論文の概要: Evaluating New AI Cell Foundation Models on Challenging Kidney Pathology Cases Unaddressed by Previous Foundation Models
- arxiv url: http://arxiv.org/abs/2510.01287v1
- Date: Wed, 01 Oct 2025 00:38:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-03 16:59:20.791758
- Title: Evaluating New AI Cell Foundation Models on Challenging Kidney Pathology Cases Unaddressed by Previous Foundation Models
- Title（参考訳）: 狂犬病治療におけるAI細胞基盤モデルの評価 : 既往のファンデーションモデルによる検討
- Authors: Runchen Wang, Junlin Guo, Siqi Lu, Ruining Deng, Zhengyi Lu, Yanfan Zhu, Yuechen Yang, Chongyu Qu, Yu Wang, Shilin Zhao, Catie Chang, Mitchell Wilkes, Mengmeng Yin, Haichun Yang, Yuankai Huo,
- Abstract要約: 正確な細胞核のセグメンテーションは、腎病理における下流のタスクに重要である。
我々は、2024年以前に開発された3つの広く使われている細胞基盤モデルに対して、高度なAI細胞基盤モデルをベンチマークした。
CellViT++ [Virchow] は,2,091個の試行錯誤サンプルに対して "Good" と評価された40.3%の予測で,スタンドアローンのパフォーマンスが最も高い。
- 参考スコア（独自算出の注目度）: 7.770106550946461
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate cell nuclei segmentation is critical for downstream tasks in kidney pathology and remains a major challenge due to the morphological diversity and imaging variability of renal tissues. While our prior work has evaluated early-generation AI cell foundation models in this domain, the effectiveness of recent cell foundation models remains unclear. In this study, we benchmark advanced AI cell foundation models (2025), including CellViT++ variants and Cellpose-SAM, against three widely used cell foundation models developed prior to 2024, using a diverse large-scale set of kidney image patches within a human-in-the-loop rating framework. We further performed fusion-based ensemble evaluation and model agreement analysis to assess the segmentation capabilities of the different models. Our results show that CellViT++ [Virchow] yields the highest standalone performance with 40.3% of predictions rated as "Good" on a curated set of 2,091 challenging samples, outperforming all prior models. In addition, our fused model achieves 62.2% "Good" predictions and only 0.4% "Bad", substantially reducing segmentation errors. Notably, the fusion model (2025) successfully resolved the majority of challenging cases that remained unaddressed in our previous study. These findings demonstrate the potential of AI cell foundation model development in renal pathology and provide a curated dataset of challenging samples to support future kidney-specific model refinement.
- Abstract（参考訳）: 正確な細胞核セグメンテーションは、腎病理の下流作業において重要であり、腎組織の形態的多様性と画像的多様性のために依然として大きな課題である。
我々の以前の研究は、この領域における初期世代のAI細胞基盤モデルを評価してきたが、最近の細胞基盤モデルの有効性は未だ不明である。
本研究では,2024年以前に開発されたCellViT++とCellpose-SAMを含む先進的なAI細胞基盤モデル(2025)を,ヒト・イン・ザ・ループ評価フレームワーク内の腎画像パッチの多種多様な大規模セットを用いてベンチマークした。
さらに,異なるモデルのセグメンテーション能力を評価するために,融合に基づくアンサンブル評価とモデル合意解析を行った。
この結果から,CellViT++ [Virchow] は,2,091個の試行錯誤サンプルに対して,40.3%の予測を "Good" と評価し,すべての先行モデルを上回った。
さらに, 融合モデルでは62.2%の"Good"予測と0.4%の"Bad"予測が達成され, セグメンテーションエラーを大幅に低減した。
とくに、2025年の融合モデルでは、これまでの研究で未解決であった課題のほとんどを解決できた。
