論文の概要: Adversarial Hospital-Invariant Feature Learning for WSI Patch Classification

• arxiv url: http://arxiv.org/abs/2508.14779v1
• Date: Wed, 20 Aug 2025 15:25:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-21 16:52:41.499902
• Title: Adversarial Hospital-Invariant Feature Learning for WSI Patch Classification
• Title（参考訳）: WSIパッチ分類のための逆病院不変特徴学習
• Authors: Mengliang Zhang, Jacob M. Luber,
• Abstract要約: 本研究は,病原体モデル(PFM)における病原体の特徴から生じる領域バイアスに関する最初の体系的研究である。 本稿では,エンコーダ自体を変更することなく,凍った表現から潜伏する病院特有の特徴を除去する軽量な対向フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 1.3955246652599635
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Pathology foundation models (PFMs) have demonstrated remarkable potential in whole-slide image (WSI) diagnosis. However, pathology images from different hospitals often vary due to differences in scanning hardware and preprocessing styles, which may lead PFMs to inadvertently learn hospital-specific features, posing risks for clinical deployment. In this work, we present the first systematic study of domain bias in PFMs arising from hospital source characteristics. Specifically, we (1) construct a pipeline for quantifying domain bias in PFMs, (2) evaluate and compare the performance of multiple models, and (3) propose a lightweight adversarial framework that removes latent hospital-specific features from frozen representations without modifying the encoder itself. By introducing a trainable adapter and a domain classifier connected through a gradient reversal layer (GRL), our method learns task-discriminative yet domain-invariant representations. Experiments on multi-center histopathology datasets demonstrate that our approach substantially reduces domain predictability while maintaining or even improving disease classification performance, particularly in out-of-domain (unseen hospital) scenarios. Further analyses, including hospital detection and feature space visualization, confirm the effectiveness of our method in mitigating hospital bias. We will provide our code based on acceptance.
• Abstract（参考訳）: 病理基盤モデル(PFM)は,全スライディング画像(WSI)の診断において顕著な可能性を示した。 しかし、異なる病院の病理画像は、スキャンハードウェアと前処理スタイルの違いにより、しばしば異なるため、PSMが病院固有の特徴を不注意に学習し、臨床展開のリスクを生じさせる可能性がある。 本研究は,病院のソース特性から生じるPFMの領域バイアスに関する最初の体系的研究である。 具体的には,(1)PFMにおけるドメインバイアスを定量化するためのパイプラインを構築し,(2)複数のモデルの性能を評価し,比較し,(3)エンコーダ自体を変更することなく,潜伏する病院特有の特徴を凍結表現から除去する軽量な逆向きフレームワークを提案する。 グラデーション・リバーサル・レイヤ(GRL)を介して接続されたトレーニング可能なアダプタとドメイン分類器を導入することにより,本手法はタスク識別的だがドメイン不変表現を学習する。 マルチセンターの病理組織学的データセットを用いた実験により,本手法は疾患分類性能の維持や改善,特に外来(病院)のシナリオにおいて,領域の予測可能性を大幅に低下させることが示された。 病院検出と特徴空間の可視化を含むさらなる分析により,病院バイアス軽減のための方法の有効性が確認された。 私たちは受け入れに基づいてコードを提供します。

