論文の概要: Information-driven Fusion of Pathology Foundation Models for Enhanced Disease Characterization

• arxiv url: http://arxiv.org/abs/2512.11104v1
• Date: Thu, 11 Dec 2025 20:38:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-15 15:48:11.565227
• Title: Information-driven Fusion of Pathology Foundation Models for Enhanced Disease Characterization
• Title（参考訳）: 病原性評価のための情報駆動型病態基盤モデルの融合
• Authors: Brennan Flannery, Thomas DeSilvio, Jane Nguyen, Satish E. Viswanath,
• Abstract要約: ファンデーションモデル(FM)は、様々な病理タスクにおいて強いパフォーマンスを示している。 本稿では,複数のFMを統一表現に統合するための情報駆動型インテリジェント融合戦略を提案する。 本研究は,病的FMのインテリジェントな相関誘導融合により,コンパクトなタスク調整表現が得られることを示唆する。
• 参考スコア（独自算出の注目度）: 0.26249027950824505
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Foundation models (FMs) have demonstrated strong performance across diverse pathology tasks. While there are similarities in the pre-training objectives of FMs, there is still limited understanding of their complementarity, redundancy in embedding spaces, or biological interpretation of features. In this study, we propose an information-driven, intelligent fusion strategy for integrating multiple pathology FMs into a unified representation and systematically evaluate its performance for cancer grading and staging across three distinct diseases. Diagnostic H&E whole-slide images from kidney (519 slides), prostate (490 slides), and rectal (200 slides) cancers were dichotomized into low versus high grade or stage. Both tile-level FMs (Conch v1.5, MUSK, Virchow2, H-Optimus1, Prov-Gigapath) and slide-level FMs (TITAN, CHIEF, MADELEINE) were considered to train downstream classifiers. We then evaluated three FM fusion schemes at both tile and slide levels: majority-vote ensembling, naive feature concatenation, and intelligent fusion based on correlation-guided pruning of redundant features. Under patient-stratified cross-validation with hold-out testing, intelligent fusion of tile-level embeddings yielded consistent gains in classification performance across all three cancers compared with the best single FMs and naive fusion. Global similarity metrics revealed substantial alignment of FM embedding spaces, contrasted by lower local neighborhood agreement, indicating complementary fine-grained information across FMs. Attention maps showed that intelligent fusion yielded concentrated attention on tumor regions while reducing spurious focus on benign regions. Our findings suggest that intelligent, correlation-guided fusion of pathology FMs can yield compact, task-tailored representations that enhance both predictive performance and interpretability in downstream computational pathology tasks.
• Abstract（参考訳）: ファンデーションモデル(FM)は、様々な病理タスクにおいて強いパフォーマンスを示している。 FMの事前学習目的には類似点があるが、相補性、埋め込み空間の冗長性、特徴の生物学的解釈についてはまだ理解が限られている。 本研究では,複数の病理組織FMを統一表現に統合する情報駆動型インテリジェントフュージョン戦略を提案し,その性能を3つの異なる疾患にまたがって評価した。 腎(519スライド),前立腺(490スライド),直腸(200スライド)癌から得られたH&E画像は,低次,高次,高次に二色化した。 タイルレベルFM(Conch v1.5, MUSK, Virchow2, H-Optimus1, Prov-Gigapath)とスライドレベルFM(TITAN, CHIEF, MADELEINE)の両方が下流分類器の訓練に用いられた。 次に, 余剰特徴の相関誘導プルーニングに基づいて, 3種類のFM融合方式をタイルレベルとスライドレベルの両方で評価した。 患者層別クロスバリデーションとホールドアウトテストでは, タイルレベル埋め込みのインテリジェントな融合は, 最高の単一FMやナイーブ融合と比較して, 3つのがんの分類性能において一貫した上昇を示した。 グローバルな類似度測定により,FMの埋め込み空間の相当なアライメントが明らかとなった。 注意図では,知能融合は腫瘍部位への注意を惹起し,良性部位への急激な焦点を減少させた。 以上の結果から,病的FMのインテリジェントな相関誘導による融合により,下流の計算病理学的タスクにおいて,予測性能と解釈可能性の両方を高めるコンパクトなタスク調整表現が得られることが示唆された。

