論文の概要: Pathology Foundation Models are Scanner Sensitive: Benchmark and Mitigation with Contrastive ScanGen Loss
- arxiv url: http://arxiv.org/abs/2507.22092v1
- Date: Tue, 29 Jul 2025 12:35:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-31 16:14:17.764479
- Title: Pathology Foundation Models are Scanner Sensitive: Benchmark and Mitigation with Contrastive ScanGen Loss
- Title(参考訳): Pathology Foundation ModelsがScanner Sensitiveに - ベンチマークとContrastive ScanGen Lossによる緩和
- Authors: Gianluca Carloni, Biagio Brattoli, Seongho Keum, Jongchan Park, Taebum Lee, Chang Ho Ahn, Sergio Pereira,
- Abstract要約: ファンデーションモデル(FM)は依然としてスキャナーバイアスに悩まされている。
ScanGenは,タスク固有の微調整時に適用され,スキャナのバイアスを軽減する。
肺がんにおける上皮成長因子受容体(EGFR)変異予測のマルチインスタンス学習タスクに本手法を適用した。
- 参考スコア(独自算出の注目度): 6.310092608526967
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Computational pathology (CPath) has shown great potential in mining actionable insights from Whole Slide Images (WSIs). Deep Learning (DL) has been at the center of modern CPath, and while it delivers unprecedented performance, it is also known that DL may be affected by irrelevant details, such as those introduced during scanning by different commercially available scanners. This may lead to scanner bias, where the model outputs for the same tissue acquired by different scanners may vary. In turn, it hinders the trust of clinicians in CPath-based tools and their deployment in real-world clinical practices. Recent pathology Foundation Models (FMs) promise to provide better domain generalization capabilities. In this paper, we benchmark FMs using a multi-scanner dataset and show that FMs still suffer from scanner bias. Following this observation, we propose ScanGen, a contrastive loss function applied during task-specific fine-tuning that mitigates scanner bias, thereby enhancing the models' robustness to scanner variations. Our approach is applied to the Multiple Instance Learning task of Epidermal Growth Factor Receptor (EGFR) mutation prediction from H\&E-stained WSIs in lung cancer. We observe that ScanGen notably enhances the ability to generalize across scanners, while retaining or improving the performance of EGFR mutation prediction.
- Abstract(参考訳): 計算病理学(CPath)は、全スライド画像(WSI)から実行可能な洞察をマイニングする大きな可能性を示している。
ディープラーニング(DL)は現代のCPathの中心であり、前代未聞のパフォーマンスを提供する一方で、異なる市販スキャナーによってスキャン中に導入されたような、無関係な詳細の影響を受けていることも知られている。
これはスキャナーバイアスを引き起こし、異なるスキャナーによって取得された同じ組織に対してモデル出力が異なる可能性がある。
CPathベースのツールにおける臨床医の信頼と、実際の臨床実践への展開を妨げる。
最近の病理ファウンデーションモデル(FM)は、より良いドメインの一般化機能を提供することを約束します。
本稿では,マルチスキャナ・データセットを用いてFMのベンチマークを行い,FMがまだスキャナーバイアスに悩まされていることを示す。
そこで本研究では,ScanGenを提案する。ScanGenはタスク固有の微調整中に適用され,スキャナのバイアスを軽減し,スキャナの変動に対するモデルの堅牢性を向上する。
肺がんにおける上皮成長因子受容体(EGFR)変異予測のマルチインスタンス学習タスクに本手法を適用した。
ScanGenは、EGFR突然変異予測の性能を維持し、改善しながら、スキャナー全体にわたって一般化する能力を顕著に向上する。
関連論文リスト
- SCORPION: Addressing Scanner-Induced Variability in Histopathology [4.296051492560909]
様々な領域にわたる信頼性の高いモデル性能を保証することは、計算病理学において重要な課題である。
我々は、スキャナの可変性の下でモデル信頼性を評価するために明示的に設計された新しいデータセットであるSCORPIONをリリースする。
拡張型ドメイン一般化技術と整合性損失を組み合わせたフレキシブルなフレームワークであるSimConsを提案する。
論文 参考訳(メタデータ) (2025-07-28T15:00:49Z) - PixCell: A generative foundation model for digital histopathology images [49.00921097924924]
PixCellは,病理組織学における最初の拡散ベース生成基盤モデルである。
われわれはPanCan-30MでPixCellをトレーニングした。
論文 参考訳(メタデータ) (2025-06-05T15:14:32Z) - The Impact of Scanner Domain Shift on Deep Learning Performance in Medical Imaging: an Experimental Study [1.4628485867112924]
我々は,異なる自動診断タスクにおいて,スキャナ領域シフトが畳み込みニューラルネットワーク性能に与える影響を評価する。
異なるスキャナーのデータに対するネットワーク性能は、ほぼ常に同じスキャナーのデータよりも悪い。
我々は、MRIやX線には存在しないCT取得システムの標準化された性質に、この落とし穴があると考えている。
論文 参考訳(メタデータ) (2024-09-06T15:59:30Z) - On Sensitivity and Robustness of Normalization Schemes to Input
Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。
DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。
本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
論文 参考訳(メタデータ) (2023-06-23T03:09:03Z) - Mind the Gap: Scanner-induced domain shifts pose challenges for
representation learning in histopathology [6.309771474997404]
自己教師付き事前トレーニングは、腫瘍セグメンテーションの下流タスクにおいて、スキャナによるドメインシフトを克服するために使用することができる。
自己教師付き事前学習が様々なスキャナー表現の整列に成功し、興味深いことに、下流タスクに限られた利益をもたらすことが示される。
論文 参考訳(メタデータ) (2022-11-29T12:16:39Z) - Data-Efficient Vision Transformers for Multi-Label Disease
Classification on Chest Radiographs [55.78588835407174]
視覚変換器(ViT)は一般的な画像の分類性能が高いにもかかわらず、このタスクには適用されていない。
ViTは、畳み込みではなくパッチベースの自己アテンションに依存しており、CNNとは対照的に、ローカル接続に関する事前の知識は存在しない。
以上の結果から,ViTとCNNのパフォーマンスはViTの利点に匹敵するものの,DeiTsはトレーニング用に適度に大規模なデータセットが利用可能であれば,前者よりも優れることがわかった。
論文 参考訳(メタデータ) (2022-08-17T09:07:45Z) - Preservation of High Frequency Content for Deep Learning-Based Medical
Image Classification [74.84221280249876]
大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。
本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
論文 参考訳(メタデータ) (2022-05-08T15:29:54Z) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳(メタデータ) (2021-02-26T02:29:30Z) - Improved Slice-wise Tumour Detection in Brain MRIs by Computing
Dissimilarities between Latent Representations [68.8204255655161]
磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。
本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。
本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
論文 参考訳(メタデータ) (2020-07-24T14:02:09Z) - Improved inter-scanner MS lesion segmentation by adversarial training on
longitudinal data [0.0]
ホワイトマター病変進展の評価は,MS患者の経過観察において重要なバイオマーカーである。
現在の自動病変分割アルゴリズムは、MRIスキャナーやプロトコルの違いに関連する画像特性の変化の影響を受けやすい。
スキャン間研究におけるMS病変のセグメンテーションの整合性を改善するモデルを提案する。
論文 参考訳(メタデータ) (2020-02-03T16:56:05Z)
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。