論文の概要: Ensemble learning of foundation models for precision oncology

• arxiv url: http://arxiv.org/abs/2508.16085v1
• Date: Fri, 22 Aug 2025 04:36:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-25 16:42:36.251617
• Title: Ensemble learning of foundation models for precision oncology
• Title（参考訳）: 精度オンコロジーのための基礎モデルのアンサンブル学習
• Authors: Xiangde Luo, Xiyue Wang, Feyisope Eweje, Xiaoming Zhang, Sen Yang, Ryan Quinton, Jinxi Xiang, Yuchen Li, Yuanfeng Ji, Zhe Li, Yijiang Chen, Colin Bergstrom, Ted Kim, Francesca Maria Olguin, Kelley Yuan, Matthew Abikenari, Andrew Heider, Sierra Willens, Sanjeeth Rajaram, Robert West, Joel Neal, Maximilian Diehn, Ruijiang Li,
• Abstract要約: ELF(Ensemble Learning of Foundation Model)は,5つの最先端の病理基盤モデルを統合し,統合されたスライドレベル表現を生成する新しいフレームワークである。 ELFは、すべての構成基盤モデルと既存のスライドレベルモデルに一貫して優れており、精度と堅牢性に優れていた。
• 参考スコア（独自算出の注目度）: 19.813705315667438
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Histopathology is essential for disease diagnosis and treatment decision-making. Recent advances in artificial intelligence (AI) have enabled the development of pathology foundation models that learn rich visual representations from large-scale whole-slide images (WSIs). However, existing models are often trained on disparate datasets using varying strategies, leading to inconsistent performance and limited generalizability. Here, we introduce ELF (Ensemble Learning of Foundation models), a novel framework that integrates five state-of-the-art pathology foundation models to generate unified slide-level representations. Trained on 53,699 WSIs spanning 20 anatomical sites, ELF leverages ensemble learning to capture complementary information from diverse models while maintaining high data efficiency. Unlike traditional tile-level models, ELF's slide-level architecture is particularly advantageous in clinical contexts where data are limited, such as therapeutic response prediction. We evaluated ELF across a wide range of clinical applications, including disease classification, biomarker detection, and response prediction to major anticancer therapies, cytotoxic chemotherapy, targeted therapy, and immunotherapy, across multiple cancer types. ELF consistently outperformed all constituent foundation models and existing slide-level models, demonstrating superior accuracy and robustness. Our results highlight the power of ensemble learning for pathology foundation models and suggest ELF as a scalable and generalizable solution for advancing AI-assisted precision oncology.
• Abstract（参考訳）: 病理は疾患の診断と治療の意思決定に不可欠である。 人工知能(AI)の最近の進歩により、大規模全スライド画像(WSI)からリッチな視覚表現を学習する病理基盤モデルの開発が可能になった。 しかし、既存のモデルは様々な戦略を用いて異なるデータセットで訓練されることが多く、一貫性のない性能と限定的な一般化性がもたらされる。 本稿では、5つの最先端の病理基盤モデルを統合した新しいフレームワークであるELF(Ensemble Learning of Foundation Model)を紹介し、スライドレベルの統一表現を生成する。 20の解剖学的部位にまたがる53,699のWSIでトレーニングされたELFは、アンサンブル学習を活用して、さまざまなモデルから補完的な情報をキャプチャし、高いデータ効率を維持している。 従来のタイルレベルのモデルとは異なり、ELFのスライドレベルのアーキテクチャは、治療応答予測など、データが制限された臨床状況において特に有利である。 疾患分類,バイオマーカー検出,主要な抗がん療法に対する反応予測,細胞傷害化学療法,標的療法,免疫療法など,多種多様な臨床応用について検討した。 ELFは、すべての構成基盤モデルと既存のスライドレベルモデルに一貫して優れており、精度と堅牢性を示している。 本結果は,病理基盤モデルにおけるアンサンブル学習のパワーを強調し,AI支援精度オンコロジーの進展のためのスケーラブルで一般化可能なソリューションとしてELFを提案する。