これらの結果は, 腎病理学におけるAI細胞基盤モデル開発の可能性を示し, 将来の腎特異的モデル改良を支援するために, 挑戦的なサンプルを収集したデータセットを提供する。
関連論文リスト
- TEDDY: A Family Of Foundation Models For Understanding Single Cell Biology [6.289686541194788]
既存の基礎モデルでは、ダウンストリームアプリケーションにおいてタスク固有のモデルよりもわずかに改善されるか、改善されない。
トレーニング前のデータセットを1億1600万セルにスケールアップしました。
我々は,トランスフォーマーをベースとした6つの単一セルファウンデーションモデル,7000万,1億6000万,4億のパラメータからなるTEDDYモデルのファミリーを訓練した。
論文 参考訳（メタデータ） (2025-03-05T13:24:57Z) - Merging synthetic and real embryo data for advanced AI predictions [69.07284335967019]
我々は、作成した2つのデータセットを用いて、2つの生成モデルをトレーニングし、既存の1つのデータセットを使用して、様々な細胞レベルで合成胚画像を生成する。
これらは実画像と組み合わせて、胚細胞ステージ予測のための分類モデルを訓練した。
その結果,実データと合成画像を組み合わせることで分類性能が向上し,実データのみをトレーニングした場合の94.5%に比べて97%の精度が得られた。
論文 参考訳（メタデータ） (2024-12-02T08:24:49Z) - CRTRE: Causal Rule Generation with Target Trial Emulation Framework [47.2836994469923]
ターゲットトライアルエミュレーションフレームワーク(CRTRE)を用いた因果ルール生成という新しい手法を提案する。
CRTREは、アソシエーションルールの因果効果を推定するためにランダム化トライアル設計原則を適用している。
次に、病気発症予測などの下流アプリケーションにそのような関連ルールを組み込む。
論文 参考訳（メタデータ） (2024-11-10T02:40:06Z) - How Good Are We? Evaluating Cell AI Foundation Models in Kidney Pathology with Human-in-the-Loop Enrichment [11.60167559546617]
AI基盤モデルのトレーニングは、現実の医療課題に対処するための、有望な大規模学習アプローチとして登場した。
これらのモデルの多くは、疾患の診断や組織定量化などのタスクのために開発されたが、単一の臓器内の核分割のような最も単純なタスクに展開するための準備が整っていないことは確かである。
本稿では、最近の細胞基盤モデルの性能をキュレートされたデータセット上で徹底的に評価することにより、この重要な疑問である「我々はどのくらい良いのか?」に答えようとしている。
論文 参考訳（メタデータ） (2024-10-31T17:00:33Z) - Benchmarking foundation models as feature extractors for weakly-supervised computational pathology [0.6151041580858937]
肺, 大腸癌, 胃癌, 乳癌13例の病理組織学的基盤モデルを用いて, 6,818例, 9,528例の病理組織学的検討を行った。
視覚言語基礎モデルであるCONCHは、視覚のみの基礎モデルと比較して最高性能を示し、Virchow2は第2位である。
論文 参考訳（メタデータ） (2024-08-28T14:34:45Z) - Assessment of Cell Nuclei AI Foundation Models in Kidney Pathology [11.60167559546617]
この研究は、これまでで最大規模の評価であり、我々の知る限り、これまでで最大規模の評価である。
評価モデルのうち,CellViTは腎病理におけるセグメンテーション核の優れた性能を示した。
しかし、どの基礎モデルも完璧ではなく、腎臓病理学の一般的な核分割における性能ギャップは依然として残っている。
論文 参考訳（メタデータ） (2024-08-09T22:34:13Z) - CoNIC Challenge: Pushing the Frontiers of Nuclear Detection,
Segmentation, Classification and Counting [46.45578907156356]
我々は、核分裂と細胞組成を評価するために、その種の最大の利用可能なデータセットを用いて、コミュニティ全体の課題をセットアップする。
大腸組織1,658枚の全スライディング画像を用いて,トップパフォーマンスモデルに基づく広範囲な組織解析を行った。
腫瘍微小環境において,核および好酸球が重要な役割を担っていることが示唆された。
論文 参考訳（メタデータ） (2023-03-11T01:21:13Z) - On the explainability of hospitalization prediction on a large COVID-19
patient dataset [45.82374977939355]
我々は、新型コロナウイルス陽性の米国の患者の大規模な(110ドル以上)コホートでの入院を予測するために、さまざまなAIモデルを開発した。
高いデータアンバランスにもかかわらず、モデルは平均精度0.96-0.98 (0.75-0.85)、リコール0.96-0.98 (0.74-0.85)、F_score097-0.98 (0.79-0.83)に達する。
論文 参考訳（メタデータ） (2021-10-28T10:23:38Z) - 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) - Improved Techniques for Training Score-Based Generative Models [104.20217659157701]
本研究では,高次元空間におけるスコアモデルからの学習とサンプリングに関する新しい理論的解析を行う。
スコアベースの生成モデルを前例のない解像度で画像に拡張することができる。
我々のスコアベースモデルは、様々な画像データセットで最良クラスGANに匹敵する高忠実度サンプルを生成することができる。
論文 参考訳（メタデータ） (2020-06-16T09:17:17Z)
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。