論文の概要: From Linear Probing to Joint-Weighted Token Hierarchy: A Foundation Model Bridging Global and Cellular Representations in Biomarker Detection

• arxiv url: http://arxiv.org/abs/2511.05150v1
• Date: Fri, 07 Nov 2025 11:05:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-10 21:00:44.736976
• Title: From Linear Probing to Joint-Weighted Token Hierarchy: A Foundation Model Bridging Global and Cellular Representations in Biomarker Detection
• Title（参考訳）: 線形探索から共同重み付きトークン階層へ:バイオマーカー検出におけるグローバルおよびセル表現をブリッジする基礎モデル
• Authors: Jingsong Liu, Han Li, Nassir Navab, Peter J. Schüffler,
• Abstract要約: AIベースのバイオマーカーは、ヘマトキシリンとエオシン(H&E)スライドから直接分子的特徴を推測することができる。 ほとんどの病理基盤モデル(PFM)は、グローバルなパッチレベルの埋め込みに依存し、細胞レベルの形態を見落としている。 本稿では,大規模自己教師型事前学習とセル中心のポストチューニングとアテンションプールを統合し,局所トークンとグローバルトークンを融合させるPFMモデルJWTHを提案する。
• 参考スコア（独自算出の注目度）: 44.3895875409365
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: AI-based biomarkers can infer molecular features directly from hematoxylin & eosin (H&E) slides, yet most pathology foundation models (PFMs) rely on global patch-level embeddings and overlook cell-level morphology. We present a PFM model, JWTH (Joint-Weighted Token Hierarchy), which integrates large-scale self-supervised pretraining with cell-centric post-tuning and attention pooling to fuse local and global tokens. Across four tasks involving four biomarkers and eight cohorts, JWTH achieves up to 8.3% higher balanced accuracy and 1.2% average improvement over prior PFMs, advancing interpretable and robust AI-based biomarker detection in digital pathology.
• Abstract（参考訳）: AIベースのバイオマーカーは、ヘマトキシリンとエオシン(H&E)スライドから直接分子の特徴を推測することができるが、ほとんどの病理基盤モデル(PFM)は、グローバルなパッチレベルの埋め込みに依存し、細胞レベルの形態を見落としている。 本稿では,PFMモデルであるJWTH(Joint-Weighted Token Hierarchy)について述べる。 4つのバイオマーカーと8つのコホートを含む4つのタスクの中で、JWTHは最大8.3%のバランスの取れた精度と、以前のPFMよりも1.2%の平均的な改善を達成し、デジタル病理学における解釈可能で堅牢なAIベースのバイオマーカーの検出を進めた。

関連論文リスト

• A Machine Learning Pipeline for Multiple Sclerosis Biomarker Discovery: Comparing explainable AI and Traditional Statistical Approaches [35.18016233072556]
  多発性硬化症(MS)におけるバイオマーカー発見のための機械学習パイプラインを提案する。 頑健な前処理の後、ベイズ探索により最適化されたXGBoost分類器を訓練した。 以上の結果より,SHAPとDEAの重なり合いと特異なバイオマーカーの両者が明らかとなり,相補的強度が示唆された。 この研究は、説明可能なAI(xAI)と従来の統計手法を組み合わせることの価値を強調し、疾患のメカニズムについて深い洞察を得る。
  論文  参考訳（メタデータ） (2025-09-26T15:31:34Z)
• The Next Layer: Augmenting Foundation Models with Structure-Preserving and Attention-Guided Learning for Local Patches to Global Context Awareness in Computational Pathology [23.32822092398391]
  本稿では,予測と解釈性の向上を目的とした構造保存型注意誘導型MILアーキテクチャであるEAGLE-Netを提案する。 3種類のがんタイプ(10,260スライド)と7種類のがんタイプ(4,172スライド)を含む大規模な膵がんデータセットでベンチマークを行った。
  論文  参考訳（メタデータ） (2025-08-27T14:19:38Z)
• FoundBioNet: A Foundation-Based Model for IDH Genotyping of Glioma from Multi-Parametric MRI [1.4249472316161877]
  我々は,多パラメータMRIから非侵襲的にIDH変異を予測できるFoundBioNet(FoundBioNet)を提案する。 1705人のグリオーマ患者を6つの公開データセットから多施設で訓練し, 評価した。 我々のモデルは、EGD、TCGA、Ivy GAP、RHUH、UPennの独立したテストセットに対して90.58%、88.08%、65.41%、および80.31%のAUCを達成した。
  論文  参考訳（メタデータ） (2025-08-09T00:08:10Z)
• Finetuning and Quantization of EEG-Based Foundational BioSignal Models on ECG and PPG Data for Blood Pressure Estimation [46.36100528165335]
  光胸腺撮影と心電図は、連続血圧モニタリング(BP)を可能にする可能性がある。 しかし、データ品質と患者固有の要因の変化のため、正確で堅牢な機械学習(ML)モデルは依然として困難である。 本研究では,1つのモータリティで事前学習したモデルを効果的に利用して,異なる信号タイプの精度を向上させる方法について検討する。 本手法は, 拡張期BPの最先端精度を約1.5倍に向上し, 拡張期BPの精度を1.5倍に向上させる。
  論文  参考訳（メタデータ） (2025-02-10T13:33:12Z)
• Augmenting Biomedical Named Entity Recognition with General-domain Resources [47.24727904076347]
  ニューラルネットワークに基づくバイオメディカル名前付きエンティティ認識(BioNER)モデルのトレーニングは通常、広範囲でコストのかかる人的アノテーションを必要とする。 GERBERAは、一般ドメインのNERデータセットをトレーニングに利用した、単純なyet効率の手法である。 我々は,81,410インスタンスからなる8つのエンティティタイプの5つのデータセットに対して,GERBERAを体系的に評価した。
  論文  参考訳（メタデータ） (2024-06-15T15:28:02Z)
• Deep Learning Predicts Biomarker Status and Discovers Related Histomorphology Characteristics for Low-Grade Glioma [21.281553456323998]
  低次グリオーマ(LGG)の診断と治療にはバイオマーカー検出が不可欠である ヘマトキシリンとエオシンを含む全スライド画像とスライドレベルのバイオマーカーステータスラベルを用いて,LGGの5つのバイオマーカーの状態を予測するための解釈可能なディープラーニングパイプラインを提案する。 我々のパイプラインはバイオマーカー予測の新しいアプローチを提供するだけでなく、LGG患者に対する分子治療の適用性を高めるだけでなく、分子機能とLGGの進行の新たなメカニズムの発見を促進する。
  論文  参考訳（メタデータ） (2023-10-11T13:05:33Z)
• Bi-level Contrastive Learning for Knowledge-Enhanced Molecule Representations [68.32093648671496]
  分子に固有の二重レベル構造を考慮に入れたGODEを導入する。 分子は固有のグラフ構造を持ち、より広い分子知識グラフ内のノードとして機能する。 異なるグラフ構造上の2つのGNNを事前学習することにより、GODEは対応する知識グラフサブ構造と分子構造を効果的に融合させる。
  論文  参考訳（メタデータ） (2023-06-02T15:49:45Z)

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。