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

• A Contrastive Learning Framework for Breast Cancer Detection [0.0]
  そこで本研究では,ラベル付きデータセットの少ないContrastive Learning(CL)フレームワークを提案する。 Inbreast と MIAS のベンチマークデータから乳癌検出の精度は96.7%であった。
  論文  参考訳（メタデータ） (2025-09-24T18:43:38Z)
• Multimodal Cancer Modeling in the Age of Foundation Model Embeddings [1.7983573166060747]
  我々は、がんデータの自由テキスト埋め込みよりも古典的な機械学習モデルを訓練する。 マルチモーダル核融合の容易かつ付加的な効果を示す。 病理報告テキストを含めることの利点を示し、モデルに基づくテキスト要約と幻覚の効果を厳格に評価する。
  論文  参考訳（メタデータ） (2025-05-12T15:47:21Z)
• 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)
• 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)
• Cancer-Net PCa-Gen: Synthesis of Realistic Prostate Diffusion Weighted Imaging Data via Anatomic-Conditional Controlled Latent Diffusion [68.45407109385306]
  カナダでは、前立腺がんは男性でもっとも一般的ながんであり、2022年のこの人口統計では、新しいがん症例の20%を占めている。 拡散強調画像(DWI)データを用いた前立腺癌診断,予後,治療計画のためのディープニューラルネットワークの開発には大きな関心が寄せられている。 本研究では,解剖学的条件制御型潜伏拡散戦略の導入により,現実的な前立腺DWIデータを生成するための潜伏拡散の有効性について検討した。
  論文  参考訳（メタデータ） (2023-11-30T15:11:03Z)
• 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)
• RACR-MIL: Rank-aware contextual reasoning for weakly supervised grading of squamous cell carcinoma using whole slide images [0.5190659258584331]
  扁平上皮癌は最も一般的な癌亜型であり、発生頻度が増加し、がん関連死亡率に大きな影響を及ぼす。 複数の解剖学にまたがる堅牢な一般化を実現するために, RACR-MILを提案する。 本モデルでは,複数のSCCデータセットにまたがる最先端性能を達成し,3～9%のグレーディング精度,クラス不均衡に対するレジリエンス,最大16%の腫瘍局所化を実現した。
  論文  参考訳（メタデータ） (2023-08-29T20:25:49Z)
• 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)
• Cancer-Net BCa-S: Breast Cancer Grade Prediction using Volumetric Deep Radiomic Features from Synthetic Correlated Diffusion Imaging [82.74877848011798]
  乳がんの流行は成長を続けており、2023年には米国で約30万人の女性に影響を及ぼした。 金標準のScarff-Bloom-Richardson(SBR)グレードは、化学療法に対する患者の反応を一貫して示すことが示されている。 本稿では,合成相関拡散(CDI$s$)画像を用いた乳がん鑑定における深層学習の有効性について検討する。
  論文  参考訳（メタデータ） (2023-04-12T15:08:34Z)
• A Multi-Institutional Open-Source Benchmark Dataset for Breast Cancer Clinical Decision Support using Synthetic Correlated Diffusion Imaging Data [82.74877848011798]
  Cancer-Net BCaは、乳がん患者の画像データであるボリュームCDI$s$の複数機関のオープンソースベンチマークデータセットである。 Cancer-Net BCaは、機械学習の進歩を加速し、がんと戦う臨床医を助ける、グローバルなオープンソースイニシアチブの一部として、一般公開されている。
  論文  参考訳（メタデータ） (2023-04-12T05:41:44Z)
• 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)
• Enhancing Clinical Support for Breast Cancer with Deep Learning Models using Synthetic Correlated Diffusion Imaging [66.63200823918429]
  深層学習モデルを用いた乳癌に対する臨床支援の強化について検討した。 我々は、体積畳み込みニューラルネットワークを利用して、前処理コホートから深い放射能特徴を学習する。 提案手法は, グレードと処理後応答予測の両方において, より良い性能を実現することができる。
  論文  参考訳（メタデータ） (2022-11-10T03:02:12Z)
• Multiple Instance Neural Networks Based on Sparse Attention for Cancer Detection using T-cell Receptor Sequences [10.199698726118003]
  本稿では,スパースアテンション(MINN-SA)に基づく複数インスタンスニューラルネットワークを提案する。 MINN-SAは10種類の癌で測定された平均値において、ROC曲線(AUC)値が最も高い。
  論文  参考訳（メタデータ） (2022-08-09T03:24:03Z)
• Self-transfer learning via patches: A prostate cancer triage approach based on bi-parametric MRI [1.3934382972253603]
  前立腺癌(PCa)は世界で2番目に多いがんである。 現在のPCa診断経路は、かなりの過剰診断のコストがかかり、不必要な治療とさらなる検査に繋がる。 臨床的に有意な (cS) 病変と非有意な (ncS) 病変を区別するためのパッチベースの事前訓練戦略を提案する。
  論文  参考訳（メタデータ） (2021-07-22T17:02:38Z)
• 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)
• Stan: Small tumor-aware network for breast ultrasound image segmentation [68.8204255655161]
  本研究では,小腫瘍認識ネットワーク(Small tumor-Aware Network,STAN)と呼ばれる新しいディープラーニングアーキテクチャを提案する。 提案手法は, 乳腺腫瘍の分節化における最先端のアプローチよりも優れていた。
  論文  参考訳（メタデータ） (2020-02-03T22:25:01Z)

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。