論文の概要: nnMIL: A generalizable multiple instance learning framework for computational pathology

• arxiv url: http://arxiv.org/abs/2511.14907v1
• Date: Tue, 18 Nov 2025 20:56:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-20 15:51:28.527387
• Title: nnMIL: A generalizable multiple instance learning framework for computational pathology
• Title（参考訳）: nnMIL: コンピュータ病理学のための一般化可能な複数インスタンス学習フレームワーク
• Authors: Xiangde Luo, Jinxi Xiang, Yuanfeng Ji, Ruijiang Li,
• Abstract要約: nnMILは、パッチレベルの基礎モデルと堅牢なスライドレベルの臨床推論を結びつける学習フレームワークである。 nnMILは、疾患診断、組織学的サブタイプ、分子バイオマーカー検出、パンガン予後予測において、既存のMIL法よりも一貫して優れていた。 結論として、nnMILは、病理基盤モデルを臨床的に有意義な予測に翻訳するための実用的で一般化可能なソリューションを提供する。
• 参考スコア（独自算出の注目度）: 11.640858438464159
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Computational pathology holds substantial promise for improving diagnosis and guiding treatment decisions. Recent pathology foundation models enable the extraction of rich patch-level representations from large-scale whole-slide images (WSIs), but current approaches for aggregating these features into slide-level predictions remain constrained by design limitations that hinder generalizability and reliability. Here, we developed nnMIL, a simple yet broadly applicable multiple-instance learning framework that connects patch-level foundation models to robust slide-level clinical inference. nnMIL introduces random sampling at both the patch and feature levels, enabling large-batch optimization, task-aware sampling strategies, and efficient and scalable training across datasets and model architectures. A lightweight aggregator performs sliding-window inference to generate ensemble slide-level predictions and supports principled uncertainty estimation. Across 40,000 WSIs encompassing 35 clinical tasks and four pathology foundation models, nnMIL consistently outperformed existing MIL methods for disease diagnosis, histologic subtyping, molecular biomarker detection, and pan- cancer prognosis prediction. It further demonstrated strong cross-model generalization, reliable uncertainty quantification, and robust survival stratification in multiple external cohorts. In conclusion, nnMIL offers a practical and generalizable solution for translating pathology foundation models into clinically meaningful predictions, advancing the development and deployment of reliable AI systems in real-world settings.
• Abstract（参考訳）: コンピュータ病理学は診断の改善と治療決定の導出に大いに貢献する。 近年の病理基盤モデルでは、大規模な全スライド画像(WSI)からリッチパッチレベルの表現を抽出できるようになっているが、これらの特徴をスライドレベルの予測に集約するための現在のアプローチは、一般化可能性や信頼性を妨げる設計上の制約によって制限されている。 そこで我々は,パッチレベルの基礎モデルと堅牢なスライドレベルの臨床推論を結びつける,シンプルで広く適用可能なマルチインスタンス学習フレームワークnnMILを開発した。 nnMILはパッチレベルと機能レベルの両方でランダムサンプリングを導入し、大規模なバッチ最適化、タスク対応サンプリング戦略、データセットとモデルアーキテクチャ間の効率的でスケーラブルなトレーニングを可能にしている。 軽量アグリゲータは、スライディングウインドウ推論を行い、アンサンブルスライドレベルの予測を生成し、原理的不確実性推定をサポートする。 35の臨床的タスクと4つの病理基盤モデルを含む4万件のWSIのうち、nMILは、疾患診断、組織学的サブタイプ、分子バイオマーカー検出、パン癌予後予測において、既存のMIL法よりも一貫して優れていた。 さらに、複数の外部コホートにおいて、強いクロスモデル一般化、確実な不確実性定量化、頑健な生存層化が示された。 結論として、nnMILは、病理基盤モデルを臨床的に意味のある予測に翻訳するための実用的で一般化可能なソリューションを提供する。

