論文の概要: Evaluating Foundation Models with Pathological Concept Learning for Kidney Cancer

• arxiv url: http://arxiv.org/abs/2509.25552v1
• Date: Mon, 29 Sep 2025 22:21:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-01 17:09:04.350729
• Title: Evaluating Foundation Models with Pathological Concept Learning for Kidney Cancer
• Title（参考訳）: 腎癌に対する病理概念学習による基礎モデルの評価
• Authors: Shangqi Gao, Sihan Wang, Yibo Gao, Boming Wang, Xiahai Zhuang, Anne Warren, Grant Stewart, James Jones, Mireia Crispin-Ortuzar,
• Abstract要約: 腎癌に焦点をあてた病理概念学習アプローチを開発した。 TNMステージングガイドラインと病理報告を活用することで,腎癌に対する包括的病態概念を構築した。 腎癌生存解析における本手法の有効性を実証する。
• 参考スコア（独自算出の注目度）: 14.392596166900638
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: To evaluate the translational capabilities of foundation models, we develop a pathological concept learning approach focused on kidney cancer. By leveraging TNM staging guidelines and pathology reports, we build comprehensive pathological concepts for kidney cancer. Then, we extract deep features from whole slide images using foundation models, construct pathological graphs to capture spatial correlations, and trained graph neural networks to identify these concepts. Finally, we demonstrate the effectiveness of this approach in kidney cancer survival analysis, highlighting its explainability and fairness in identifying low- and high-risk patients. The source code has been released by https://github.com/shangqigao/RadioPath.
• Abstract（参考訳）: 基礎モデルの翻訳能力を評価するため,腎癌を中心とした病理概念学習アプローチを開発した。 TNMステージングガイドラインと病理報告を活用することで,腎癌に対する包括的病態概念を構築した。 そこで我々は,基礎モデルを用いてスライド画像全体から深い特徴を抽出し,空間相関を捉えるために病理グラフを構築し,これらの概念を識別するために訓練されたグラフニューラルネットワークを構築した。 最後に、腎癌生存分析におけるこのアプローチの有効性を実証し、低リスク患者と高リスク患者を識別する上で、その説明可能性と公平性を強調した。 ソースコードはhttps://github.com/shangqigao/RadioPath.comからリリースされた。

関連論文リスト

• A Knowledge-enhanced Pathology Vision-language Foundation Model for Cancer Diagnosis [58.85247337449624]
  本稿では,疾患知識を階層型セマンティックグループ内のアライメントに組み込む知識強化型視覚言語事前学習手法を提案する。 KEEPはゼロショット癌診断タスクにおいて最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-12-17T17:45:21Z)
• Improving Cancer Imaging Diagnosis with Bayesian Networks and Deep Learning: A Bayesian Deep Learning Approach [0.0]
  本稿では,Deep LearningとBayesian Networkの予測モデルの背後にある理論について考察する。 画像の分類における健康産業におけるベイズ深層学習のアプローチの適用と正確性について分析する。
  論文  参考訳（メタデータ） (2024-03-28T01:27:10Z)
• Digital Histopathology with Graph Neural Networks: Concepts and Explanations for Clinicians [54.136225756724755]
  GCExplainerとLogic Explained Networksを用いて,グラフニューラルネットワークのグローバルな説明を行う。 乳がんのH&Eスライドのトレーニングにより、臨床医に説明可能な信頼できるAIツールを提供することで、有望な結果を示す。
  論文  参考訳（メタデータ） (2023-12-04T00:20:50Z)
• Histopathologic Cancer Detection [0.0]
  この作業では、PatchCamelyonベンチマークデータセットを使用して、モデルをマルチレイヤのパーセプトロンと畳み込みモデルでトレーニングし、精度の高いリコール、F1スコア、精度、AUCスコアでモデルのパフォーマンスを観察する。 また,データ拡張を伴うResNet50とInceptionNetモデルを導入し,ResNet50が最先端モデルに勝てることを示す。
  論文  参考訳（メタデータ） (2023-11-13T19:51:46Z)
• Robust and Interpretable Medical Image Classifiers via Concept Bottleneck Models [49.95603725998561]
  本稿では,自然言語の概念を用いた堅牢で解釈可能な医用画像分類器を構築するための新しいパラダイムを提案する。 具体的には、まず臨床概念をGPT-4から検索し、次に視覚言語モデルを用いて潜在画像の特徴を明示的な概念に変換する。
  論文  参考訳（メタデータ） (2023-10-04T21:57:09Z)
• Visual Interpretable and Explainable Deep Learning Models for Brain Tumor MRI and COVID-19 Chest X-ray Images [0.0]
  我々は、ディープニューラルネットワークが医療画像をどのように分析するかを照らすための属性手法を評価する。 我々は近年の深層畳み込みニューラルネットワークモデルによる脳腫瘍MRIと新型コロナウイルス胸部X線データセットからの予測を属性とした。
  論文  参考訳（メタデータ） (2022-08-01T16:05:14Z)
• Stain based contrastive co-training for histopathological image analysis [61.87751502143719]
  本稿では,ヒストリボリューション画像の分類のための,新しい半教師付き学習手法を提案する。 我々は、半教師付き学習フレームワークを作成するために、パッチレベルのアノテーションと、新しいコトレーニング損失を併用した強力な監視を採用する。 透明細胞腎細胞および前立腺癌に対するアプローチを評価し,最先端の半教師あり学習法の改善を実証した。
  論文  参考訳（メタデータ） (2022-06-24T22:25:31Z)
• A Survey on Graph-Based Deep Learning for Computational Histopathology [36.58189530598098]
  我々は、デジタル病理と生検画像パッチの分析に機械学習と深層学習の利用が急速に拡大しているのを目撃した。 畳み込みニューラルネットワークを用いたパッチワイド機能に関する従来の学習は、グローバルなコンテキスト情報をキャプチャしようとする際のモデルを制限する。 本稿では,グラフに基づく深層学習の概念的基盤を提供し,腫瘍の局在と分類,腫瘍浸潤とステージング,画像検索,生存予測の現在の成功について論じる。
  論文  参考訳（メタデータ） (2021-07-01T07:50:35Z)
• Visualization for Histopathology Images using Graph Convolutional Neural Networks [1.8939984161954087]
  我々は、組織組織を核のグラフとしてモデル化するアプローチを採用し、疾患診断のためのグラフ畳み込みネットワークフレームワークを開発した。 我々は,浸潤性乳癌とin-situ性乳癌の鑑別を訓練し,Gleason 3, 4前立腺癌は解釈可能なビジュアルマップを生成する。
  論文  参考訳（メタデータ） (2020-06-16T19:14:19Z)
• Gleason Grading of Histology Prostate Images through Semantic Segmentation via Residual U-Net [60.145440290349796]
  前立腺癌の最終診断は、病理学者による前立腺生検におけるGleasonパターンの視覚的検出に基づいている。 コンピュータ支援診断システムは、組織内のがんのパターンを分類し分類することができる。 この研究の方法論的核心は、がん組織を分節できる残留ブロックで修正された画像分割のためのU-Net畳み込みニューラルネットワークである。
  論文  参考訳（メタデータ） (2020-05-22T19:49:10Z)

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。