論文の概要: Benchmarking Deep Learning and Vision Foundation Models for Atypical vs. Normal Mitosis Classification with Cross-Dataset Evaluation

• arxiv url: http://arxiv.org/abs/2506.21444v1
• Date: Thu, 26 Jun 2025 16:30:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-27 19:53:10.187879
• Title: Benchmarking Deep Learning and Vision Foundation Models for Atypical vs. Normal Mitosis Classification with Cross-Dataset Evaluation
• Title（参考訳）: 非定型差分法と非定型差分法を用いた深層学習と視覚基礎モデルのベンチマーク
• Authors: Sweta Banerjee, Viktoria Weiss, Taryn A. Donovan, Rutger A. Fick, Thomas Conrad, Jonas Ammeling, Nils Porsche, Robert Klopfleisch, Christopher Kaltenecker, Katharina Breininger, Marc Aubreville, Christof A. Bertram,
• Abstract要約: 乳癌の非定型的ミトーシスデータセット(AMi-Br)を構築した。 本稿では,AtNorM-BrとAtNorM-MDの2つの新しいホールドアウトAMFデータセットを紹介する。 ドメイン内AMi-Brとドメイン外AtNorm-BrとAtNorM-MDデータセットでは,それぞれ0.8135,0.7696,0.7705の平均平衡精度が得られた。
• 参考スコア（独自算出の注目度）: 0.31571255367331746
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Atypical mitoses mark a deviation in the cell division process that can be an independent prognostically relevant marker for tumor malignancy. However, their identification remains challenging due to low prevalence, at times subtle morphological differences from normal mitoses, low inter-rater agreement among pathologists, and class imbalance in datasets. Building on the Atypical Mitosis dataset for Breast Cancer (AMi-Br), this study presents a comprehensive benchmark comparing deep learning approaches for automated atypical mitotic figure (AMF) classification, including baseline models, foundation models with linear probing, and foundation models fine-tuned with low-rank adaptation (LoRA). For rigorous evaluation, we further introduce two new hold-out AMF datasets - AtNorM-Br, a dataset of mitoses from the The TCGA breast cancer cohort, and AtNorM-MD, a multi-domain dataset of mitoses from the MIDOG++ training set. We found average balanced accuracy values of up to 0.8135, 0.7696, and 0.7705 on the in-domain AMi-Br and the out-of-domain AtNorm-Br and AtNorM-MD datasets, respectively, with the results being particularly good for LoRA-based adaptation of the Virchow-line of foundation models. Our work shows that atypical mitosis classification, while being a challenging problem, can be effectively addressed through the use of recent advances in transfer learning and model fine-tuning techniques. We make available all code and data used in this paper in this github repository: https://github.com/DeepMicroscopy/AMi-Br_Benchmark.
• Abstract（参考訳）: 非定型的なミトース(英語版)は、腫瘍悪性の独立した予後関連マーカーとなる細胞分裂過程における逸脱を示す。 しかし、それらの同定は、頻度が低いこと、通常ミトースと微妙な形態的差異があること、病理学者の間でのラター間合意が低いこと、データセットのクラス不均衡が原因で、依然として困難である。 本研究は,乳がんの非定型ミトーシスデータセット(AMi-Br)に基づいて,ベースラインモデル,線形プローブを用いた基礎モデル,低ランク適応を用いた基礎モデル(LoRA)を含む,自動非定型ミトーシス図形(AMF)分類のためのディープラーニングアプローチを総合的に比較したベンチマークを示す。 厳密な評価のために、我々はさらに、The TCGAの乳がんコホートからのミトースデータセットであるAtNorM-Brと、MIDOG++のトレーニングセットからミトースのマルチドメインデータセットであるAtNorM-MDの2つの新しいホールドアウトAMFデータセットを導入する。 その結果,AMi-BrおよびAtNorm-BrおよびAtNorM-MDデータセットでは,平均平衡精度が0.8135,0.7696,0.7705であり,基礎モデルのVirchow-lineのLoRAによる適応には特に適していることがわかった。 本研究は,非典型的有糸分裂分類が課題であるが,近年のトランスファーラーニングの進歩とモデル微調整技術を用いて効果的に対処できることを示唆する。 この論文で使用されるすべてのコードとデータは、このgithubリポジトリで利用可能です。

