論文の概要: DA-SSL: self-supervised domain adaptor to leverage foundational models in turbt histopathology slides

• arxiv url: http://arxiv.org/abs/2512.13600v1
• Date: Mon, 15 Dec 2025 17:53:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-16 17:54:56.789126
• Title: DA-SSL: self-supervised domain adaptor to leverage foundational models in turbt histopathology slides
• Title（参考訳）: DA-SSL: 歯槽組織学スライドにおける基礎モデルを活用する自己教師型ドメイン適応器
• Authors: Haoyue Zhang, Meera Chappidi, Erolcan Sayar, Helen Richards, Zhijun Chen, Lucas Liu, Roxanne Wadia, Peter A Humphrey, Fady Ghali, Alberto Contreras-Sanz, Peter Black, Jonathan Wright, Stephanie Harmon, Michael Haffner,
• Abstract要約: ドメイン適応型自己制御型アダプタ(DA-SSL)は、基礎モデル自体を微調整することなく、事前訓練されたPFM機能をTURBTドメインに組み込む。 以上の結果から, DA-SSLはPFMベースのMILパイプラインを効果的に拡張し, 臨床病理学的課題を克服できる可能性が示唆された。
• 参考スコア（独自算出の注目度）: 4.799377483689239
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Recent deep learning frameworks in histopathology, particularly multiple instance learning (MIL) combined with pathology foundational models (PFMs), have shown strong performance. However, PFMs exhibit limitations on certain cancer or specimen types due to domain shifts - these cancer types were rarely used for pretraining or specimens contain tissue-based artifacts rarely seen within the pretraining population. Such is the case for transurethral resection of bladder tumor (TURBT), which are essential for diagnosing muscle-invasive bladder cancer (MIBC), but contain fragmented tissue chips and electrocautery artifacts and were not widely used in publicly available PFMs. To address this, we propose a simple yet effective domain-adaptive self-supervised adaptor (DA-SSL) that realigns pretrained PFM features to the TURBT domain without fine-tuning the foundational model itself. We pilot this framework for predicting treatment response in TURBT, where histomorphological features are currently underutilized and identifying patients who will benefit from neoadjuvant chemotherapy (NAC) is challenging. In our multi-center study, DA-SSL achieved an AUC of 0.77+/-0.04 in five-fold cross-validation and an external test accuracy of 0.84, sensitivity of 0.71, and specificity of 0.91 using majority voting. Our results demonstrate that lightweight domain adaptation with self-supervision can effectively enhance PFM-based MIL pipelines for clinically challenging histopathology tasks. Code is Available at https://github.com/zhanghaoyue/DA_SSL_TURBT.
• Abstract（参考訳）: 病理組織学における近年の深層学習フレームワーク,特にMIL(Multiple Case Learning)と病理基礎モデル(PFM)の併用は,高い性能を示している。 しかしながら、PFMは、ドメインシフトによる特定のがんや検体の種類に制限がある。 膀胱腫瘍 (TURBT) の経尿道的切除は, 筋浸潤性膀胱癌 (MIBC) の診断に必須であるが, 断片化組織チップや電気凝固物は含まれておらず, 一般には使用されていない。 そこで本研究では,基礎モデル自体を微調整することなく,事前学習されたPFM機能をTURBTドメインに組み込む,シンプルで効果的なドメイン適応型自己制御型適応器(DA-SSL)を提案する。 TURBTでは,現在組織学的特徴が不十分であり,ネオアジュバント化学療法(NAC)の恩恵を受ける患者を特定することが困難である。 マルチセンター調査において、DA-SSLは5倍のクロスバリデーションで0.77+/-0.04、外部テスト精度0.84、感度0.71、多数決投票で0.91のAUCを達成した。 以上の結果から, 自己監督による軽量領域適応は, PFMベースのMILパイプラインを効果的に拡張し, 臨床病理学的課題を克服できる可能性が示唆された。 コードはhttps://github.com/zhanghaoyue/DA_SSL_TURBTで公開されている。

