論文の概要: AdaFusion: Prompt-Guided Inference with Adaptive Fusion of Pathology Foundation Models

• arxiv url: http://arxiv.org/abs/2508.05084v2
• Date: Fri, 12 Sep 2025 15:09:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-15 14:04:03.046253
• Title: AdaFusion: Prompt-Guided Inference with Adaptive Fusion of Pathology Foundation Models
• Title（参考訳）: AdaFusion: 病理基礎モデルの適応融合によるプロンプト誘導推論
• Authors: Yuxiang Xiao, Yang Hu, Bin Li, Tianyang Zhang, Zexi Li, Huazhu Fu, Jens Rittscher, Kaixiang Yang,
• Abstract要約: 本稿では,新しいプロンプト誘導推論フレームワークであるAdaFusionを提案する。 本手法は,多様なモデルからタイルレベルの特徴を圧縮・整列する。 AdaFusionは、分類タスクと回帰タスクの両方にわたって、個々のPFMを一貫して上回っている。
• 参考スコア（独自算出の注目度）: 49.550545038402184
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Pathology foundation models (PFMs) have demonstrated strong representational capabilities through self-supervised pre-training on large-scale, unannotated histopathology image datasets. However, their diverse yet opaque pretraining contexts, shaped by both data-related and structural/training factors, introduce latent biases that hinder generalisability and transparency in downstream applications. In this paper, we propose AdaFusion, a novel prompt-guided inference framework that, to our knowledge, is among the very first to dynamically integrate complementary knowledge from multiple PFMs. Our method compresses and aligns tile-level features from diverse models and employs a lightweight attention mechanism to adaptively fuse them based on tissue phenotype context. We evaluate AdaFusion on three real-world benchmarks spanning treatment response prediction, tumour grading, and spatial gene expression inference. Our approach consistently surpasses individual PFMs across both classification and regression tasks, while offering interpretable insights into each model's biosemantic specialisation. These results highlight AdaFusion's ability to bridge heterogeneous PFMs, achieving both enhanced performance and interpretability of model-specific inductive biases.
• Abstract（参考訳）: 病理基盤モデル (PFM) は, 大規模・無注釈の病理画像データセット上で, 自己教師付き事前訓練を行うことにより, 強力な表現能力を示した。 しかし、データ関連要因と構造/トレーニング要因の両方によって形成された、多様だが不透明な事前学習コンテキストは、下流アプリケーションにおける一般化可能性と透明性を妨げる潜時バイアスをもたらす。 本稿では,複数のPFMから補完的知識を動的に統合する,新しいプロンプト誘導推論フレームワークであるAdaFusionを提案する。 本手法は,多様なモデルからタイルレベルの特徴を圧縮・整列し,組織表現型コンテキストに基づいてそれらを適応的に融合させる軽量な注意機構を用いる。 AdaFusionは治療反応予測,腫瘍グレーディング,空間的遺伝子発現推定の3つの実世界のベンチマークで評価した。 我々のアプローチは、分類タスクと回帰タスクの両方にまたがる個別のPFMを一貫して上回り、各モデルのバイオセマンティック・スペシャライゼーションに関する解釈可能な洞察を提供する。 これらの結果は、AdaFusionが異種PFMをブリッジする能力を強調し、モデル固有の帰納バイアスの性能と解釈性の両方を達成する。

