論文の概要: OTSurv: A Novel Multiple Instance Learning Framework for Survival Prediction with Heterogeneity-aware Optimal Transport

• arxiv url: http://arxiv.org/abs/2506.20741v2
• Date: Fri, 27 Jun 2025 04:41:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-30 13:06:01.342464
• Title: OTSurv: A Novel Multiple Instance Learning Framework for Survival Prediction with Heterogeneity-aware Optimal Transport
• Title（参考訳）: OTSurv: 異種性を考慮した最適輸送を考慮した生存予測のための新しい複数インスタンス学習フレームワーク
• Authors: Qin Ren, Yifan Wang, Ruogu Fang, Haibin Ling, Chenyu You,
• Abstract要約: 全スライド画像(WSI)を用いた生存予測は、多重インスタンス学習(MIL)問題として定式化することができる。 我々は、最適な輸送の観点から、新しいMILフレームワークであるOTSurvを提案する。 我々は6つの人気のあるベンチマークで新しい結果を設定し、平均的なCインデックスで絶対3.6%の改善を達成した。
• 参考スコア（独自算出の注目度）: 58.5751036808652
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Survival prediction using whole slide images (WSIs) can be formulated as a multiple instance learning (MIL) problem. However, existing MIL methods often fail to explicitly capture pathological heterogeneity within WSIs, both globally -- through long-tailed morphological distributions, and locally through -- tile-level prediction uncertainty. Optimal transport (OT) provides a principled way of modeling such heterogeneity by incorporating marginal distribution constraints. Building on this insight, we propose OTSurv, a novel MIL framework from an optimal transport perspective. Specifically, OTSurv formulates survival predictions as a heterogeneity-aware OT problem with two constraints: (1) global long-tail constraint that models prior morphological distributions to avert both mode collapse and excessive uniformity by regulating transport mass allocation, and (2) local uncertainty-aware constraint that prioritizes high-confidence patches while suppressing noise by progressively raising the total transport mass. We then recast the initial OT problem, augmented by these constraints, into an unbalanced OT formulation that can be solved with an efficient, hardware-friendly matrix scaling algorithm. Empirically, OTSurv sets new state-of-the-art results across six popular benchmarks, achieving an absolute 3.6% improvement in average C-index. In addition, OTSurv achieves statistical significance in log-rank tests and offers high interpretability, making it a powerful tool for survival prediction in digital pathology. Our codes are available at https://github.com/Y-Research-SBU/OTSurv.
• Abstract（参考訳）: 全スライド画像(WSI)を用いた生存予測は、多重インスタンス学習(MIL)問題として定式化することができる。 しかし、既存のMIL法は、長い尾のモルフォロジー分布を通して、そして、タイルレベルの予測の不確実性を通じて、WSI内の病理学的不均一性を明示的に捉えるのに失敗することが多い。 最適輸送(OT)は、境界分布制約を組み込むことで、そのような不均一性をモデル化する原則的な方法を提供する。 この知見に基づいて、最適な輸送の観点から、新しいMILフレームワークであるOTSurvを提案する。 具体的には、OTSurvは、(1)モーフィジカルな分布をモデル化し、輸送質量割り当てを規制することによってモード崩壊と過剰な均一性を回避するための大域的長期制約と、(2)全輸送質量を段階的に上昇させることでノイズを抑えながら高信頼パッチを優先する局所不確実性を考慮した制約の2つの制約により、生存予測を不均一なOT問題として定式化する。 次に、これらの制約によって強化された初期OT問題を、効率的なハードウェアフレンドリな行列スケーリングアルゴリズムで解決可能な、不均衡なOT定式化に再キャストする。 実証的に、OTSurvは6つの一般的なベンチマークで新しい最先端の結果をセットし、平均的なCインデックスで3.6%改善した。 さらに、OTSurvは、ログランクテストにおける統計的重要性を達成し、高い解釈可能性を提供し、デジタル病理学における生存予測の強力なツールとなる。 私たちのコードはhttps://github.com/Y-Research-SBU/OTSurv.comで公開されています。

関連論文リスト

• A Statistical Learning Perspective on Semi-dual Adversarial Neural Optimal Transport Solvers [65.28989155951132]
  本稿では,ミニマックス二次OT解法により得られた近似OT写像の一般化誤差の上限を確立する。 解析は2次OTに焦点をあてるが、同様の境界は一般的なOTの場合に導出され、将来の研究に期待できる方向を踏むことができると信じている。
  論文  参考訳（メタデータ） (2025-02-03T12:37:20Z)
• Double-Bounded Optimal Transport for Advanced Clustering and Classification [58.237576976486544]
  本稿では,2つの境界内での目標分布の制限を前提としたDB-OT(Douubly bounded Optimal Transport)を提案する。 提案手法は,テスト段階における改良された推論方式により,良好な結果が得られることを示す。
  論文  参考訳（メタデータ） (2024-01-21T07:43:01Z)
• Generative Modeling through the Semi-dual Formulation of Unbalanced Optimal Transport [9.980822222343921]
  非平衡最適輸送(UOT)の半二重定式化に基づく新しい生成モデルを提案する。 OTとは異なり、UOTは分散マッチングの厳しい制約を緩和する。このアプローチは、外れ値に対する堅牢性、トレーニング中の安定性、より高速な収束を提供する。 CIFAR-10ではFIDスコアが2.97、CelebA-HQ-256では6.36である。
  論文  参考訳（メタデータ） (2023-05-24T06:31:05Z)
• Tailoring Language Generation Models under Total Variation Distance [55.89964205594829]
  ニューラルネットワーク生成の標準パラダイムは、最適化方法として最大推定(MLE)を採用する。 言語生成に適用するための実践的境界を開発する。 本稿では,TVD推定のトレードオフのバランスをとるためのTaiLr の目標について紹介する。
  論文  参考訳（メタデータ） (2023-02-26T16:32:52Z)
• Semi-Supervised Learning with Variational Bayesian Inference and Maximum Uncertainty Regularization [62.21716612888669]
  半教師付き学習(SSL)を改善するための2つの一般的な方法を提案する。 第一に、重量摂動(WP)を既存のCR(Consistency regularization)ベースの手法に統合する。 第2の手法は「最大不確実性正規化(MUR)」と呼ばれる新しい整合性損失を提案する。
  論文  参考訳（メタデータ） (2020-12-03T09:49:35Z)

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。