関連論文リスト

• Toward a robust lesion detection model in breast DCE-MRI: adapting foundation models to high-risk women [4.615277920713566]
  ダイナミックコントラスト強調MRI(DCE-MRI)を用いた乳房病変分類のための術前基礎モデルである医用スライストランスフォーマー(MST)を適応した分類パイプラインを提案する。 本研究は, 基礎モデル埋め込みと高度な分類手法を組み合わせることで, 乳房MRI解析ツールの構築に有効であることを示す。
  論文  参考訳（メタデータ） (2025-09-02T18:11:18Z)
• Multimodal Deep Learning for Phyllodes Tumor Classification from Ultrasound and Clinical Data [0.29981448312652675]
  Phyllodes tumors (PTs) は良性線維腺腫との放射線学的類似性から術前の分類が困難である。 乳房超音波(BUS)画像を構造化された臨床データと統合して診断精度を向上させるマルチモーダルディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-29T19:54:11Z)
• Predicting Length of Stay in Neurological ICU Patients Using Classical Machine Learning and Neural Network Models: A Benchmark Study on MIMIC-IV [49.1574468325115]
  本研究は、MIMIC-IVデータセットに基づく神経疾患患者を対象とした、ICUにおけるLOS予測のための複数のMLアプローチについて検討する。 評価されたモデルには、古典的MLアルゴリズム(K-Nearest Neighbors、Random Forest、XGBoost、CatBoost)とニューラルネットワーク(LSTM、BERT、テンポラルフュージョントランス)が含まれる。
  論文  参考訳（メタデータ） (2025-05-23T14:06:42Z)
• Efficient Quality Control of Whole Slide Pathology Images with Human-in-the-loop Training [3.2646075700744928]
  Histo whole slide image (WSI) は、特に精度オンコロジーにおいて、ディープラーニングに基づく診断ソリューションの開発に広く利用されている。 これらの診断ソフトウェアのほとんどは、トレーニングやテストデータにおけるバイアスや不純物に弱いため、不正確な診断につながる可能性がある。 我々は、WSIを6つの組織領域に分離する、頑健だが軽量なディープラーニングベースの分類器であるHistoROIを紹介した。
  論文  参考訳（メタデータ） (2024-09-29T07:08:45Z)
• CIMIL-CRC: a clinically-informed multiple instance learning framework for patient-level colorectal cancer molecular subtypes classification from H\&E stained images [42.771819949806655]
  CIMIL-CRCは、事前学習した特徴抽出モデルと主成分分析(PCA)を効率よく組み合わせ、全てのパッチから情報を集約することで、MSI/MSS MIL問題を解決するフレームワークである。 我々は,TCGA-CRC-DXコホートを用いたモデル開発のための5倍のクロスバリデーション実験装置を用いて,曲線下平均面積(AUC)を用いてCIMIL-CRC法の評価を行った。
  論文  参考訳（メタデータ） (2024-01-29T12:56:11Z)
• Domain Transfer Through Image-to-Image Translation for Uncertainty-Aware Prostate Cancer Classification [42.75911994044675]
  前立腺MRIの非対位画像翻訳のための新しいアプローチと臨床的に重要なPCaを分類するための不確実性認識トレーニングアプローチを提案する。 提案手法では,無ペアの3.0T多パラメータ前立腺MRIを1.5Tに翻訳し,利用可能なトレーニングデータを増強する。 実験の結果,提案手法は,従来の研究に比べてAUC(Area Under ROC Curve)を20%以上改善することがわかった。
  論文  参考訳（メタデータ） (2023-07-02T05:26:54Z)
• EGFR Mutation Prediction of Lung Biopsy Images using Deep Learning [1.793983482813105]
  本研究では,EGFR変異の形態的相関を識別するために,教師の弱いカスタマイズ深層学習パイプラインを用いた。 病理組織学的に腺癌と扁平上皮癌との鑑別は0.942であった。 EGFR検出では,TGAデータセットでは平均0.864AUC,インドからのデータセットでは0.783AUCを達成した。
  論文  参考訳（メタデータ） (2022-08-26T08:56:33Z)
• Deep learning-based approach to reveal tumor mutational burden status from whole slide images across multiple cancer types [41.61294299606317]
  腫瘍突然変異負担(TMB)は、免疫療法の潜在的なゲノムバイオマーカーである。 ゲノムシークエンシングによって検出されたTMBは、低リソース環境での臨床透過性を欠いている。 本研究では,日常的に使用されているスライド画像からTMB状態を検出するための大規模ディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-04-07T07:02:32Z)
• Controlling False Positive/Negative Rates for Deep-Learning-Based Prostate Cancer Detection on Multiparametric MR images [58.85481248101611]
  そこで本研究では,病変からスライスまでのマッピング機能に基づく,病変レベルのコスト感受性損失と付加的なスライスレベルの損失を組み込んだ新しいPCa検出ネットワークを提案する。 1) 病変レベルFNRを0.19から0.10に, 病変レベルFPRを1.03から0.66に減らした。
  論文  参考訳（メタデータ） (2021-06-04T09:51:27Z)

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。