関連論文リスト

• UGPL: Uncertainty-Guided Progressive Learning for Evidence-Based Classification in Computed Tomography [0.0]
  現在のアプローチでは、画像が一様に処理され、局所的な異常を検出する能力が制限される。 グローバル-ローカル分析を行う不確実性誘導型プログレッシブラーニングフレームワークであるUGPLを紹介する。 3つのCTデータセットに対する実験により、UGPLは最先端のメソッドを一貫して上回っていることが示された。
  論文  参考訳（メタデータ） (2025-07-18T17:30:56Z)
• Towards Accurate and Interpretable Neuroblastoma Diagnosis via Contrastive Multi-scale Pathological Image Analysis [16.268045905735818]
  病理画像分類に適したコントラスト学習に基づくマルチスケール機能融合モデルであるCMSwinKANを提案する。 マルチスケールの特徴を融合させ、対照的な学習戦略を活用することで、CMSwinKANは臨床医の包括的なアプローチを模倣する。 その結果、CMSwinKANは、既存の最先端の病理モデルよりも、大規模なデータセットで事前訓練されたモデルよりもパフォーマンスがよいことが示された。
  論文  参考訳（メタデータ） (2025-04-18T15:39:46Z)
• PathSegDiff: Pathology Segmentation using Diffusion model representations [63.20694440934692]
  そこで我々は,Latent Diffusion Models (LDMs) を事前学習した特徴抽出器として活用する,病理組織像分割の新しい手法であるPathSegDiffを提案する。 本手法は,H&E染色組織像から多彩な意味情報を抽出するために,自己教師型エンコーダによって誘導される病理特異的LCMを用いる。 本実験は,BCSSおよびGlaSデータセットにおける従来の手法よりも大幅に改善されたことを示す。
  論文  参考訳（メタデータ） (2025-04-09T14:58:21Z)
• ASPS: Augmented Segment Anything Model for Polyp Segmentation [77.25557224490075]
  SAM(Segment Anything Model)は、ポリープセグメンテーションに先例のないポテンシャルを導入している。 SAMのTransformerベースの構造は、グローバルおよび低周波情報を優先する。 CFAはトレーニング可能なCNNエンコーダブランチと凍結したViTエンコーダを統合し、ドメイン固有の知識の統合を可能にする。
  論文  参考訳（メタデータ） (2024-06-30T14:55:32Z)
• Adapting Visual-Language Models for Generalizable Anomaly Detection in Medical Images [68.42215385041114]
  本稿では,CLIPモデルを用いた医用異常検出のための軽量な多レベル適応と比較フレームワークを提案する。 提案手法では,複数の残像アダプタを事前学習した視覚エンコーダに統合し,視覚的特徴の段階的向上を実現する。 医学的異常検出ベンチマーク実験により,本手法が現在の最先端モデルを大幅に上回っていることが示された。
  論文  参考訳（メタデータ） (2024-03-19T09:28:19Z)
• ALFA -- Leveraging All Levels of Feature Abstraction for Enhancing the Generalization of Histopathology Image Classification Across Unseen Hospitals [2.8443044931144845]
  本研究では, 画像分類の一般化性の向上を目標とし, 機能抽象化のレベルをすべて活用する包括的手法を提案する。 本手法では, テキストタスクとして機能する病理組織学シナリオにおいて, 共通の分布変化を伴う拡張ベースの自己スーパービジョンを取り入れた。
  論文  参考訳（メタデータ） (2023-08-07T22:39:44Z)
• Rethinking Semi-Supervised Medical Image Segmentation: A Variance-Reduction Perspective [51.70661197256033]
  医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。 まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。 5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
  論文  参考訳（メタデータ） (2023-02-03T13:50:25Z)
• Hospital-Agnostic Image Representation Learning in Digital Pathology [0.7412445894287709]
  デジタル病理学における全スライド画像(WSI)は、がんの亜型を診断するために用いられる。 各種試験場でのWSI取得手順の違いは,病理組織像の変動を引き起こす。 本研究では,DNN(Deep Neural Network)の一般化能力向上のために,ドメイン一般化手法を活用する。
  論文  参考訳（メタデータ） (2022-04-05T11:45:46Z)
• Improving Classification Model Performance on Chest X-Rays through Lung Segmentation [63.45024974079371]
  本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。 提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
  論文  参考訳（メタデータ） (2022-02-22T15:24:06Z)
• Cross-Site Severity Assessment of COVID-19 from CT Images via Domain Adaptation [64.59521853145368]
  CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。 ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。 この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
  論文  参考訳（メタデータ） (2021-09-08T07:56:51Z)

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。