関連論文リスト

• UniSegDiff: Boosting Unified Lesion Segmentation via a Staged Diffusion Model [53.34835793648352]
  病変分割のための新しい拡散モデルフレームワークUniSegDiffを提案する。 UniSegDiffは、複数のモダリティと臓器にまたがる統一された方法で病変のセグメンテーションに対処する。 総合的な実験結果から、UniSegDiffは従来のSOTA(State-of-the-art)アプローチよりも大幅に優れていた。
  論文  参考訳（メタデータ） (2025-07-24T12:33:10Z)
• Information-theoretic Quantification of High-order Feature Effects in Classification Problems [0.19791587637442676]
  特徴重要度(Hi-Fi)法における高次相互作用の情報理論拡張について述べる。 私たちのフレームワークは、機能のコントリビューションをユニークでシナジスティックで冗長なコンポーネントに分解します。 その結果,提案した推定器は理論的および予測された結果を正確に復元することがわかった。
  論文  参考訳（メタデータ） (2025-07-06T11:50:30Z)
• Consistent World Models via Foresight Diffusion [56.45012929930605]
  我々は、一貫した拡散に基づく世界モデルを学習する上で重要なボトルネックは、最適下予測能力にあると主張している。 本稿では,拡散に基づく世界モデリングフレームワークであるForesight Diffusion(ForeDiff)を提案する。
  論文  参考訳（メタデータ） (2025-05-22T10:01:59Z)
• Bias and Generalizability of Foundation Models across Datasets in Breast Mammography [4.117899774444893]
  乳房マンモグラフィー分類のための基礎モデル(FM)の公平性とバイアスについて検討する。 我々は、未表現領域と社内データセットからのさまざまなソースを含む、膨大なデータセットのプールを活用している。 実験の結果,FMのモーダリティ固有の事前学習は性能を向上させるが,個々のデータセットの特徴に基づいて訓練された分類器はドメイン間の一般化に失敗することがわかった。
  論文  参考訳（メタデータ） (2025-05-14T06:56:17Z)
• Unleashing the Potential of the Diffusion Model in Few-shot Semantic Segmentation [56.87049651707208]
  セマンティックはインコンテクストタスクへと発展し、一般化的セグメンテーションモデルを評価する上で重要な要素となった。 我々の最初の焦点は、クエリイメージとサポートイメージの相互作用を容易にする方法を理解することであり、その結果、自己注意フレームワーク内のKV融合法が提案される。 そこで我々はDiffewSというシンプルで効果的なフレームワークを構築し,従来の潜在拡散モデルの生成フレームワークを最大限に保持する。
  論文  参考訳（メタデータ） (2024-10-03T10:33:49Z)
• FedTSA: A Cluster-based Two-Stage Aggregation Method for Model-heterogeneous Federated Learning [10.254813698006103]
  FedTSAは、フェデレートラーニング(FL)におけるシステム不均一性に適したクラスタベースの2段階アグリゲーション手法である 我々は,FedTSAがベースラインを上回り,モデル性能に影響を及ぼす様々な要因を探索することを示す。
  論文  参考訳（メタデータ） (2024-07-06T14:59:55Z)
• Diffusion Features to Bridge Domain Gap for Semantic Segmentation [2.8616666231199424]
  本稿では, 拡散モデルの特徴を効率的に活用するために, サンプリングおよび融合技術を活用するアプローチについて検討する。 テキスト・画像生成能力の強みを生かして、暗黙的に後部知識を学習する新しいトレーニングフレームワークを導入する。
  論文  参考訳（メタデータ） (2024-06-02T15:33:46Z)
• Training Class-Imbalanced Diffusion Model Via Overlap Optimization [55.96820607533968]
  実世界のデータセットで訓練された拡散モデルは、尾クラスの忠実度が劣ることが多い。 拡散モデルを含む深い生成モデルは、豊富な訓練画像を持つクラスに偏りがある。 本研究では,異なるクラスに対する合成画像の分布の重複を最小限に抑えるために,コントラスト学習に基づく手法を提案する。
  論文  参考訳（メタデータ） (2024-02-16T16:47:21Z)
• Variance-Preserving-Based Interpolation Diffusion Models for Speech Enhancement [53.2171981279647]
  本稿では,VP-および分散拡散(VE)に基づく拡散法の両方をカプセル化するフレームワークを提案する。 本研究では,拡散モデルで発生する一般的な困難を解析し,性能の向上とモデルトレーニングの容易化を図る。 我々は,提案手法の有効性を示すために,公開ベンチマークを用いたいくつかの手法によるモデルの評価を行った。
  論文  参考訳（メタデータ） (2023-06-14T14:22:22Z)
• Ambiguous Medical Image Segmentation using Diffusion Models [60.378180265885945]
  我々は,グループ洞察の分布を学習することで,複数の可算出力を生成する単一拡散モデルに基づくアプローチを提案する。 提案モデルでは,拡散の固有のサンプリングプロセスを利用してセグメンテーションマスクの分布を生成する。 その結果,提案手法は既存の最先端曖昧なセグメンテーションネットワークよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2023-04-10T17:58:22Z)
• Adaptive Feature Fusion: Enhancing Generalization in Deep Learning Models [0.0]
  本稿では,ディープラーニングモデルの一般化を促進するために,アダプティブ・フィーチャー・フュージョン(Adaptive Feature Fusion, AFF)を提案する。 AFFは、基礎となるデータ特性とモデル要件に基づいて、機能を適応的にフューズすることができる。 この分析は、一般化能力の向上におけるAFFの有効性を示し、様々なタスクやアプリケーションのパフォーマンスを改善した。
  論文  参考訳（メタデータ） (2023-04-04T21:41:38Z)

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。