論文の概要: Multimodal Posterior Sampling-based Uncertainty in PD-L1 Segmentation from H&E Images

• arxiv url: http://arxiv.org/abs/2511.11486v1
• Date: Fri, 14 Nov 2025 17:05:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-17 22:42:18.736907
• Title: Multimodal Posterior Sampling-based Uncertainty in PD-L1 Segmentation from H&E Images
• Title（参考訳）: H&E画像からのPD-L1セグメンテーションにおけるマルチモーダル後部サンプリングに基づく不確かさ
• Authors: Roman Kinakh, Gonzalo R. Ríos-Muñoz, Arrate Muñoz-Barrutia,
• Abstract要約: 本稿では,H&E染色組織像から直接PD-L1の発現を推定するベイズ分類フレームワークnnUNet-Bを提案する。 肺扁平上皮癌のデータセットを用いて,本手法は確立された基線に対する競合性を示す。 これらの結果は、不確実性を考慮したH&EベースのPD-L1予測が、スケーラブルで解釈可能なバイオマーカー評価への有望なステップであることを示唆している。
• 参考スコア（独自算出の注目度）: 0.4697971908036153
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate assessment of PD-L1 expression is critical for guiding immunotherapy, yet current immunohistochemistry (IHC) based methods are resource-intensive. We present nnUNet-B: a Bayesian segmentation framework that infers PD-L1 expression directly from H&E-stained histology images using Multimodal Posterior Sampling (MPS). Built upon nnUNet-v2, our method samples diverse model checkpoints during cyclic training to approximate the posterior, enabling both accurate segmentation and epistemic uncertainty estimation via entropy and standard deviation. Evaluated on a dataset of lung squamous cell carcinoma, our approach achieves competitive performance against established baselines with mean Dice Score and mean IoU of 0.805 and 0.709, respectively, while providing pixel-wise uncertainty maps. Uncertainty estimates show strong correlation with segmentation error, though calibration remains imperfect. These results suggest that uncertainty-aware H&E-based PD-L1 prediction is a promising step toward scalable, interpretable biomarker assessment in clinical workflows.
• Abstract（参考訳）: PD-L1発現の正確な評価は、免疫療法の指針として重要であるが、現在の免疫組織化学(IHC)に基づく手法は資源集約的である。 本稿では,H&E-stained histology image から直接 PD-L1 を推定するベイズ分類フレームワーク nnUNet-B について述べる。 本手法は, nUNet-v2に基づいて, サイクリックトレーニング中の様々なモデルチェックポイントを抽出し, 後方部を近似し, エントロピーと標準偏差による正確なセグメンテーションとてんかん不確実性評価の両立を可能にする。 肺扁平上皮癌のデータセットを用いて,Dice Score の平均値と 0.805 と 0.709 の IoU の平均値とを比較検討した。 不確実性推定はセグメンテーション誤差と強い相関を示すが、キャリブレーションは不完全なままである。 これらの結果は,不確実性を考慮したH&EベースのPD-L1予測が,臨床ワークフローにおけるスケーラブルで解釈可能なバイオマーカー評価への有望な一歩であることを示唆している。

関連論文リスト

• Uncertainty Quantified Deep Learning and Regression Analysis Framework for Image Segmentation of Skin Cancer Lesions [0.0]
  深層学習モデル(DLM)は、しばしば医療画像から正確な腫瘍の分類と分類を行う。 DLMは、Dice係数やパフォーマンスへの自信などのイメージセグメンテーションメカニズムに対するフィードバックを欠いているが、現実の臨床環境では目に見えない画像を処理する場合、課題に直面している。 本研究は2つのDLMについて報告する。1つはスクラッチから訓練し、もう1つは転写学習に基づいて、モンテカルロのドロップアウトまたはベイズ・バイ・バックプロップ不確かさを、一般に公開されているThe International Skin Imaging Collaboration-19 dermoscopy image databaseから推定する。
  論文  参考訳（メタデータ） (2024-12-28T04:06:44Z)
• EDUE: Expert Disagreement-Guided One-Pass Uncertainty Estimation for Medical Image Segmentation [1.757276115858037]
  本稿では,医用画像分割のためのエキスパート診断誘導不確実性推定(EDUE)を提案する。 複数のラッカーからの接地構文アノテーションの可変性を活用することにより、トレーニング中のモデルをガイドし、ランダムサンプリングに基づく戦略を取り入れ、校正信頼性を高める。
  論文  参考訳（メタデータ） (2024-03-25T10:13:52Z)
• Bayesian Uncertainty Estimation by Hamiltonian Monte Carlo: Applications to Cardiac MRI Segmentation [3.0665936758208447]
  深層学習法は多くの医用画像セグメンテーションタスクにおいて最先端の性能を達成した。 最近の研究では、ディープニューラルネットワーク(DNN)が誤解され、過信され、"サイレント障害"につながることが示されている。 医療データ増大に対応するため,Hachian Monte Carlo (HMC) を用いたベイズ学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-03-04T18:47:56Z)
• Rethinking Semi-Supervised Medical Image Segmentation: A Variance-Reduction Perspective [51.70661197256033]
  医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。 まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。 5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
  論文  参考訳（メタデータ） (2023-02-03T13:50:25Z)
• Towards Reliable Medical Image Segmentation by Modeling Evidential Calibrated Uncertainty [57.023423137202485]
  医用画像のセグメンテーションの信頼性に関する懸念が臨床医の間で続いている。 本稿では,医療画像セグメンテーションネットワークにシームレスに統合可能な,実装が容易な基礎モデルであるDEviSを紹介する。 主観的論理理論を活用することで、医用画像分割の確率と不確実性を明示的にモデル化する。
  論文  参考訳（メタデータ） (2023-01-01T05:02:46Z)
• Improving Classification Model Performance on Chest X-Rays through Lung Segmentation [63.45024974079371]
  本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。 提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
  論文  参考訳（メタデータ） (2022-02-22T15:24:06Z)
• Inconsistency-aware Uncertainty Estimation for Semi-supervised Medical Image Segmentation [92.9634065964963]
  我々は、不確実性推定と個別の自己学習戦略に基づいて、新しい半教師付きセグメンテーションモデル、すなわち保守的ラディカルネットワーク(CoraNet)を提案する。 現在の技術と比較すると、ColaNetは優れたパフォーマンスを示しています。
  論文  参考訳（メタデータ） (2021-10-17T08:49:33Z)
• Deep Learning with Uncertainty Quantification for Predicting the Segmentation Dice Coefficient of Prostate Cancer Biopsy Images [0.7499722271664147]
  深層学習モデル(DLM)は病理組織像の分類と分類において最先端のパフォーマンスを達成することができる。 DLMの不確実性推定は、さらなるレビューを必要とする予測や画像を特定することによって信頼を高めることができる。 本研究は,無作為重量法とモンテカルロ下降法を用いて不確実性評価を訓練したDLMを用いて,顕微鏡的ヘマトキシリンおよびエオシン色素染色前立腺核生検組織像RGB画像から腫瘍を分離した。
  論文  参考訳（メタデータ） (2021-08-31T23:38:17Z)

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。