論文の概要: Enhancing WSI-Based Survival Analysis with Report-Auxiliary Self-Distillation

• arxiv url: http://arxiv.org/abs/2509.15608v1
• Date: Fri, 19 Sep 2025 05:14:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-22 18:18:11.008516
• Title: Enhancing WSI-Based Survival Analysis with Report-Auxiliary Self-Distillation
• Title（参考訳）: WSI-based Survival Analysis with Report-Auxiliary Self-Distillation
• Authors: Zheng Wang, Hong Liu, Zheng Wang, Danyi Li, Min Cen, Baptiste Magnier, Li Liang, Liansheng Wang,
• Abstract要約: 本稿では,WSI を用いた生存分析のための新規な自己蒸留(Rasa)フレームワークを提案する。 LLM(Advanced Large Language Model)は、病理報告から細粒度のWSI関連テキスト記述を抽出するために用いられる。 次に、自己蒸留ベースのパイプラインは、学生モデルに無関係または冗長なWSI機能をフィルタリングするように設計されている。
• 参考スコア（独自算出の注目度）: 26.607553380775908
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Survival analysis based on Whole Slide Images (WSIs) is crucial for evaluating cancer prognosis, as they offer detailed microscopic information essential for predicting patient outcomes. However, traditional WSI-based survival analysis usually faces noisy features and limited data accessibility, hindering their ability to capture critical prognostic features effectively. Although pathology reports provide rich patient-specific information that could assist analysis, their potential to enhance WSI-based survival analysis remains largely unexplored. To this end, this paper proposes a novel Report-auxiliary self-distillation (Rasa) framework for WSI-based survival analysis. First, advanced large language models (LLMs) are utilized to extract fine-grained, WSI-relevant textual descriptions from original noisy pathology reports via a carefully designed task prompt. Next, a self-distillation-based pipeline is designed to filter out irrelevant or redundant WSI features for the student model under the guidance of the teacher model's textual knowledge. Finally, a risk-aware mix-up strategy is incorporated during the training of the student model to enhance both the quantity and diversity of the training data. Extensive experiments carried out on our collected data (CRC) and public data (TCGA-BRCA) demonstrate the superior effectiveness of Rasa against state-of-the-art methods. Our code is available at https://github.com/zhengwang9/Rasa.
• Abstract（参考訳）: Whole Slide Images(WSIs)に基づく生存分析は、患者の予後を予測するための詳細な顕微鏡情報を提供するため、がん予後を評価するために不可欠である。 しかし、従来のWSIベースのサバイバル分析は、通常、ノイズの多い特徴と限られたデータアクセシビリティに直面する。 病理報告は、分析を補助する豊富な患者固有の情報を提供するが、WSIベースの生存分析を強化する可能性はほとんど調査されていない。 そこで本研究では,WSI を用いた生存分析のための新しい自己蒸留法 (Rasa) フレームワークを提案する。 まず、高度大規模言語モデル(LLMs)を用いて、慎重に設計されたタスクプロンプトを介して、元のノイズのある病理報告から細粒度のWSI関連テキスト記述を抽出する。 次に、教師モデルのテキスト知識の指導の下で、生徒モデルに無関係または冗長なWSI機能をフィルタリングする自己蒸留ベースのパイプラインを設計する。 最後に、学生モデルのトレーニング中にリスク対応混合戦略を導入し、トレーニングデータの量と多様性を両立させる。 収集データ (CRC) と公開データ (TCGA-BRCA) を用いた大規模な実験により, 最先端手法に対するRasaの有効性が示された。 私たちのコードはhttps://github.com/zhengwang9/Rasa.comから入手可能です。

