Fugu-MT 論文翻訳(概要): Cross-Domain Validation of a Resection-Trained Self-Supervised Model on Multicentre Mesothelioma Biopsies

論文の概要: Cross-Domain Validation of a Resection-Trained Self-Supervised Model on Multicentre Mesothelioma Biopsies

arxiv url: http://arxiv.org/abs/2512.01681v1
Date: Mon, 01 Dec 2025 13:46:43 GMT
ステータス: 翻訳完了
システム内更新日: 2025-12-02 19:46:34.877101
Title: Cross-Domain Validation of a Resection-Trained Self-Supervised Model on Multicentre Mesothelioma Biopsies
Title（参考訳）: 多中心型中皮腫生検における切除訓練自己監督モデルのクロスドメイン検証
Authors: Farzaneh Seyedshahi, Francesca Damiola, Sylvie Lantuejoul, Ke Yuan, John Le Quesne,
Abstract要約: 摘出組織を訓練した自己教師型エンコーダを生検材料に適用し,有意義な形態的パターンを捉えた。このアプローチは、中皮腫の診断と治療計画を支援するAI駆動ツールの可能性を示す。
参考スコア（独自算出の注目度）: 2.2726869886741388
License: http://creativecommons.org/publicdomain/zero/1.0/
Abstract: Accurate subtype classification and outcome prediction in mesothelioma are essential for guiding therapy and patient care. Most computational pathology models are trained on large tissue images from resection specimens, limiting their use in real-world settings where small biopsies are common. We show that a self-supervised encoder trained on resection tissue can be applied to biopsy material, capturing meaningful morphological patterns. Using these patterns, the model can predict patient survival and classify tumor subtypes. This approach demonstrates the potential of AI-driven tools to support diagnosis and treatment planning in mesothelioma.
Abstract（参考訳）: メソ上皮腫の正確な亜型分類と予後予測は治療指導と患者ケアに不可欠である。ほとんどの計算病理モデルは、切除標本から得られた大きな組織画像に基づいて訓練されており、小さな生検が一般的である現実世界での使用を制限する。摘出組織を訓練した自己教師型エンコーダを生検材料に適用し,有意義な形態的パターンを捉えた。これらのパターンを用いて、モデルは患者の生存を予測し、腫瘍のサブタイプを分類することができる。このアプローチは、中皮腫の診断と治療計画を支援するAI駆動ツールの可能性を示す。

関連論文リスト

Learning from the Right Patches: A Two-Stage Wavelet-Driven Masked Autoencoder for Histopathology Representation Learning [4.281508114645598]
全スライド画像はデジタル病理の中心であるが、その極端の大きさとアノテーションが不足しているため、自己指導型学習が不可欠である。本稿では,ウェーブレットインフォームドパッチ選択戦略を通じて,MAEに基づく学習に構造と生物学的関連性をもたらす枠組みを提案する。 WISE-MAEは、弱い監督下で効率を保ちながら、競争力のある表現品質と下流分類性能を実現する。
論文参考訳（メタデータ） (2025-11-10T11:06:25Z)
Transfer Learning Strategies for Pathological Foundation Models: A Systematic Evaluation in Brain Tumor Classification [8.170992842607339]
大規模病理データセットで事前訓練された基礎モデルは、様々な診断タスクで有望な結果を示している。原発性中枢神経性リンパ腫,転移性腫瘍の5種類の悪性腫瘍について検討した。その結果,ケースごとの大規模な画像サンプリングが必要とされるという従来の前提に拘わらず,各ケースにつき10パッチ程度の堅牢な分類性能を示した。
論文参考訳（メタデータ） (2025-01-19T11:18:34Z)
Beyond attention: deriving biologically interpretable insights from weakly-supervised multiple-instance learning models [2.639541396835675]
本稿では,高精細エンコーダによるタイルレベルのアテンションと予測スコアを組み合わせたPAWマップを提案する。また, PAWマップと核分割マスクを統合することにより, 生物学的特徴のインスタンス化手法も導入する。本手法により, 予後不良の予知を行う領域は, 腫瘍部位と同一位置にあることが判明した。
論文参考訳（メタデータ） (2023-09-07T09:44:35Z)
Classification of lung cancer subtypes on CT images with synthetic pathological priors [41.75054301525535]
同症例のCT像と病理像との間には,画像パターンに大規模な関連性が存在する。肺がんサブタイプをCT画像上で正確に分類するための自己生成型ハイブリッド機能ネットワーク(SGHF-Net)を提案する。
論文参考訳（メタデータ） (2023-08-09T02:04:05Z)
Detecting Histologic & Clinical Glioblastoma Patterns of Prognostic Relevance [6.281092892485014]
グリオ芽腫は中枢神経系で最も一般的で攻撃的な悪性成人腫瘍である。 18年前に現在の標準治療を採用して以降,実質的な予後改善は認められていない。ここでは,H&E染色WSIとOSに関する臨床データから,予後関連特性の同定に焦点をあてる。
論文参考訳（メタデータ） (2023-02-01T18:56:09Z)
A Pathologist-Informed Workflow for Classification of Prostate Glands in Histopathology [62.997667081978825]
病理学者は、ガラススライド上の針生検の組織を調べて前立腺がんを診断し、診断する。がんの重症度と転移リスクは、前立腺の組織と形態に基づくスコアであるGleason gradeによって決定される。本稿では,病理学者のtextitmodus operandi に従って,個々の腺のマルチスケールパッチを分離・分類する自動ワークフローを提案する。
論文参考訳（メタデータ） (2022-09-27T14:08:19Z)
Medulloblastoma Tumor Classification using Deep Transfer Learning with Multi-Scale EfficientNets [63.62764375279861]
本稿では,エンド・ツー・エンドのMB腫瘍分類を提案し,様々な入力サイズとネットワーク次元の一致した移動学習を提案する。 161ケースのデータセットを用いて、より大規模な入力解像度を持つ事前学習されたEfficientNetが、大幅な性能改善をもたらすことを実証した。
論文参考訳（メタデータ） (2021-09-10T13:07:11Z)
G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for Biomarker Identification and Disease Classification [49.53651166356737]
診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。 2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
論文参考訳（メタデータ） (2021-01-27T19:28:04Z)
Spectral-Spatial Recurrent-Convolutional Networks for In-Vivo Hyperspectral Tumor Type Classification [49.32653090178743]
ハイパースペクトル画像とディープラーニングを用いたin-vivo腫瘍型分類の可能性を示した。我々の最良のモデルは76.3%のAUCを達成し、従来の学習手法とディープラーニング手法を著しく上回っている。
論文参考訳（メタデータ） (2020-07-02T12:00:53Z)
Weakly supervised multiple instance learning histopathological tumor segmentation [51.085268272912415]
スライド画像全体のセグメント化のための弱教師付きフレームワークを提案する。トレーニングモデルに複数のインスタンス学習スキームを利用する。提案するフレームワークは,The Cancer Genome AtlasとPatchCamelyonデータセットのマルチロケーションとマルチ中心公開データに基づいて評価されている。
論文参考訳（メタデータ） (2020-04-10T13:12:47Z)

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。