論文の概要: Continual Multiple Instance Learning for Hematologic Disease Diagnosis

• arxiv url: http://arxiv.org/abs/2508.04368v1
• Date: Wed, 06 Aug 2025 12:03:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-07 20:09:22.705546
• Title: Continual Multiple Instance Learning for Hematologic Disease Diagnosis
• Title（参考訳）: 血液疾患診断における連続的マルチインスタンスラーニング
• Authors: Zahra Ebrahimi, Raheleh Salehi, Nassir Navab, Carsten Marr, Ario Sadafi,
• Abstract要約: マルチインスタンス学習(MIL)に特化した,最初の連続学習手法を提案する。 本手法は,複数のバッグから選択した単一インスタンスに対するリハーサル方式である。 提案手法は最先端の手法よりかなり優れており,MILのための最初の連続学習手法を提供する。
• 参考スコア（独自算出の注目度）: 38.13262557169157
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The dynamic environment of laboratories and clinics, with streams of data arriving on a daily basis, requires regular updates of trained machine learning models for consistent performance. Continual learning is supposed to help train models without catastrophic forgetting. However, state-of-the-art methods are ineffective for multiple instance learning (MIL), which is often used in single-cell-based hematologic disease diagnosis (e.g., leukemia detection). Here, we propose the first continual learning method tailored specifically to MIL. Our method is rehearsal-based over a selection of single instances from various bags. We use a combination of the instance attention score and distance from the bag mean and class mean vectors to carefully select which samples and instances to store in exemplary sets from previous tasks, preserving the diversity of the data. Using the real-world input of one month of data from a leukemia laboratory, we study the effectiveness of our approach in a class incremental scenario, comparing it to well-known continual learning methods. We show that our method considerably outperforms state-of-the-art methods, providing the first continual learning approach for MIL. This enables the adaptation of models to shifting data distributions over time, such as those caused by changes in disease occurrence or underlying genetic alterations.
• Abstract（参考訳）: 実験室や診療所の動的環境は、毎日のデータストリームが届き、一貫したパフォーマンスのために訓練された機械学習モデルの定期的な更新が必要である。 継続的な学習は、大惨事な忘れをせずにモデルを訓練するのに役立つ。 しかし、最先端の手法はMIL(Multiple Case Learning)には効果がないため、単細胞型血液疾患の診断(白血病検出など)によく用いられる。 本稿では,MILに特化された最初の連続学習手法を提案する。 本手法は,複数のバッグから選択した単一インスタンスに対するリハーサル方式である。 我々は、バッグ平均値とクラス平均値からの距離とインスタンスの注意スコアを組み合わせることで、データの多様性を保ちながら、前回のタスクからサンプルやインスタンスを例示セットに格納する方法を慎重に選択する。 白血病実験室から1ヶ月のデータを実世界から入力し,本手法の有効性をクラスインクリメンタルシナリオで検証し,よく知られた連続学習法と比較した。 提案手法は最先端の手法よりかなり優れており,MILのための最初の連続学習手法を提供する。 これにより、病気の発生や根底にある遺伝的変化によって引き起こされるような、時間とともにデータ分布をシフトさせるモデルの適応が可能になる。

関連論文リスト

• Domain-incremental White Blood Cell Classification with Privacy-aware Continual Learning [3.053782081947358]
  本稿では, WBC分類の基礎モデルにおける忘れを防止すべく, 再生型連続学習(CL)戦略を提案する。 本手法では,プライバシ保護リプレイを可能にするために,過去のデータを合成潜在表現で模倣するために軽量なジェネレータを用いる。 本研究は, 臨床現場における信頼性の高いWBC分類の実践的解決法を提案する。
  論文  参考訳（メタデータ） (2025-03-25T16:30:58Z)
• Pathological Prior-Guided Multiple Instance Learning For Mitigating Catastrophic Forgetting in Breast Cancer Whole Slide Image Classification [50.899861205016265]
  乳癌のWSI分類における破滅的忘れを緩和する新しい枠組みであるPaGMILを提案する。 私たちのフレームワークでは、共通のMILモデルアーキテクチャに2つの重要なコンポーネントを導入しています。 複数の乳がんデータセットを対象としたPaGMILの連続学習性能の評価を行った。
  論文  参考訳（メタデータ） (2025-03-08T04:51:58Z)
• Bayesian Meta-Learning for Improving Generalizability of Health Prediction Models With Similar Causal Mechanisms [14.4598538769316]
  共有学習におけるネガティブトランスファーの課題と,新規患者への一般化性の低下に対処することを目的とした,新しいベイズメタラーニング手法を提案する。 本研究の主な貢献は,(1) 学習中の負の伝達を軽減し,(2) 汎用性を期待するタスクから情報をプールする微調整など,タスクの因果的機構の類似性をモデル化することである。
  論文  参考訳（メタデータ） (2023-10-19T09:03:41Z)
• Continual Learning with Bayesian Model based on a Fixed Pre-trained Feature Extractor [55.9023096444383]
  現在のディープラーニングモデルは、新しいクラスを学ぶ際に古い知識を破滅的に忘れることによって特徴づけられる。 人間の脳における新しい知識の学習プロセスに着想を得て,連続学習のためのベイズ生成モデルを提案する。
  論文  参考訳（メタデータ） (2022-04-28T08:41:51Z)
• LifeLonger: A Benchmark for Continual Disease Classification [59.13735398630546]
  MedMNISTコレクションの連続的な疾患分類のためのベンチマークであるLifeLongerを紹介する。 タスクとクラスでの病気の漸進的な学習は、モデルをスクラッチから再トレーニングすることなく、新しいサンプルを分類する問題に対処する。 クロスドメインインクリメンタル学習は、これまで得られた知識を維持しながら、異なる機関から派生したデータセットを扱う問題に対処する。
  論文  参考訳（メタデータ） (2022-04-12T12:25:05Z)
• Continual Active Learning Using Pseudo-Domains for Limited Labelling Resources and Changing Acquisition Characteristics [2.6105699925188257]
  臨床ルーチン中の医療画像における機械学習は、スキャナープロトコル、ハードウェア、ポリシーの変更によって損なわれる。 マルチスキャナ環境下で,医療画像のストリーム上で動作する連続的な能動学習手法を提案する。
  論文  参考訳（メタデータ） (2021-11-25T13:11:49Z)
• Relational Subsets Knowledge Distillation for Long-tailed Retinal Diseases Recognition [65.77962788209103]
  本研究では,長尾データを知識に基づいて複数のクラスサブセットに分割し,クラスサブセット学習を提案する。 モデルがサブセット固有の知識の学習に集中するように強制する。 提案手法は長期網膜疾患認識タスクに有効であることが判明した。
  論文  参考訳（メタデータ） (2021-04-22T13:39:33Z)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)

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。