関連論文リスト

• SigBERT: Combining Narrative Medical Reports and Rough Path Signature Theory for Survival Risk Estimation in Oncology [1.5425688173297465]
  SigBERTは、患者1人当たりの多数の臨床報告を処理するために設計された、革新的な時間的生存分析フレームワークである。 文章埋め込みに単語埋め込みを抽出し平均化することにより、タイムスタンプ化された医療報告を処理する。 これは、L'eon B'erard Center corpusの実際の腫瘍学データセットで訓練され、独立したテストコホート上でのC-インデックススコア0.75(sd 0.014)で評価された。
  論文  参考訳（メタデータ） (2025-07-25T12:33:25Z)
• Deep Survival Analysis in Multimodal Medical Data: A Parametric and Probabilistic Approach with Competing Risks [47.19194118883552]
  単一リスクシナリオと競合リスクシナリオの両方をモデル化可能な生存分析のためのマルチモーダルディープラーニングフレームワークを提案する。 生存予測のための新しいディープラーニングアーキテクチャであるSAMVAE(Survival Analysis Multimodal Variational Autoencoder)を提案する。
  論文  参考訳（メタデータ） (2025-07-10T14:29:48Z)
• Graph-Convolutional-Beta-VAE for Synthetic Abdominal Aorta Aneurysm Generation [4.363232795241618]
  本研究は, 人工腹部大動脈瘤(AAA)生成のためのβ可変オートエンコーダグラフ畳み込みニューラルネットワークフレームワークを提案する。 提案手法は, 解剖学的特徴を抽出し, コンパクトな非絡み合い空間内での複雑な統計的関係を捉える。 合成AAAデータセットは患者のプライバシを保護し、医療研究、デバイステスト、計算モデリングのためのスケーラブルな基盤を提供する。
  論文  参考訳（メタデータ） (2025-06-16T15:55:56Z)
• Lifelong Whole Slide Image Analysis: Online Vision-Language Adaptation and Past-to-Present Gradient Distillation [1.1497371646067622]
  全スライド画像(WSI)は、正確ながん診断と予後において重要な役割を担っている。 WSIのサイズがギガピクセルであることを考えると、ストレージ、処理、モデルトレーニングの点で困難を呈している。 本稿では,全スライディング画像(WSI)解析における生涯学習を向上する手法であるADaFGradを紹介する。
  論文  参考訳（メタデータ） (2025-05-04T04:46:08Z)
• MIL vs. Aggregation: Evaluating Patient-Level Survival Prediction Strategies Using Graph-Based Learning [52.231128973251124]
  我々は,WSIおよび患者レベルでの生存を予測するための様々な戦略を比較した。 前者はそれぞれのWSIを独立したサンプルとして扱い、他の作業で採用された戦略を模倣します。 後者は、複数のWSIの予測を集約するか、最も関連性の高いスライドを自動的に識別するメソッドを含む。
  論文  参考訳（メタデータ） (2025-03-29T11:14:02Z)
• Self-Explaining Hypergraph Neural Networks for Diagnosis Prediction [45.89562183034469]
  既存のディープラーニング診断予測モデルと本質的な解釈性は、過去の診断や病院訪問の度に注意重みを割り当てることが多い。 我々は、パーソナライズされた簡潔で忠実な説明を提供するように設計された、自己説明型ハイパーグラフニューラルネットワークモデルSHyを紹介する。 SHyは高次疾患の相互作用を捉え、パーソナライズされた説明として異なる時間的表現型を抽出する。
  論文  参考訳（メタデータ） (2025-02-15T06:33:02Z)
• Interpretable Survival Analysis for Heart Failure Risk Prediction [50.64739292687567]
  現状の生存モデルと解釈可能かつ競合する新しい生存分析パイプラインを提案する。 我々のパイプラインは最先端のパフォーマンスを達成し、心不全のリスク要因に関する興味深い新しい洞察を提供する。
  論文  参考訳（メタデータ） (2023-10-24T02:56:05Z)
• Explainable Censored Learning: Finding Critical Features with Long Term Prognostic Values for Survival Prediction [28.943631598055926]
  批判変数を反復的に活用するために,Explainable CEnsored Learning (EXCEL) と呼ばれる,新規で容易にデプロイ可能なアプローチを導入する。 我々は,EXCELが重要な特徴を効果的に識別し,オリジナルモデルと同等以上の性能が得られることを示す。
  論文  参考訳（メタデータ） (2022-09-30T12:56:29Z)
• FedPseudo: Pseudo value-based Deep Learning Models for Federated Survival Analysis [9.659041001051415]
  我々はフェデプゼウドと呼ばれるフェデレーションサバイバル分析のための擬似値ベース深層学習モデルを提案する。 提案するFLフレームワークは,最良に訓練された深層生存分析モデルと同等の性能を達成している。
  論文  参考訳（メタデータ） (2022-07-12T01:10:36Z)
• Clinical Outcome Prediction from Admission Notes using Self-Supervised Knowledge Integration [55.88616573143478]
  臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。 退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。 複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
  論文  参考訳（メタデータ） (2021-02-08T10:26:44Z)
• Hemogram Data as a Tool for Decision-making in COVID-19 Management: Applications to Resource Scarcity Scenarios [62.997667081978825]
  新型コロナウイルス(COVID-19)のパンデミックは世界中の緊急対応システムに挑戦している。 本研究は, 症状患者の血液検査データから得られた機械学習モデルについて述べる。 提案されたモデルでは、新型コロナウイルスqRT-PCRの結果を、高い精度、感度、特異性で症状のある個人に予測することができる。
  論文  参考訳（メタデータ） (2020-05-10T01:45:03Z)

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。