論文の概要: Colorectal Cancer Histopathological Grading using Multi-Scale Federated Learning

• arxiv url: http://arxiv.org/abs/2511.03693v1
• Date: Wed, 05 Nov 2025 18:18:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-06 18:19:32.516884
• Title: Colorectal Cancer Histopathological Grading using Multi-Scale Federated Learning
• Title（参考訳）: マルチスケールフェデレーションラーニングによる大腸癌組織像の検討
• Authors: Md Ahasanul Arafath, Abhijit Kumar Ghosh, Md Rony Ahmed, Sabrin Afroz, Minhazul Hosen, Md Hasan Moon, Md Tanzim Reza, Md Ashad Alam,
• Abstract要約: 本稿では,大腸癌診断のための拡張性,プライバシ保護型フェデレーション学習フレームワークを提案する。 我々のフレームワークは全体の83.5%の精度を達成し、同等の集中型モデルよりも優れています。 提案されたモジュールパイプラインは、デジタル病理のためのデプロイ可能でプライバシに配慮した臨床AIに向けた基礎的なステップを確立する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Colorectal cancer (CRC) grading is a critical prognostic factor but remains hampered by inter-observer variability and the privacy constraints of multi-institutional data sharing. While deep learning offers a path to automation, centralized training models conflict with data governance regulations and neglect the diagnostic importance of multi-scale analysis. In this work, we propose a scalable, privacy-preserving federated learning (FL) framework for CRC histopathological grading that integrates multi-scale feature learning within a distributed training paradigm. Our approach employs a dual-stream ResNetRS50 backbone to concurrently capture fine-grained nuclear detail and broader tissue-level context. This architecture is integrated into a robust FL system stabilized using FedProx to mitigate client drift across heterogeneous data distributions from multiple hospitals. Extensive evaluation on the CRC-HGD dataset demonstrates that our framework achieves an overall accuracy of 83.5%, outperforming a comparable centralized model (81.6%). Crucially, the system excels in identifying the most aggressive Grade III tumors with a high recall of 87.5%, a key clinical priority to prevent dangerous false negatives. Performance further improves with higher magnification, reaching 88.0% accuracy at 40x. These results validate that our federated multi-scale approach not only preserves patient privacy but also enhances model performance and generalization. The proposed modular pipeline, with built-in preprocessing, checkpointing, and error handling, establishes a foundational step toward deployable, privacy-aware clinical AI for digital pathology.
• Abstract（参考訳）: 大腸癌(CRC)グレーディングは重要な予後因子であるが、サーバ間変動と多施設間データ共有のプライバシー制約によって妨げられている。 ディープラーニングは自動化への道を提供するが、集中型トレーニングモデルはデータガバナンスの規制と矛盾し、マルチスケール分析の診断の重要性を無視している。 本研究では,分散学習パラダイム内にマルチスケールな特徴学習を統合するCRC組織学的評価のための,スケーラブルでプライバシ保護型フェデレーション学習(FL)フレームワークを提案する。 提案手法では,2ストリームのResNetRS50バックボーンを用いて,微細な核の詳細と組織レベルのコンテキストを同時に捕捉する。 このアーキテクチャは、FedProxを使用して安定化された堅牢なFLシステムに統合され、複数の病院からの異種データ分散に対するクライアントのドリフトを緩和する。 CRC-HGDデータセットの大規模な評価は、我々のフレームワークが全体の83.5%の精度を達成し、同等の集中型モデル(81.6%)を上回っていることを示している。 重要な点として、このシステムは最も攻撃的なグレードIII腫瘍を87.5%の高リコールで同定することに優れており、これは危険な偽陰性の予防に重要な臨床上の優先事項である。 性能はさらに向上し、40倍の精度で88.0%に達する。 これらの結果から,フェデレートされたマルチスケールアプローチは患者のプライバシを保持するだけでなく,モデルの性能や一般化も向上することがわかった。 提案されたモジュールパイプラインは、プレプロセス、チェックポイント、エラー処理を組み込んだもので、デジタル病理のためのデプロイ可能でプライバシに配慮した臨床AIに向けた基礎的なステップを確立している。