関連論文リスト

• FACT: Foundation Model for Assessing Cancer Tissue Margins with Mass Spectrometry [1.0183055506531902]
  FACTは、もともと3重項損失に基づく教師付きコントラストアプローチを用いて事前訓練されたテキスト音声アソシエーションのための基礎モデルの適応である。 結果: 提案モデルでは, AUROC が 82.4% pm 0.8$ で, 最先端性能を実現し, 分類性能を著しく向上させる。
  論文  参考訳（メタデータ） (2025-04-15T16:36:03Z)
• Are Anomaly Scores Telling the Whole Story? A Benchmark for Multilevel Anomaly Detection [46.244213695024]
  異常検出(AD)は、通常のトレーニングデータからパターンを学習することで異常を識別する機械学習タスクである。 既存のモデルは、主にバイナリ環境で動作し、それらが生成する異常スコアは通常、通常のデータからのデータポイントのずれに基づいている。 本稿では,実世界のアプリケーションにおける異常の重症度を表す,新しい設定であるマルチレベルAD(MAD)を提案する。 第2に,新たなベンチマークMAD-Benchを導入する。このベンチマークでは,異常検出能力だけでなく,異常スコアが重大度をどの程度効果的に反映しているかをモデルとして評価する。
  論文  参考訳（メタデータ） (2024-11-21T14:18:37Z)
• CRTRE: Causal Rule Generation with Target Trial Emulation Framework [47.2836994469923]
  ターゲットトライアルエミュレーションフレームワーク(CRTRE)を用いた因果ルール生成という新しい手法を提案する。 CRTREは、アソシエーションルールの因果効果を推定するためにランダム化トライアル設計原則を適用している。 次に、病気発症予測などの下流アプリケーションにそのような関連ルールを組み込む。
  論文  参考訳（メタデータ） (2024-11-10T02:40:06Z)
• Phikon-v2, A large and public feature extractor for biomarker prediction [42.52549987351643]
  我々は、DINOv2を用いて視覚変換器を訓練し、このモデルの1つのイテレーションを公開して、Phikon-v2と呼ばれるさらなる実験を行う。 Phikon-v2は、公開されている組織学のスライドをトレーニングしながら、以前リリースしたモデル(Phikon)を上回り、プロプライエタリなデータでトレーニングされた他の病理学基盤モデル(FM)と同等に動作します。
  論文  参考訳（メタデータ） (2024-09-13T20:12:29Z)
• Weakly supervised covariance matrices alignment through Stiefel matrices estimation for MEG applications [64.20396555814513]
  本稿では,Mixing Model Stiefel Adaptation (MSA)と呼ばれる時系列データに対する新しいドメイン適応手法を提案する。 我々は、ドメイン間の等価な信号分散とペアの対応を確立することにより、ターゲット領域における豊富なラベルのないデータを利用して効果的な予測を行う。 MSAは、Cam-CANデータセットのMEG信号を用いて、タスクの変動を伴う脳年齢回帰の最近の手法より優れている。
  論文  参考訳（メタデータ） (2024-01-24T19:04:49Z)
• STEM Rebalance: A Novel Approach for Tackling Imbalanced Datasets using SMOTE, Edited Nearest Neighbour, and Mixup [0.20482269513546458]
  医用画像における非バランスなデータセットは、スクイードクラスの割合と異常な症例の不足によって特徴づけられる。 本稿では,Mixup Augmentation を用いて新たなデータポイントを汎用的なビジナル分布として生成する可能性について検討する。 不均衡なデータセットが一般的である乳癌の問題に焦点をあてる。
  論文  参考訳（メタデータ） (2023-11-13T17:45:28Z)
• Using Explainable Boosting Machine to Compare Idiographic and Nomothetic Approaches for Ecological Momentary Assessment Data [2.0824228840987447]
  本稿では,非線形解釈型機械学習(ML)モデルを用いた分類問題について検討する。 木々の様々なアンサンブルは、不均衡な合成データセットと実世界のデータセットを用いて線形モデルと比較される。 2つの実世界のデータセットのうちの1つで、知識蒸留法は改善されたAUCスコアを達成する。
  論文  参考訳（メタデータ） (2022-04-04T17:56:37Z)
• Intermediate Layers Matter in Momentum Contrastive Self Supervised Learning [1.933681537640272]
  自己教師付き学習において,画像の2つの拡張版を中間層で表現することで,モーメントコントラスト(MoCo)法の改善が期待できることを示す。 特徴類似性分析とレイヤワイズ探索を用いて,新しい手法を用いて学習したモデルを分析する。
  論文  参考訳（メタデータ） (2021-10-27T22:40:41Z)
• 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。