関連論文リスト

• Proof of Concept for Mammography Classification with Enhanced Compactness and Separability Modules [0.0]
  本研究では,最近の医用画像分類手法の検証と拡張について述べる。 Inbreast、MIAS、InceptionMのマンモグラフィコレクションを統合したKaggleデータセットを使用して、ベースラインのCNN、ConvNeXt Tiny、InceptionV3のバックボーンをGAGMとSEモジュールで強化したものだ。 その結果, GAGMとSEが特徴識別性を高め, 偽陰性を低下させる効果が確認された。 しかし,本実験では,マンモグラフィの分類条件下において,特徴平滑化損失は測定不可能な改善を得られなかった。
  論文  参考訳（メタデータ） (2025-12-06T21:36:05Z)
• Fusion of Heterogeneous Pathology Foundation Models for Whole Slide Image Analysis [10.323462166785133]
  完全スライド画像(WSI)解析は、計算病理学においてますます必須の手法になりつつある。 病理基盤モデル(FM)の最近の進歩は,WSIから有意義なパッチレベルやスライドレベルの特徴表現を導出する上で,大きな優位性を示している。 本研究では,FuseCPathと呼ばれる異種病的FMの融合のための新しいフレームワークを提案し,より優れたアンサンブル性能を持つモデルを生成する。
  論文  参考訳（メタデータ） (2025-10-31T06:59:11Z)
• MedSeqFT: Sequential Fine-tuning Foundation Models for 3D Medical Image Segmentation [55.37355146924576]
  MedSeqFTは、医用画像解析のためのシーケンシャルな微調整フレームワークである。 事前訓練されたモデルを新しいタスクに適応させ、表現能力を改善する。 最先端の微調整戦略を一貫して上回ります。
  論文  参考訳（メタデータ） (2025-09-07T15:22:53Z)
• FusionFM: Fusing Eye-specific Foundational Models for Optimized Ophthalmic Diagnosis [36.79693801937608]
  ファンデーションモデル(FM)は、様々な下流タスクの一般化を改善することにより、医療画像解析において大きな可能性を秘めている。 我々の知る限り、これは単眼と融合眼のFMの両方を体系的に評価する最初の研究である。 我々は、複数の国の標準化データセットを用いて4つの最先端FMをベンチマークし、AUCとF1メトリクスを用いてそれらの性能を評価した。
  論文  参考訳（メタデータ） (2025-08-15T01:17:52Z)
• AdaFusion: Prompt-Guided Inference with Adaptive Fusion of Pathology Foundation Models [49.550545038402184]
  本稿では,新しいプロンプト誘導推論フレームワークであるAdaFusionを提案する。 本手法は,多様なモデルからタイルレベルの特徴を圧縮・整列する。 AdaFusionは、分類タスクと回帰タスクの両方にわたって、個々のPFMを一貫して上回っている。
  論文  参考訳（メタデータ） (2025-08-07T07:09:31Z)
• MIRROR: Multi-Modal Pathological Self-Supervised Representation Learning via Modality Alignment and Retention [57.044719143401664]
  病理組織学と転写学は、腫瘍学の基本的なモダリティであり、疾患の形態学的および分子的側面を包含している。 モーダルアライメントと保持を両立させる新しいマルチモーダル表現学習法であるMIRRORを提案する。 がんの亜型化と生存分析のためのTCGAコホートに関する広範囲な評価は,MIRRORの優れた性能を浮き彫りにしている。
  論文  参考訳（メタデータ） (2025-03-01T07:02:30Z)
• Multimodal Outer Arithmetic Block Dual Fusion of Whole Slide Images and Omics Data for Precision Oncology [6.418265127069878]
  本稿では, 局所(パッチレベル)から大域(スライダーレベル)の相互作用の相補的な情報を取得するために, 早期・後期融合におけるオミック埋め込みの利用を提案する。 この二重融合戦略は、解釈可能性と分類性能を高め、臨床診断の可能性を強調している。
  論文  参考訳（メタデータ） (2024-11-26T13:25:53Z)

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。