論文の概要: Self-supervised large-scale kidney abnormality detection in drug safety assessment studies

• arxiv url: http://arxiv.org/abs/2509.00131v1
• Date: Fri, 29 Aug 2025 14:13:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 15:17:03.098081
• Title: Self-supervised large-scale kidney abnormality detection in drug safety assessment studies
• Title（参考訳）: 薬物安全性評価研究における自己監督型大規模腎異常検出
• Authors: Ivan Slootweg, Natalia P. García-De-La-Puente, Geert Litjens, Salma Dammak,
• Abstract要約: 今回,腎毒性疾患に対する自己監督型自己監督型異常検出モデルについて紹介する。 また,同一機能に適用した自己教師型手法により,より高精度な性能が得られることを示す。
• 参考スコア（独自算出の注目度）: 1.8803849113863373
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Kidney abnormality detection is required for all preclinical drug development. It involves a time-consuming and costly examination of hundreds to thousands of whole-slide images per drug safety study, most of which are normal, to detect any subtle changes indicating toxic effects. In this study, we present the first large-scale self-supervised abnormality detection model for kidney toxicologic pathology, spanning drug safety assessment studies from 158 compounds. We explore the complexity of kidney abnormality detection on this scale using features extracted from the UNI foundation model (FM) and show that a simple k-nearest neighbor classifier on these features performs at chance, demonstrating that the FM-generated features alone are insufficient for detecting abnormalities. We then demonstrate that a self-supervised method applied to the same features can achieve better-than-chance performance, with an area under the receiver operating characteristic curve of 0.62 and a negative predictive value of 89%. With further development, such a model can be used to rule out normal slides in drug safety assessment studies, reducing the costs and time associated with drug development.
• Abstract（参考訳）: 腎臓の異常検出は、すべての前臨床薬の開発に必要である。 薬の安全性研究にあたり、何百から何千ものスライディング画像の検査に要する時間と費用がかかり、その多くは正常で、有害な影響を示す微妙な変化を検出する。 本研究では,158化合物の薬物安全性評価研究を対象とし,腎毒性疾患に対する自己監督型自己監督型異常検出モデルについて検討した。 UNIファンデーションモデル(FM)から抽出した特徴を用いて腎臓の異常検出の複雑さを考察し,これらの特徴の簡単なk-nearest近傍分類器が偶然に機能し,FM生成した特徴だけでは異常検出に不十分であることを示す。 次に,同一機能に適用した自己教師型手法により,受信機動作特性曲線0.62以下の領域と負の予測値89%の領域において,より精度の高い性能が得られることを示す。 さらなる開発では、医薬品の安全性評価研究における通常のスライドを排除し、医薬品開発に関連するコストと時間を削減できる。