関連論文リスト

• Adaptive Diagnostic Reasoning Framework for Pathology with Multimodal Large Language Models [34.28963665009494]
  本稿では,自己学習パラダイムを確立するための解釈可能なフレームワークRECAP-PATHを提案する。 既成のマルチモーダルな大規模言語モデルから、受動的パターン認識からエビデンスにリンクされた診断推論へと移行する。 この自己学習アプローチでは、小さなラベル付きセットのみを必要とし、がん診断を生成するためのホワイトボックスアクセスやウェイト更新は不要である。
  論文  参考訳（メタデータ） (2025-11-15T03:06:59Z)
• Diagnose Like A REAL Pathologist: An Uncertainty-Focused Approach for Trustworthy Multi-Resolution Multiple Instance Learning [5.073978768018109]
  マルチインスタンス学習(MIL)は、AI中心の診断支援のための実行可能なソリューションとして、研究の焦点を絞っている。 病理学者の診察行動をよりよく模倣した不確実性焦点校正型MIL (UFC-MIL) を提案する。 UFC-MILは、最先端の手法に匹敵する分類精度を保ちながら、モデルのキャリブレーションにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2025-11-09T16:02:13Z)
• Benchmarking Foundation Models and Parameter-Efficient Fine-Tuning for Prognosis Prediction in Medical Imaging [40.35825564674249]
  本研究では,基礎モデルにおける伝達学習戦略の堅牢性と効率性を評価するための最初の構造化されたベンチマークを紹介する。 新型コロナウイルス(COVID-19)の胸部X線データセットが4つ使用されており、死亡率、重症度、入院率をカバーしている。 一般またはバイオメディカルデータセットで事前訓練されたImageNetとFMで事前訓練されたCNNは、完全な微調整、線形探索、パラメータ効率のよい手法を用いて適応された。
  論文  参考訳（メタデータ） (2025-06-23T09:16:04Z)
• Leveraging Embedding Techniques in Multimodal Machine Learning for Mental Illness Assessment [0.8458496687170665]
  うつ病やPTSDなどの精神疾患の世界的な流行は、客観的でスケーラブルな診断ツールを必要とする。 本稿では、テキスト、音声、ビデオデータに相補的な情報を活用することで、これらの課題に対処するためのマルチモーダル機械学習の可能性を検討する。 大規模言語モデル予測の新たな統合を含む,データレベル,機能レベル,意思決定レベルの融合技術について検討する。
  論文  参考訳（メタデータ） (2025-04-02T14:19:06Z)
• Continually Evolved Multimodal Foundation Models for Cancer Prognosis [50.43145292874533]
  がん予後は、患者の予後と生存率を予測する重要なタスクである。 これまでの研究では、臨床ノート、医療画像、ゲノムデータなどの多様なデータモダリティを統合し、補完的な情報を活用している。 既存のアプローチには2つの大きな制限がある。まず、各病院の患者記録など、各種のトレーニングに新しく到着したデータを組み込むことに苦慮する。 第二に、ほとんどのマルチモーダル統合手法は単純化された結合やタスク固有のパイプラインに依存しており、モダリティ間の複雑な相互依存を捉えることができない。
  論文  参考訳（メタデータ） (2025-01-30T06:49:57Z)
• XAI for In-hospital Mortality Prediction via Multimodal ICU Data [57.73357047856416]
  マルチモーダルICUデータを用いて病院内死亡率を予測するための,効率的で説明可能なAIソリューションを提案する。 我々は,臨床データから異種入力を受信し,意思決定を行うマルチモーダル・ラーニングを我々のフレームワークに導入する。 我々の枠組みは、医療研究において重要な要素の発見を容易にする他の臨床課題に容易に移行することができる。
  論文  参考訳（メタデータ） (2023-12-29T14:28:04Z)
• AdvMIL: Adversarial Multiple Instance Learning for the Survival Analysis on Whole-Slide Images [12.09957276418002]
  本稿では,新しい逆多重インスタンス学習(AdvMIL)フレームワークを提案する。 このフレームワークは、WSI表現学習に非常に必要な多重インスタンス学習(MIL)を統合する。 実験の結果,AdvMILは比較的低コストで主要なWSIサバイバル分析手法に性能改善をもたらすだけでなく,半教師付き学習によるラベルなしデータの有効活用を可能にした。
  論文  参考訳（メタデータ） (2022-12-13T12:02:05Z)
• 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)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)
• UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
  我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。 非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
  論文  参考訳（メタデータ） (2020-10-22T02:28:11Z)

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。