論文の概要: A Survey of Pathology Foundation Model: Progress and Future Directions

• arxiv url: http://arxiv.org/abs/2504.04045v1
• Date: Sat, 05 Apr 2025 03:44:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-08 14:15:27.024198
• Title: A Survey of Pathology Foundation Model: Progress and Future Directions
• Title（参考訳）: 病理基盤モデルの動向と今後の展望
• Authors: Conghao Xiong, Hao Chen, Joseph J. Y. Sung,
• Abstract要約: 近年の病理基盤モデル (PFM) は, 大規模な病理組織学的データに基づいて, 抽出器と凝集器の機能を大幅に増強した。 本調査では,各領域のFM分析に利用可能なトップダウンの哲学を通じて,PFMを分類する階層的分類について述べる。
• 参考スコア（独自算出の注目度）: 3.009351592961681
• License:
• Abstract: Computational pathology, analyzing whole slide images for automated cancer diagnosis, relies on the multiple instance learning framework where performance heavily depends on the feature extractor and aggregator. Recent Pathology Foundation Models (PFMs), pretrained on large-scale histopathology data, have significantly enhanced capabilities of extractors and aggregators but lack systematic analysis frameworks. This survey presents a hierarchical taxonomy organizing PFMs through a top-down philosophy that can be utilized to analyze FMs in any domain: model scope, model pretraining, and model design. Additionally, we systematically categorize PFM evaluation tasks into slide-level, patch-level, multimodal, and biological tasks, providing comprehensive benchmarking criteria. Our analysis identifies critical challenges in both PFM development (pathology-specific methodology, end-to-end pretraining, data-model scalability) and utilization (effective adaptation, model maintenance), paving the way for future directions in this promising field. Resources referenced in this survey are available at https://github.com/BearCleverProud/AwesomeWSI.
• Abstract（参考訳）: 自動がん診断のためにスライド画像全体を解析する計算病理学は、特徴抽出器と集約器に大きく依存する複数のインスタンス学習フレームワークに依存している。 最近の病理基盤モデル (PFM) は, 大規模な病理組織データに基づいて事前訓練されているが, 抽出器や凝集器の能力は著しく向上しているが, 体系的な分析フレームワークは欠如している。 本調査では, モデルスコープ, モデル事前学習, モデル設計など, 任意の領域におけるFMの分析に使用できるトップダウンの哲学を通じて, PFMを組織する階層的な分類について述べる。 さらに, PFM評価タスクをスライドレベル, パッチレベル, マルチモーダル, 生物学的タスクに分類し, 総合的なベンチマーク基準を提供する。 本分析では, PFM開発(病理学固有の方法論, エンドツーエンド事前学習, データモデル拡張性)と利用(効果的な適応, モデル保守)の両面で重要な課題を明らかにし, 将来的な方向性の道を開く。 この調査で参照されたリソースはhttps://github.com/BearCleverProud/AwesomeWSI.comで公開されている。

関連論文リスト

• A Survey on Computational Pathology Foundation Models: Datasets, Adaptation Strategies, and Evaluation Tasks [22.806228975730008]
  計算病理基盤モデル (CPathFMs) は, 組織学的データを解析するための強力なアプローチとして出現している。 これらのモデルは、セグメンテーション、分類、バイオマーカー発見のような複雑な病理タスクを自動化することを約束している。 しかし、CPathFMsの開発は、データアクセシビリティの制限、データセット間の高いばらつき、標準化された評価ベンチマークの欠如など、大きな課題を呈している。
  論文  参考訳（メタデータ） (2025-01-27T01:27:59Z)
• A Multimodal Knowledge-enhanced Whole-slide Pathology Foundation Model [28.893198412376943]
  我々は,3段階のモダリティ(病理スライド,病理報告,遺伝子発現データ)を取り入れた病理基盤モデルを構築した。 我々は,Multimodal Self-Taught PRetraining(mSTAR)と呼ばれる,マルチモーダルな全スライディングコンテキストをパッチ表現に注入する,新しい全スライディング事前学習パラダイムを提案する。 我々の知る限りでは、この手法は3つのモダリティをスライディング・コンテキストに組み込んで病理学的FMを強化する最初の試みである。
  論文  参考訳（メタデータ） (2024-07-22T04:09:27Z)
• 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)
• GenBench: A Benchmarking Suite for Systematic Evaluation of Genomic Foundation Models [56.63218531256961]
  我々はGenomic Foundation Modelsの有効性を評価するためのベンチマークスイートであるGenBenchを紹介する。 GenBenchはモジュラーで拡張可能なフレームワークを提供し、様々な最先端の方法論をカプセル化している。 本稿では,タスク固有性能におけるモデルアーキテクチャとデータセット特性の相互作用のニュアンス解析を行う。
  論文  参考訳（メタデータ） (2024-06-01T08:01:05Z)
• Towards Large-Scale Training of Pathology Foundation Models [1.5861468117231254]
  我々は、オープンアクセスTCGA全体のスライドイメージに基づいてトレーニングされた、私たちの病理FMの最初のバッチを公開し、公開します。 実験により,我々のモデルが様々なパッチレベル下流タスクにおける最先端の性能に達することを示す。 本稿では,様々な下流タスクを対象としたFMの一貫性のある評価を目的としたオープンソースフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-03-24T21:34:36Z)
• Progress and Opportunities of Foundation Models in Bioinformatics [77.74411726471439]
  基礎モデル(FM)は、特に深層学習の領域において、計算生物学の新しい時代に定着した。 我々の焦点は、特定の生物学的問題にFMを応用することであり、研究ニーズに適切なFMを選択するために研究コミュニティを指導することを目的としています。 データノイズ、モデル説明可能性、潜在的なバイアスなど、生物学においてFMが直面する課題と限界を分析します。
  論文  参考訳（メタデータ） (2024-02-06T02:29:17Z)
• Learning from models beyond fine-tuning [78.20895343699658]
  Learn From Model (LFM) は、モデルインターフェースに基づいた基礎モデル(FM)の研究、修正、設計に焦点を当てている。 LFM技術の研究は、モデルチューニング、モデル蒸留、モデル再利用、メタラーニング、モデル編集の5つの分野に大別できる。 本稿では, LFM の観点から, FM に基づく現在の手法を概観する。
  論文  参考訳（メタデータ） (2023-10-12T10:20:36Z)
• PathAsst: A Generative Foundation AI Assistant Towards Artificial General Intelligence of Pathology [15.419350834457136]
  病理学における診断・予測分析に革命をもたらすための多モード生成基盤AIアシスタントであるPathAsstを提案する。 PathAsstの開発には、データ取得、CLIPモデル適応、PathAsstのマルチモーダル生成機能のトレーニングの3つの重要なステップが含まれている。 PathAsstの実験結果は、病理診断と治療プロセスを改善するためにAIを利用した生成基盤モデルを活用する可能性を示している。
  論文  参考訳（メタデータ） (2023-05-24T11:55:50Z)
• Improving Classification Model Performance on Chest X-Rays through Lung Segmentation [63.45024974079371]
  本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。 提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
  論文  参考訳（メタデータ） (2022-02-22T15:24:06Z)
• A multi-stage machine learning model on diagnosis of esophageal manometry [50.591267188664666]
  このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。 これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
  論文  参考訳（メタデータ） (2021-06-25T20:09:23Z)
• 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)

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。