関連論文リスト

• DB-FGA-Net: Dual Backbone Frequency Gated Attention Network for Multi-Class Brain Tumor Classification with Grad-CAM Interpretability [0.0]
  本稿では、VGG16とXceptionをFGAブロックと統合した二重バックボーンネットワークを提案する。 本モデルでは,可変サイズおよび分散データセットに対するロバスト性を示す拡張を伴わず,最先端のパフォーマンスを実現する。 さらに透明性を高めるため、Grad-CAMはモデルが予測している腫瘍領域を可視化するために統合され、モデル予測と臨床解釈可能性のギャップを埋める。
  論文  参考訳（メタデータ） (2025-10-23T07:39:00Z)
• Multi-pathology Chest X-ray Classification with Rejection Mechanisms [36.0596663889937]
  ディープラーニングモデルの過信は、高精細度の医療画像タスクにおいて重大なリスクをもたらす。 本研究では,DenseNet-121バックボーンを用いた胸部X線診断のための不確実性認識フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-12T15:36:26Z)
• A Disease-Centric Vision-Language Foundation Model for Precision Oncology in Kidney Cancer [54.58205672910646]
  RenalCLIPは、腎腫瘤の特徴、診断、予後のための視覚言語基盤モデルである。 腎がんの完全な臨床ワークフローにまたがる10のコアタスクにおいて、優れたパフォーマンスと優れた一般化性を実現した。
  論文  参考訳（メタデータ） (2025-08-22T17:48:19Z)
• An Agentic System for Rare Disease Diagnosis with Traceable Reasoning [69.46279475491164]
  大型言語モデル(LLM)を用いた最初のまれな疾患診断エージェントシステムであるDeepRareを紹介する。 DeepRareは、まれな疾患の診断仮説を分類し、それぞれに透明な推論の連鎖が伴う。 このシステムは2,919の疾患に対して異常な診断性能を示し、1013の疾患に対して100%の精度を達成している。
  論文  参考訳（メタデータ） (2025-06-25T13:42:26Z)
• OCT-SelfNet: A Self-Supervised Framework with Multi-Modal Datasets for Generalized and Robust Retinal Disease Detection [2.3349787245442966]
  本研究は、眼疾患を検出するための自己教師付き堅牢な機械学習フレームワークであるOCT-SelfNetに貢献する。 本手法は,自己指導型事前学習と教師型微調整を組み合わせた2段階学習手法を用いてこの問題に対処する。 AUC-PR測定では,提案手法は42%を超え,ベースラインに比べて10%以上の性能向上を示した。
  論文  参考訳（メタデータ） (2024-01-22T20:17:14Z)
• Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites: A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
  深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。 我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。 また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
  論文  参考訳（メタデータ） (2023-08-31T00:36:10Z)
• Domain Transfer Through Image-to-Image Translation for Uncertainty-Aware Prostate Cancer Classification [42.75911994044675]
  前立腺MRIの非対位画像翻訳のための新しいアプローチと臨床的に重要なPCaを分類するための不確実性認識トレーニングアプローチを提案する。 提案手法では,無ペアの3.0T多パラメータ前立腺MRIを1.5Tに翻訳し,利用可能なトレーニングデータを増強する。 実験の結果,提案手法は,従来の研究に比べてAUC(Area Under ROC Curve)を20%以上改善することがわかった。
  論文  参考訳（メタデータ） (2023-07-02T05:26:54Z)
• Federated attention consistent learning models for prostate cancer diagnosis and Gleason grading [23.911710601714162]
  本研究は,大規模病理画像にまつわる課題に対処する,集中型注意一貫性学習フレームワークを提案する。 多発性前立腺癌19,461枚の全スライディング画像を用いて, がん診断およびGleason grading タスクにおけるFACLの有効性を検討した。
  論文  参考訳（メタデータ） (2023-02-13T04:17:47Z)

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。