論文の概要: Towards Robust Foundation Models for Digital Pathology
- arxiv url: http://arxiv.org/abs/2507.17845v1
- Date: Tue, 22 Jul 2025 16:51:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-25 15:10:42.335495
- Title: Towards Robust Foundation Models for Digital Pathology
- Title（参考訳）: デジタル病理学のためのロバスト基礎モデルに向けて
- Authors: Jonah Kömen, Edwin D. de Jong, Julius Hense, Hannah Marienwald, Jonas Dippel, Philip Naumann, Eric Marcus, Lukas Ruff, Maximilian Alber, Jonas Teuwen, Frederick Klauschen, Klaus-Robert Müller,
- Abstract要約: 本研究は,非生物学的特徴に対するFMロバスト性に関する最初の系統的研究である。
PathoROBは3つの新しいメトリクスを持つロバストネスベンチマークである。
その結果,非破壊的FM表現は下流の誤診や臨床症状の原因となることが判明した。
- 参考スコア（独自算出の注目度）: 12.717000308207425
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Biomedical Foundation Models (FMs) are rapidly transforming AI-enabled healthcare research and entering clinical validation. However, their susceptibility to learning non-biological technical features -- including variations in surgical/endoscopic techniques, laboratory procedures, and scanner hardware -- poses risks for clinical deployment. We present the first systematic investigation of pathology FM robustness to non-biological features. Our work (i) introduces measures to quantify FM robustness, (ii) demonstrates the consequences of limited robustness, and (iii) proposes a framework for FM robustification to mitigate these issues. Specifically, we developed PathoROB, a robustness benchmark with three novel metrics, including the robustness index, and four datasets covering 28 biological classes from 34 medical centers. Our experiments reveal robustness deficits across all 20 evaluated FMs, and substantial robustness differences between them. We found that non-robust FM representations can cause major diagnostic downstream errors and clinical blunders that prevent safe clinical adoption. Using more robust FMs and post-hoc robustification considerably reduced (but did not yet eliminate) the risk of such errors. This work establishes that robustness evaluation is essential for validating pathology FMs before clinical adoption and demonstrates that future FM development must integrate robustness as a core design principle. PathoROB provides a blueprint for assessing robustness across biomedical domains, guiding FM improvement efforts towards more robust, representative, and clinically deployable AI systems that prioritize biological information over technical artifacts.
- Abstract（参考訳）: バイオメディカル・ファンデーション・モデル(FM)は、AI可能な医療研究を急速に変革させ、臨床検査に入る。
しかし、外科的・内視鏡的手法、検査手順、スキャナーハードウェアのバリエーションを含む、非生物学的技術的特徴の学習への感受性は、臨床展開のリスクを生じさせる。
本研究は,非生物学的特徴に対するFMロバスト性に関する最初の系統的研究である。
作品
一 FMロバスト性を定量化する措置を導入すること。
(二)頑丈さの限界の結果を示し、
(iii)これらの問題を緩和するためのFMロバスト化のためのフレームワークを提案する。
具体的には、ロバストネス指標を含む3つの新しい指標と、34の医療センターから28の生物学的クラスをカバーする4つのデータセットを備えたロバストネスベンチマークであるPathoROBを開発した。
実験の結果,評価されたFM20種すべてに頑健性障害がみられ,その間に有意なロバスト性差が認められた。
その結果,非破壊的FM表現は,診断上の誤りや臨床的失敗を招き,安全な臨床応用を阻害する可能性が示唆された。
より堅牢なFMとポストホックのロバスト化を使用することで、そのようなエラーのリスクは大幅に減少した(しかし、まだ排除されなかった)。
本研究は,臨床導入前のFMの診断にロバスト性評価が不可欠であることが確認され,今後のFM開発がコア設計原則としてロバスト性を統合する必要があることを示す。
PathoROBは、バイオメディカルドメイン間の堅牢性を評価するための青写真を提供し、技術的アーティファクトよりも生物学的情報を優先するより堅牢で、代表的で、臨床的にデプロイ可能なAIシステムに向けたFM改善の取り組みを導く。