関連論文リスト

• Enhancing Wrist Fracture Detection with YOLO [3.2049746597433746]
  この研究では、最先端の単一ステージのディープニューラルネットワークに基づく検出モデルYOLOv5、YOLOv6、YOLOv7、YOLOv8を用いて、手首の異常を検出する。 これらのYOLOモデルは, フラクチャー検出において, 一般的に使われている2段検出アルゴリズムであるFaster R-CNNよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2024-07-17T14:21:53Z)
• Enhancing Diagnostic Reliability of Foundation Model with Uncertainty Estimation in OCT Images [41.002573031087856]
  光コヒーレンストモグラフィー(OCT)における11個の網膜状態を検出するために,不確実性推定(FMUE)を用いた基礎モデルを開発した。 FMUEは2つの最先端アルゴリズムであるRETFoundとUIOSよりも96.76%高いF1スコアを獲得し、しきい値戦略を98.44%に改善した。 我々のモデルは、F1スコアが高い2人の眼科医(95.17%対61.93% &71.72%)より優れている。
  論文  参考訳（メタデータ） (2024-06-18T03:04:52Z)
• GAIA: Delving into Gradient-based Attribution Abnormality for Out-of-distribution Detection [40.07502368794068]
  In-distriion(ID)データとout-of-distriion(OOD)データの相違を定量化するための革新的な視点を提供する。 OOD検出にはゼロデフレ異常とチャネルワイド平均異常の2種類の異常を導入する。 GAIAの有効性は、一般的に使用されるCIFARと大規模(ImageNet-1k)ベンチマークの両方で検証される。
  論文  参考訳（メタデータ） (2023-11-16T07:05:12Z)
• You've Got Two Teachers: Co-evolutionary Image and Report Distillation for Semi-supervised Anatomical Abnormality Detection in Chest X-ray [33.272751884183556]
  公的なMIMIC-CXRベンチマークの実験結果は、CEIRDがいくつかの最新の弱い半教師付き手法に優れていることを示す。
  論文  参考訳（メタデータ） (2023-07-18T12:18:21Z)
• Cross Attention Transformers for Multi-modal Unsupervised Whole-Body PET Anomaly Detection [1.0098107825681861]
  18F-フルオロデオキシグルコース(18F-fluorodeoxyglucose)は、がんを検出するために一般的に用いられる画像モダリティである。 汎用的識別性癌検出モデルの訓練は困難である。 教師なし異常検出モデルは仮定解として提案されている。
  論文  参考訳（メタデータ） (2023-04-14T14:15:27Z)
• StRegA: Unsupervised Anomaly Detection in Brain MRIs using a Compact Context-encoding Variational Autoencoder [48.2010192865749]
  教師なし異常検出(UAD)は、健康な被験者の異常なデータセットからデータ分布を学習し、分布サンプルの抽出に応用することができる。 本研究では,コンテクストエンコーディング(context-encoding)VAE(ceVAE)モデルのコンパクトバージョンと,前処理と後処理のステップを組み合わせて,UADパイプライン(StRegA)を作成することを提案する。 提案したパイプラインは、BraTSデータセットのT2w画像と0.859$pm$0.112の腫瘍を検出しながら、Diceスコアが0.642$pm$0.101に達した。
  論文  参考訳（メタデータ） (2022-01-31T14:27:35Z)
• Risk factor identification for incident heart failure using neural network distillation and variable selection [24.366241122862473]
  リスク関連同定のための確立されたディープラーニングモデルによって学習された隠れたパターンを解く2つの方法を提案する。 788,880例(8.3%の心不全)のコホートが検討された。 モデル蒸留では, 心不全に関連する598例と379例を, 人口レベルでそれぞれ同定した。 これらの重要な集団レベルの知見に加えて, 臨床における心不全の出現を考慮し, 個人レベルでの解釈へのアプローチを開発した。
  論文  参考訳（メタデータ） (2021-02-17T10:20:38Z)
• Critical Evaluation of Deep Neural Networks for Wrist Fracture Detection [1.0617212070722408]
  関節リウマチは最も頻度の高い骨折である。 近年のDeep Learning(DL)分野の進歩は、畳み込みニューラルネットワークを用いて手首骨折検出を自動化できることを示している。 以上の結果から,DeepWristのような最先端のアプローチは,挑戦的なテストセットにおいて大幅に性能が低下していることが判明した。
  論文  参考訳（メタデータ） (2020-12-04T13:35:36Z)
• Learning Global and Local Features of Normal Brain Anatomy for Unsupervised Abnormality Detection [35.15777802684473]
  脳磁気共鳴画像における画素ワイド異常検出のための教師なし学習フレームワークを実証した。 画像再構成ネットワークが正常な解剖のグローバルな特徴を忠実に再現できるなら、見えない画像の異常な病変を識別できる。 以上の結果より, 転移性脳腫瘍, 頭蓋外転移腫瘍, 術後の空洞, 構造変化は0.78, 0.61, 0.91, 0.60であった。
  論文  参考訳（メタデータ） (2020-05-26T08:46:32Z)

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。