論文の概要: Welcome New Doctor: Continual Learning with Expert Consultation and Autoregressive Inference for Whole Slide Image Analysis
- arxiv url: http://arxiv.org/abs/2508.02220v1
- Date: Mon, 04 Aug 2025 09:11:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-05 18:25:22.270867
- Title: Welcome New Doctor: Continual Learning with Expert Consultation and Autoregressive Inference for Whole Slide Image Analysis
- Title（参考訳）: 新しい医者へようこそ 専門家相談による継続的な学習と全スライド画像解析のための自己回帰推論
- Authors: Doanh Cao Bui, Jin Tae Kwak,
- Abstract要約: 全スライド画像(WSI)解析は癌診断と予後において重要な役割を担っている。
WSIは、予測モデルを処理し、訓練するために、かなりのストレージと計算資源を必要とする。
診療所や病院で使われるWSIの急速な増加に伴い、既存のモデルを新しいタスクに効率よく処理し、適応できる継続的な学習システムの必要性が高まっている。
- 参考スコア（独自算出の注目度）: 2.6954348706500766
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Whole Slide Image (WSI) analysis, with its ability to reveal detailed tissue structures in magnified views, plays a crucial role in cancer diagnosis and prognosis. Due to their giga-sized nature, WSIs require substantial storage and computational resources for processing and training predictive models. With the rapid increase in WSIs used in clinics and hospitals, there is a growing need for a continual learning system that can efficiently process and adapt existing models to new tasks without retraining or fine-tuning on previous tasks. Such a system must balance resource efficiency with high performance. In this study, we introduce COSFormer, a Transformer-based continual learning framework tailored for multi-task WSI analysis. COSFormer is designed to learn sequentially from new tasks wile avoiding the need to revisit full historical datasets. We evaluate COSFormer on a sequence of seven WSI datasets covering seven organs and six WSI-related tasks under both class-incremental and task-incremental settings. The results demonstrate COSFormer's superior generalizability and effectiveness compared to existing continual learning frameworks, establishing it as a robust solution for continual WSI analysis in clinical applications.
- Abstract（参考訳）: ワイルスライド画像(WSI)解析は、拡大した視野で詳細な組織構造を明らかにする能力を持ち、がんの診断と予後において重要な役割を担っている。
ギガサイズの性質のため、WSIは予測モデルを処理し、訓練するためにかなりのストレージと計算資源を必要とする。
診療所や病院で使われるWSIの急速な増加に伴い、既存のモデルを新しいタスクに効率よく処理し、適応できる継続的な学習システムの必要性が高まっている。
このようなシステムは、資源効率と高い性能のバランスをとる必要がある。
本研究では,マルチタスクWSI分析に適したトランスフォーマーベースの連続学習フレームワークであるCOSFormerを紹介する。
COSFormerは新しいタスクからシーケンシャルに学習するように設計されており、完全な履歴データセットを再考する必要がなくなる。
COSFormerは、7つの臓器と6つのWSI関連タスクをクラスインクリメンタルとタスクインクリメンタルの両方でカバーする7つのWSIデータセットのシーケンスで評価する。
その結果、COSFormerは既存の連続学習フレームワークと比較して優れた一般化性と有効性を示し、臨床応用における連続的なWSI分析のための堅牢なソリューションとして確立した。
関連論文リスト
- IRS: Incremental Relationship-guided Segmentation for Digital Pathology [13.534959964309895]
時間的に取得された部分的注釈付きデータに対処するインクリメンタルリレーション誘導学習方式
IRSは、病理学的セグメンテーションのマルチスケールな性質を効果的に扱う。
IRSは、現実世界のデジタル病理アプリケーションにとって堅牢なアプローチである。
論文 参考訳（メタデータ） (2025-05-28T20:41:56Z) - Surgical Foundation Model Leveraging Compression and Entropy Maximization for Image-Guided Surgical Assistance [50.486523249499115]
低侵襲手術(MIS)におけるリアルタイム映像理解の重要性
手術ビデオからコンパクトで情報的表現を学習するための,新しい自己教師型フレームワークであるCompress-to-Explore (C2E)を提案する。
C2Eは、エントロピー最大化デコーダを使用して、臨床的に関連する詳細を保持しながら画像を圧縮し、ラベル付きデータなしでエンコーダのパフォーマンスを向上させる。