関連論文リスト
- Medical Reasoning in the Era of LLMs: A Systematic Review of Enhancement Techniques and Applications [59.721265428780946]
医学における大きな言語モデル(LLM)は印象的な能力を実現しているが、体系的で透明で検証可能な推論を行う能力に重大なギャップが残っている。
本稿は、この新興分野に関する最初の体系的なレビューを提供する。
本稿では,学習時間戦略とテスト時間メカニズムに分類した推論強化手法の分類法を提案する。
論文 参考訳（メタデータ） (2025-08-01T14:41:31Z) - An Uncertainty-Aware Dynamic Decision Framework for Progressive Multi-Omics Integration in Classification Tasks [6.736267874971369]
我々は、オミクスデータ分類のための不確実性を考慮したマルチビュー動的決定フレームワークを提案する。
ヘテロジニアスなモジュラリティを統合するために、Dempster-Shafer理論に基づく融合戦略を用いる。
3つのデータセットでは、50%以上のケースが、単一のオミクスモダリティを使用して正確に分類された。
論文 参考訳（メタデータ） (2025-06-20T13:44:14Z) - Towards a general-purpose foundation model for fMRI analysis [58.06455456423138]
我々は,4次元fMRIボリュームから学習し,多様なアプリケーション間で効率的な知識伝達を可能にするフレームワークであるNeuroSTORMを紹介する。
NeuroSTORMは、複数のセンターにまたがる5万人以上の被験者から5歳から100歳までの28.65万fMRIフレーム(→9000時間)で事前トレーニングされている。
年齢/性別予測、表現型予測、疾患診断、fMRI-to-image検索、タスクベースのfMRIの5つのタスクにおいて、既存の手法よりも優れています。
論文 参考訳（メタデータ） (2025-06-11T23:51:01Z) - Structure-Accurate Medical Image Translation via Dynamic Frequency Balance and Knowledge Guidance [60.33892654669606]
拡散モデルは,必要な医用画像を合成するための強力な戦略である。
既存のアプローチはまだ、高周波情報の過度な適合による解剖学的構造歪みの問題に悩まされている。
本稿では,動的周波数バランスと知識指導に基づく新しい手法を提案する。
論文 参考訳（メタデータ） (2025-04-13T05:48:13Z) - Foundation Models -- A Panacea for Artificial Intelligence in Pathology? [0.45977630698033073]
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。
論文 参考訳（メタデータ） (2025-02-28T17:40:45Z) - Beyond Diagnostic Performance: Revealing and Quantifying Ethical Risks in Pathology Foundation Models [9.324455712108175]
病理基盤モデル (Pathology foundation model, PFM) は、計算病理学に適した大規模事前訓練モデルである。
我々は,プライバシリーク,臨床信頼性,グループフェアネスなど,PFMの倫理的リスクに関する定量的分析を開拓した。
この研究は、PFMにおける倫理的リスクの最初の定量的かつ体系的な評価を提供する。
論文 参考訳（メタデータ） (2025-02-24T06:40:18Z) - Current Pathology Foundation Models are unrobust to Medical Center Differences [3.115740097094325]
我々は,病理基盤モデルが医療センター間の変動に対して堅牢であるかどうかを測定するために,ロバストネス指標を導入した。
現在評価されているすべての病理基盤モデルは、医療センターを強く表している。
医療センターの違いがFMによる予測性能に与える影響を定量的に評価する。
論文 参考訳（メタデータ） (2025-01-29T23:38:14Z) - 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) - Diagnosing Transformers: Illuminating Feature Spaces for Clinical
Decision-Making [14.377412942836143]
事前訓練されたトランスフォーマーは、限られた臨床ノートを使用して臨床意思決定を支援するために微調整されることが多い。
モデルの解釈可能性は、特に医学のような高度な領域において、信頼を確立し、安全性を確保するために不可欠である。
本稿では,微調整型変換器の特徴空間の解釈可能性を高めるための体系的フレームワークであるSUFOを紹介する。
論文 参考訳（メタデータ） (2023-05-27T22:15:48Z) - Instrumental Variable Learning for Chest X-ray Classification [52.68170685918908]
本稿では,素因果関係を排除し,正確な因果表現を得るための解釈可能な機器変数(IV)学習フレームワークを提案する。
提案手法の性能はMIMIC-CXR,NIH ChestX-ray 14,CheXpertデータセットを用いて実証した。
論文 参考訳（メタデータ） (2023-05-20T03:12:23Z) - COVID-Net Biochem: An Explainability-driven Framework to Building
Machine Learning Models for Predicting Survival and Kidney Injury of COVID-19
Patients from Clinical and Biochemistry Data [66.43957431843324]
我々は、機械学習モデルを構築するための汎用的で説明可能なフレームワークであるCOVID-Net Biochemを紹介する。
この枠組みを用いて、新型コロナウイルス患者の生存率と、入院中に急性腎不全を発症する可能性を予測する。
論文 参考訳（メタデータ） (2022-04-24T07:38:37Z)
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。