論文の概要: Cross-Cancer Knowledge Transfer in WSI-based Prognosis Prediction
- arxiv url: http://arxiv.org/abs/2508.13482v2
- Date: Thu, 25 Sep 2025 07:16:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-26 14:16:56.003758
- Title: Cross-Cancer Knowledge Transfer in WSI-based Prognosis Prediction
- Title（参考訳）: WSIに基づく予後予測における話者間知識伝達
- Authors: Pei Liu, Luping Ji, Jiaxiang Gou, Xiangxiang Zeng,
- Abstract要約: Whole-Slide Image (WSI) は癌予後を推定するための重要なツールである。
本稿では,知識伝達へのパラダイムシフトを行い,WSIにおけるクロス・カンサー・プログノーシスの知識伝達に関する最初の予備的かつ体系的な研究を示す。
- 参考スコア（独自算出の注目度）: 26.98955103296043
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Whole-Slide Image (WSI) is an important tool for estimating cancer prognosis. Current studies generally follow a conventional cancer-specific paradigm where one cancer corresponds to one model. However, it naturally struggles to scale to rare tumors and cannot utilize the knowledge of other cancers. Although a multi-task learning-like framework has been studied recently, it usually has high demands on computational resources and needs considerable costs in iterative training on ultra-large multi-cancer WSI datasets. To this end, this paper makes a paradigm shift to knowledge transfer and presents the first preliminary yet systematic study on cross-cancer prognosis knowledge transfer in WSIs, called CROPKT. It has three major parts: (i) we curate a large dataset (UNI2-h-DSS) with 26 cancers and use it to measure the transferability of WSI-based prognostic knowledge across different cancers (including rare tumors); (ii) beyond a simple evaluation merely for benchmark, we design a range of experiments to gain deeper insights into the underlying mechanism of transferability; (iii) we further show the utility of cross-cancer knowledge transfer, by proposing a routing-based baseline approach (ROUPKT) that could often efficiently utilize the knowledge transferred from off-the-shelf models of other cancers. We hope CROPKT could serve as an inception and lay the foundation for this nascent paradigm, i.e., WSI-based prognosis prediction with cross-cancer knowledge transfer. Our source code is available at https://github.com/liupei101/CROPKT.
- Abstract（参考訳）: Whole-Slide Image (WSI) は癌予後を推定するための重要なツールである。
最近の研究は一般的に、1つのがんが1つのモデルに対応する従来のがん特異的パラダイムに従っている。
しかし、まれな腫瘍へのスケーリングに苦慮し、他のがんの知識を活用できない。
近年、マルチタスク学習のようなフレームワークが研究されているが、通常は計算資源の要求が高く、超大型のマルチカメラWSIデータセットの反復トレーニングにかなりのコストがかかる。
この目的のために,本論文は知識伝達へのパラダイムシフトを行い,WSIにおいてCROPKTと呼ばれる,クロス・カンサー・プログノーシスの知識伝達に関する最初の予備的かつ体系的な研究を提示する。
主な部分は3つある。
(i)26のがんを伴う大データセット(UNI2-h-DSS)をキュレートし、WSIに基づく異なるがん(まれな腫瘍を含む)間の予後知識の伝達性を測定する。
(ii) 単にベンチマークのためだけの単純な評価の他に, 伝達可能性のメカニズムに関する深い洞察を得るために, 様々な実験を設計する。
(3)他のがんの市販モデルから移行した知識を効率的に活用できるルーティングベースのベースラインアプローチ(ROUPKT)を提案することにより,がん間知識伝達の有用性をさらに明らかにする。
我々は、CROPKTが発端として機能し、この誕生したパラダイムの基盤となることを願っている。
ソースコードはhttps://github.com/liupei101/CROPKT.comで公開されています。
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。