論文の概要: Towards Understanding and Harnessing the Transferability of Prognostic Knowledge in Computational Pathology
- arxiv url: http://arxiv.org/abs/2508.13482v1
- Date: Tue, 19 Aug 2025 03:24:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-20 15:36:31.783072
- Title: Towards Understanding and Harnessing the Transferability of Prognostic Knowledge in Computational Pathology
- Title（参考訳）: 計算病理学における確率的知識の伝達可能性の理解と調和に向けて
- Authors: Pei Liu, Luping Ji, Jiaxiang Gou, Xiangxiang Zeng,
- Abstract要約: WSI(Whole-Slide Image)はがん患者の予後を評価する重要なツールである。
本稿では,病理学における予後知識伝達に関する最初の体系的研究について述べる。
- 参考スコア（独自算出の注目度）: 7.866494403711722
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Whole-Slide Image (WSI) is an important tool for evaluating the prognosis of cancer patients. Present WSI-based prognosis studies generally follow a conventional paradigm -- cancer-specific model development -- where one cancer disease corresponds to one model and this model cannot make use of the prognostic knowledge from others. Despite its notable success in recent years, this paradigm has inherent limitations and has always been struggling with practical requirements: (i) scaling to the rare tumor diseases with very limited samples and (ii) benefiting from the generalizable prognostic knowledge in other cancers. To this end, this paper presents the first systematic study on Prognostic Knowledge Transfer in Pathology, called Path-PKT. It comprises three main parts. (1) We curate a large dataset (UNI2-h-DSS) with 13 cancers and use it to evaluate the transferability of prognostic knowledge between different cancers computationally. (2) We design experiments to understand what factors affect knowledge transfer and what causes positive transfers. (3) Motivated by empirical findings, we propose a new baseline approach (MoE-PKT) with a routing mechanism to utilize the generalizable prognostic knowledge in other cancers. Finally, we show the transferability of source models to rare tumor diseases. This study could lay solid foundations for the study of knowledge transfer in WSI-based cancer prognosis. Source code is available at https://github.com/liupei101/Path-PKT.
- Abstract（参考訳）: WSI(Whole-Slide Image)はがん患者の予後を評価する重要なツールである。
現在のWSIベースの予後研究は一般的に、1つのがん疾患が1つのモデルに対応し、このモデルが他のモデルからの予後的知識を活用できない、従来のパラダイムである癌特異的モデル開発に従う。
近年の顕著な成功にもかかわらず、このパラダイムには固有の制限があり、常に実践的な要件に悩まされてきた。
(i)極めて限られたサンプルでまれな腫瘍疾患にスケーリングし、
(ii)他のがんにおける一般化可能な予後知識の恩恵を受けること。
そこで本研究では,Path-PKTと呼ばれる病理学における予後的知識伝達に関する最初の体系的研究について述べる。
主な3つの部分から構成される。
1) 大規模データセット(UNI2-h-DSS)を13の癌でキュレートし, 異なる癌間での予後知識の伝達性を評価する。
2) 知識伝達に影響を与える要因と正の伝達を引き起こす要因を理解するための実験を設計する。
以上の結果から,他のがんにおける一般化可能な予後知識を活用するためのルーティング機構を備えた新しいベースラインアプローチ (MoE-PKT) を提案する。
最後に, 発生源モデルからまれな腫瘍疾患への転移性を示す。
この研究は、WSIベースのがん予後における知識伝達の研究の基盤となる可能性がある。
ソースコードはhttps://github.com/liupei101/Path-PKTで入手できる。
関連論文リスト
- Transfer Learning Strategies for Pathological Foundation Models: A Systematic Evaluation in Brain Tumor Classification [8.170992842607339]
