する。 様々な医療画像タスクを研究し, 振り返りデータを用いて3つの現実的な応用シナリオをシミュレートする。
  論文  参考訳（メタデータ） (2022-05-19T17:34:18Z)
• 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)

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。