論文 参考訳（メタデータ） (2025-05-16T14:02:24Z) - Illusion or Algorithm? Investigating Memorization, Emergence, and Symbolic Processing in In-Context Learning [48.67380502157004]
大規模トランスフォーマー言語モデル(LM)は、Webスケールデータによる次世代の予測のみを訓練することで、幅広いタスクを解決できる。
この能力の背後にあるメカニズムは、ICL(In-context Learning)と呼ばれ、議論の余地があり、理解が不十分なままである。
論文 参考訳（メタデータ） (2025-05-16T08:50:42Z) - Lifelong Whole Slide Image Analysis: Online Vision-Language Adaptation and Past-to-Present Gradient Distillation [1.1497371646067622]
全スライド画像(WSI)は、正確ながん診断と予後において重要な役割を担っている。
WSIのサイズがギガピクセルであることを考えると、ストレージ、処理、モデルトレーニングの点で困難を呈している。
本稿では,全スライディング画像(WSI)解析における生涯学習を向上する手法であるADaFGradを紹介する。
論文 参考訳（メタデータ） (2025-05-04T04:46:08Z) - CDS: Knowledge Component-Driven Data Synthesis Guided by Cognitive Diagnosis Theory [39.579188324839386]
大規模言語モデル(LLM)は大きな進歩を遂げているが、タスクの複雑さが増し、高いパフォーマンス要求が継続的改善の必要性を浮き彫りにしている。
いくつかの手法は、列車モデルの評価結果に基づいて、先進LLMによって生成された合成データを利用する。
本稿では,認知診断理論(CDT)にインスパイアされた診断プロセスを取り入れた認知診断合成(CDS)手法を提案する。
論文 参考訳（メタデータ） (2025-01-13T20:13:59Z) - How Deep is your Guess? A Fresh Perspective on Deep Learning for Medical Time-Series Imputation [6.547981908229007]
アーキテクチャとフレームワークのバイアスがモデルのパフォーマンスにどのように影響するかを示します。
実験では、プリプロセッシングと実装の選択に基づいて、最大20%の性能変化を示す。
我々は,現在の深層計算法と医療要件の相違点を同定する。
論文 参考訳（メタデータ） (2024-07-11T12:33:28Z) - Automated Contrastive Learning Strategy Search for Time Series [48.68664732145665]
時系列データセットやタスクに対するコントラスト学習(AutoCL)を自動的に学習する,MicrosoftのAutomated Machine Learning(AutoML)プラクティスを提示する。
まず,データ拡張,埋め込み変換,コントラッシブなペア構成,コントラスト的な損失を網羅した,3時間1012ドルの探索空間を構築した。
さらに,評価タスクの性能からCLSを最適化し,空間内で有効なCLSを得る効率的な強化学習アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-03-19T11:24:14Z) - A self-supervised framework for learning whole slide representations [52.774822784847565]
我々は、全スライド画像のギガピクセルスケールの自己スーパービジョンのためのSlide Pre-trained Transformer (SPT)を提案する。
バイオメディカル・マイクロスコープ・データセットを用いて,5つの診断課題におけるSPT視覚表現のベンチマークを行った。
論文 参考訳（メタデータ） (2024-02-09T05:05:28Z) - ConSlide: Asynchronous Hierarchical Interaction Transformer with
Breakup-Reorganize Rehearsal for Continual Whole Slide Image Analysis [24.078490055421852]
医用画像コミュニティではWSI解析がますます重要になっている。
本稿では,WSI分析のためのFIRST連続学習フレームワークであるConSlideを提案する。
論文 参考訳（メタデータ） (2023-08-25T11:58:25Z) - Composite Learning for Robust and Effective Dense Predictions [81.2055761433725]
マルチタスク学習は、目標タスクを補助タスクと協調的に最適化することで、より優れたモデル一般化を約束する。
自己監督型(補助的)タスクと密接な予測(目標)タスクを共同でトレーニングすることで、目標タスクの性能を継続的に向上し、補助タスクのラベル付けの必要性を排除できることが判明した。
論文 参考訳（メタデータ） (2022-10-13T17:59:16Z) - GaNDLF: A Generally Nuanced Deep Learning Framework for Scalable
End-to-End Clinical Workflows in Medical Imaging [76.38169390121057]
コミュニティ主導型汎用ディープラーニングフレームワークGaNDLF(Generally Nuanced Deep Learning Framework)について紹介する。
GaNDLFは、DL開発、トレーニング、推論のメカニズムをより安定させ、再現可能で、解釈可能で、スケーラブルにする。
放射線画像と病理画像の両方をGaNDLFで解析し,k-foldクロスバリデーションをサポートした。
論文 参考訳（メタデータ） (2021-02-26T02:24:52Z) - A journey in ESN and LSTM visualisations on a language task [77.34726150561087]
我々は,CSL(Cross-Situationnal Learning)タスクでESNとLSTMを訓練した。
その結果, 性能比較, 内部力学解析, 潜伏空間の可視化の3種類が得られた。
論文 参考訳（メタデータ） (2020-12-03T08:32:01Z) - Aggregating Long-Term Context for Learning Laparoscopic and
Robot-Assisted Surgical Workflows [40.48632897750319]
本稿では,タスク固有のネットワーク表現を利用した時間的ネットワーク構造を提案する。
腹腔鏡下胆嚢摘出術を施行した。
論文 参考訳（メタデータ） (2020-09-01T20:29:14Z)
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。