論文の概要: EXAONE Path 2.0: Pathology Foundation Model with End-to-End Supervision

• arxiv url: http://arxiv.org/abs/2507.06639v1
• Date: Wed, 09 Jul 2025 08:09:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-10 17:37:43.518643
• Title: EXAONE Path 2.0: Pathology Foundation Model with End-to-End Supervision
• Title（参考訳）: EXAONE Path 2.0: エンド・ツー・エンド・スーパービジョンを用いた病理基盤モデル
• Authors: Myungjang Pyeon, Janghyeon Lee, Minsoo Lee, Juseung Yun, Hwanil Choi, Jonghyun Kim, Jiwon Kim, Yi Hu, Jongseong Jang, Soonyoung Lee,
• Abstract要約: 我々は,直接スライドレベルの監視の下でパッチレベルの表現を学習する病理基盤モデルEXAONE Path 2.0を提案する。 EXAONE Path 2.0はトレーニングにたった37kのWSIを使用し、10のバイオマーカー予測タスクで最先端の平均パフォーマンスを達成する。
• 参考スコア（独自算出の注目度）: 24.040904199524633
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In digital pathology, whole-slide images (WSIs) are often difficult to handle due to their gigapixel scale, so most approaches train patch encoders via self-supervised learning (SSL) and then aggregate the patch-level embeddings via multiple instance learning (MIL) or slide encoders for downstream tasks. However, patch-level SSL may overlook complex domain-specific features that are essential for biomarker prediction, such as mutation status and molecular characteristics, as SSL methods rely only on basic augmentations selected for natural image domains on small patch-level area. Moreover, SSL methods remain less data efficient than fully supervised approaches, requiring extensive computational resources and datasets to achieve competitive performance. To address these limitations, we present EXAONE Path 2.0, a pathology foundation model that learns patch-level representations under direct slide-level supervision. Using only 37k WSIs for training, EXAONE Path 2.0 achieves state-of-the-art average performance across 10 biomarker prediction tasks, demonstrating remarkable data efficiency.
• Abstract（参考訳）: デジタル病理学では、全スライディング画像(WSI)はギガピクセルスケールのため処理が難しいことが多いため、ほとんどのアプローチでは、セルフ教師付き学習(SSL)を介してパッチエンコーダを訓練し、マルチインスタンス学習(MIL)やダウンストリームタスクのためのスライドエンコーダを通じてパッチレベルの埋め込みを集約する。 しかし、パッチレベルのSSLは、突然変異状態や分子特性などのバイオマーカー予測に不可欠な複雑なドメイン固有の特徴を見落としてしまう可能性がある。 さらに、SSLメソッドは、完全な教師付きアプローチよりもデータ効率が低く、競争性能を達成するために、広範な計算リソースとデータセットを必要とする。 これらの制約に対処するために,直接スライドレベルの監視の下でパッチレベルの表現を学習する病理基盤モデルEXAONE Path 2.0を提案する。 EXAONE Path 2.0は、トレーニングにたった37kのWSIを使用して、10のバイオマーカー予測タスクで最先端の平均パフォーマンスを実現し、顕著なデータ効率を示している。

関連論文リスト

• Fast and Accurate Gigapixel Pathological Image Classification with Hierarchical Distillation Multi-Instance Learning [51.525891360380285]
  HDMILは階層的な蒸留マルチインスタンス学習フレームワークであり、無関係なパッチを排除して高速かつ正確な分類を実現する。 HDMILは、動的マルチインスタンスネットワーク(DMIN)と軽量インスタンスプレスクリーンネットワーク(LIPN)の2つの重要なコンポーネントで構成されている。
  論文  参考訳（メタデータ） (2025-02-28T15:10:07Z)
• An efficient framework based on large foundation model for cervical cytopathology whole slide image screening [13.744580492120749]
  本稿では,教師なし・弱教師付き学習によるWSIレベルラベルのみを用いた頚部細胞病理学WSI分類のための効率的なフレームワークを提案する。 CSDおよびFNAC 2019データセットで実施された実験は、提案手法が様々なMIL手法の性能を高め、最先端(SOTA)性能を達成することを示した。
  論文  参考訳（メタデータ） (2024-07-16T08:21:54Z)
• Benchmarking Self-Supervised Learning on Diverse Pathology Datasets [10.868779327544688]
  自己教師付き学習は、ラベルのないデータを活用する効果的な方法であることが示されている。 我々は、病理画像データに基づいてSSL事前トレーニングを行う最大規模の研究を行う。 核インスタンスセグメンテーションの課題に対してSSLを初めて適用する。
  論文  参考訳（メタデータ） (2022-12-09T06:38:34Z)
• Dissecting Self-Supervised Learning Methods for Surgical Computer Vision [51.370873913181605]
  一般のコンピュータビジョンコミュニティでは,自己監視学習(SSL)手法が普及し始めている。 医学や手術など、より複雑で影響力のある領域におけるSSLメソッドの有効性は、限定的かつ未調査のままである。 外科的文脈理解,位相認識,ツール存在検出の2つの基本的なタスクに対して,これらの手法の性能をColec80データセット上で広範囲に解析する。
  論文  参考訳（メタデータ） (2022-07-01T14:17:11Z)
• DATA: Domain-Aware and Task-Aware Pre-training [94.62676913928831]
  我々は、自己教師付き学習(SSL)に特化した、シンプルで効果的なNASアプローチであるDataを提示する。 提案手法は,画像分類,オブジェクト検出,セマンティックセグメンテーションなど,下流タスクにおける計算コストの広い範囲にわたる有望な結果を実現する。
  論文  参考訳（メタデータ） (2022-03-17T02:38:49Z)
• Self-Supervised Deep Learning to Enhance Breast Cancer Detection on Screening Mammography [2.9082470896148425]
  本稿では、この問題を解決するために、強化に基づく自己教師付き学習(SSL)技術について検討する。 乳がん検出を例として,まずマンモグラム特異的な形質転換パラダイムを同定する。 本研究では,一様タイル付きパッチの予測から画像全体への事前学習モデルを変換する手法と,分類性能を向上させるアテンションベースプーリング手法を提案する。
  論文  参考訳（メタデータ） (2022-03-16T03:47:01Z)
• Adaptive Memory Networks with Self-supervised Learning for Unsupervised Anomaly Detection [54.76993389109327]
  教師なし異常検出は、通常のデータのみをトレーニングすることで、目に見えない異常を検出するモデルを構築することを目的としている。 本稿では,これらの課題に対処するために,自己教師付き学習(AMSL)を用いた適応記憶ネットワーク(Adaptive Memory Network)を提案する。 AMSLには、一般的な正規パターンを学ぶための自己教師付き学習モジュールと、リッチな特徴表現を学ぶための適応型メモリ融合モジュールが組み込まれている。
  論文  参考訳（メタデータ） (2022-01-03T03:40:21Z)
• Improving Self-supervised Learning with Hardness-aware Dynamic Curriculum Learning: An Application to Digital Pathology [2.2742357407157847]
  自己教師付き学習(SSL)は、最近、多くの画像解析タスクに有用な汎用的な視覚表現を学習する大きな可能性を示している。 既存のSSLメソッドは、ラベル付きトレーニングインスタンスの数が少ない場合や、転送ドメイン間のドメインシフトが重要である場合、ダウンストリームタスクに一般化できない。 本稿では,カリキュラム学習のレンズを用いて,自己指導型事前学習表現の改善を試みる。
  論文  参考訳（メタデータ） (2021-08-16T15:44:48Z)

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。