関連論文リスト

• DermINO: Hybrid Pretraining for a Versatile Dermatology Foundation Model [69.20140430678092]
  DermNIOは皮膚科学の多目的基盤モデルである。 自己教師型学習パラダイムを増強する、新しいハイブリッド事前学習フレームワークが組み込まれている。 さまざまなタスクにおいて、最先端のモデルよりも一貫して優れています。
  論文  参考訳（メタデータ） (2025-08-17T00:41:39Z)
• Clinical NLP with Attention-Based Deep Learning for Multi-Disease Prediction [44.0876796031468]
  本稿では,電子健康記録テキストの非構造的性質と高次元意味論的複雑さがもたらす課題について論じる。 情報抽出と多ラベル病予測のための統合モデリングを実現するために,注意機構に基づく深層学習手法を提案する。
  論文  参考訳（メタデータ） (2025-07-02T07:45:22Z)
• Benchmarking Foundation Models and Parameter-Efficient Fine-Tuning for Prognosis Prediction in Medical Imaging [26.589728923739596]
  我々は、新型コロナウイルス患者の臨床結果を予測するために、畳み込みニューラルネットワークとファンデーションモデルの伝達可能性を評価し、比較した。 評価は、広範囲にわたるフルデータシナリオと、より現実的なFew-Shot Learning設定の両方を含む、複数の学習パラダイムで実施された。
  論文  参考訳（メタデータ） (2025-06-23T09:16:04Z)
• Are foundation models useful feature extractors for electroencephalography analysis? [9.413178499853156]
  脳波を用いた医療時系列分析における基礎モデルの有効性について検討する。 分析の結果,基礎モデルは意味のある脳波の特徴を抽出し,ドメイン適応を伴わずとも特化モデルに優れ,タスク固有のバイオマーカーをローカライズすることがわかった。
  論文  参考訳（メタデータ） (2025-02-28T14:21:34Z)
• Molecular-driven Foundation Model for Oncologic Pathology [6.922502805825084]
  スライドレベルの基盤モデルであるThreadsを導入し、任意のサイズの全スライド画像の普遍的な表現を生成する。 スレッドは47,171ヘマトキシリンとエオシン(H&E)染色組織分画の多モード学習法を用いて事前訓練を行った。
  論文  参考訳（メタデータ） (2025-01-28T02:35:02Z)
• Towards A Generalizable Pathology Foundation Model via Unified Knowledge Distillation [41.25398139658467]
  現在の基礎モデルは限定型とタスク数でのみ評価されており、その一般化能力と全体的な性能は不明確である。 本研究は,6つの異なる臨床タスクタイプにわたる既成基礎モデルの性能を評価するためのベンチマークを構築した。 本稿では, エキスパートと自己知識の双方からなる統合された知識蒸留フレームワークを提案し, モデルが複数のエキスパートモデルの知識から学べるようにした。
  論文  参考訳（メタデータ） (2024-07-26T01:12:54Z)
• Fairness Evolution in Continual Learning for Medical Imaging [47.52603262576663]
  本研究では、ドメイン固有の公平度指標を用いてタスク間でバイアスがどのように進化し、異なるCL戦略がこの進化にどのように影響するかを検討する。 以上の結果から,擬似ラベルと擬似ラベルの学習は最適分類性能を実現するが,擬似ラベルの偏りは小さいことが示唆された。
  論文  参考訳（メタデータ） (2024-04-10T09:48:52Z)
• Ensembling Handcrafted Features with Deep Features: An Analytical Study for Classification of Routine Colon Cancer Histopathological Nuclei Images [13.858624044986815]
  我々は,F1-measure,Precision,Recall,AUC,Cross-Entropy Lossを用いて,提案手法の性能解析を行った。 以上の結果から,DL特徴のアンサンブルがモデル全体の性能を著しく向上させることが明らかとなった。
  論文  参考訳（メタデータ） (2022-02-22T06:48:50Z)
• A multi-stage machine learning model on diagnosis of esophageal manometry [50.591267188664666]
  このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。 これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
  論文  参考訳（メタデータ） (2021-06-25T20:09:23Z)
• An Optimal Control Approach to Learning in SIDARTHE Epidemic model [67.22168759751541]
  本研究では,疫病データから動的コンパートメンタルモデルの時間変化パラメータを学習するための一般的な手法を提案する。 我々はイタリアとフランスの疫病の進化を予報する。
  論文  参考訳（メタデータ） (2020-10-28T10:58:59Z)

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。