大規模病理データセットで事前訓練された基礎モデルは、様々な診断タスクで有望な結果を示している。
原発性中枢神経性リンパ腫,転移性腫瘍の5種類の悪性腫瘍について検討した。
その結果,ケースごとの大規模な画像サンプリングが必要とされるという従来の前提に拘わらず,各ケースにつき10パッチ程度の堅牢な分類性能を示した。
論文 参考訳（メタデータ） (2025-01-19T11:18:34Z) - Survival Prediction Across Diverse Cancer Types Using Neural Networks [40.392772795903795]
胃癌と大腸腺癌は広範囲で難治性の悪性腫瘍である。
医療コミュニティは、患者の予後を推定するための重要な指標として、5年間の生存率を受け入れている。
本研究は胃癌および大腸癌患者の生存予測モデルを改善するための先駆的アプローチを提案する。
論文 参考訳（メタデータ） (2024-04-11T21:47:13Z) - Knowledge-Informed Machine Learning for Cancer Diagnosis and Prognosis:
A review [2.2268038840298714]
バイオメディカルな知識とデータの融合を取り入れた最先端の機械学習研究について概説する。
機械学習パイプラインにおける知識表現の多様な形態と知識統合の現在の戦略について概説する。
論文 参考訳（メタデータ） (2024-01-12T07:01:36Z) - MGCT: Mutual-Guided Cross-Modality Transformer for Survival Outcome
Prediction using Integrative Histopathology-Genomic Features [2.3942863352287787]
Mutual-Guided Cross-Modality Transformer (MGCT) は、注意に基づくマルチモーダル学習フレームワークである。
腫瘍微小環境における遺伝子型-フェノタイプ相互作用をモデル化するために,組織学的特徴とゲノム的特徴を組み合わせたMGCTを提案する。
論文 参考訳（メタデータ） (2023-11-20T10:49:32Z) - Post-Hoc Explainability of BI-RADS Descriptors in a Multi-task Framework
for Breast Cancer Detection and Segmentation [48.08423125835335]
MT-BI-RADSは乳房超音波(BUS)画像における腫瘍検出のための新しい深層学習手法である。
放射線科医が腫瘍の悪性度を予測するための意思決定プロセスを理解するための3つのレベルの説明を提供する。
論文 参考訳（メタデータ） (2023-08-27T22:07:42Z) - Automated Knowledge Modeling for Cancer Clinical Practice Guidelines [1.1083289076967895]
がん診療ガイドライン (CPGs) は, 活発な研究によって生み出された新たな証拠により, 急速に進展する。
現在、CPGは主に、この発展途上の知識を管理するのに不適な文書形式で発行されている。
オンコロジーにおけるNACN CPGから知識を自動的に抽出する手法を提案する。
論文 参考訳（メタデータ） (2023-07-15T18:07:08Z) - Deep Reinforcement Learning Framework for Thoracic Diseases
Classification via Prior Knowledge Guidance [49.87607548975686]
関連疾患に対するラベル付きデータの不足は、正確な診断にとって大きな課題となる。
本稿では,診断エージェントの学習を指導するための事前知識を導入する,新しい深層強化学習フレームワークを提案する。
提案手法の性能はNIHX-ray 14と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） (2023-06-02T01:46:31Z) - Meta-information-aware Dual-path Transformer for Differential Diagnosis
of Multi-type Pancreatic Lesions in Multi-phase CT [41.199716328468895]
膵病変の分類と分節の可能性を活用するために, デュアルパストランスフォーマーを開発した。
提案手法は, CNN-based segmentation path (S-path) と Transformer-based classification path (C-path) から構成される。
以上の結果から,膵病変の完全分類の正確な分類と分類が可能であることが示唆された。
論文 参考訳（メタデータ） (2023-03-02T03:34:28Z) - Knowledge-enhanced Visual-Language Pre-training on Chest Radiology
Images [40.52487429030841]
胸部X線と放射線検査を用いた視力監督前訓練のための知識強調型自動診断(KAD)を提案する。
我々は、4つの外部X線データセット上でKADを評価し、そのゼロショット性能が完全言語モデルよりも優れていることを示す。
論文 参考訳（メタデータ） (2023-02-27T18:53:10Z) - Hierarchical Classification of Pulmonary Lesions: A Large-Scale
Radio-Pathomics Study [38.78350161086617]
CTによる肺病変の診断は重要であるが,肺癌関連疾患の臨床的判断には困難である。
深層学習は肺がんに対するコンピュータ支援診断 (CADx) 領域において大きな成功を収めているが, 放射線診断の困難さからラベルの曖昧さに悩まされている。
本研究は, 侵襲的病理解析が肺がん診断の黄金基準となっていることを考慮し, 大規模放射線病的データセットを用いてラベルあいまいさを解消する。
この振り返りデータセットはPentral-RadPathと呼ばれ、高精度なディープラーニングシステムの開発と検証により、非侵襲的な病理組織ラベルを予測できる。
論文 参考訳（メタデータ） (2020-10-08T15:14:34Z)
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。