論文の概要: A Multicenter Benchmark of Multiple Instance Learning Models for Lymphoma Subtyping from HE-stained Whole Slide Images

• arxiv url: http://arxiv.org/abs/2512.14640v1
• Date: Tue, 16 Dec 2025 17:58:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-17 16:49:26.822029
• Title: A Multicenter Benchmark of Multiple Instance Learning Models for Lymphoma Subtyping from HE-stained Whole Slide Images
• Title（参考訳）: HE-Stained Whole Slide Images を用いたリンパ腫サブタイプのための複数症例学習モデルの多施設ベンチマーク
• Authors: Rao Muhammad Umer, Daniel Sens, Jonathan Noll, Christian Matek, Lukas Wolfseher, Rainer Spang, Ralf Huss, Johannes Raffler, Sarah Reinke, Wolfram Klapper, Katja Steiger, Kristina Schwamborn, Carsten Marr,
• Abstract要約: 4種類の悪性リンパ腫サブタイプと健常組織を対象とする第1回多施設悪性リンパ腫ベンチマークデータセットを報告する。 我々は,アテンションベース (ABMIL) とトランスフォーマーベース (TransMIL) の3倍率 (10x, 20x, 40x) の複数インスタンス学習アグリゲータを併用した5つの公開病理基盤モデルの評価を行った。 分散テストセットでは、モデルがすべての倍率に対して80%以上のバランスの取れた精度を達成する。
• 参考スコア（独自算出の注目度）: 1.2229392997318513
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Timely and accurate lymphoma diagnosis is essential for guiding cancer treatment. Standard diagnostic practice combines hematoxylin and eosin (HE)-stained whole slide images with immunohistochemistry, flow cytometry, and molecular genetic tests to determine lymphoma subtypes, a process requiring costly equipment, skilled personnel, and causing treatment delays. Deep learning methods could assist pathologists by extracting diagnostic information from routinely available HE-stained slides, yet comprehensive benchmarks for lymphoma subtyping on multicenter data are lacking. In this work, we present the first multicenter lymphoma benchmarking dataset covering four common lymphoma subtypes and healthy control tissue. We systematically evaluate five publicly available pathology foundation models (H-optimus-1, H0-mini, Virchow2, UNI2, Titan) combined with attention-based (AB-MIL) and transformer-based (TransMIL) multiple instance learning aggregators across three magnifications (10x, 20x, 40x). On in-distribution test sets, models achieve multiclass balanced accuracies exceeding 80% across all magnifications, with all foundation models performing similarly and both aggregation methods showing comparable results. The magnification study reveals that 40x resolution is sufficient, with no performance gains from higher resolutions or cross-magnification aggregation. However, on out-of-distribution test sets, performance drops substantially to around 60%, highlighting significant generalization challenges. To advance the field, larger multicenter studies covering additional rare lymphoma subtypes are needed. We provide an automated benchmarking pipeline to facilitate such future research.
• Abstract（参考訳）: タイムリーかつ正確な悪性リンパ腫の診断は癌治療の指導に不可欠である。 標準的な診断法は、ヘマトキシリンとエオシン(HE)が含有するスライド画像全体と免疫組織化学、フローサイトメトリー、分子遺伝検査を組み合わせてリンパ腫の亜型を決定する。 深層学習法は、日常的に利用可能なHEスライスから診断情報を抽出することで病理学者を支援することができるが、マルチセンターデータに対するリンパ腫のサブタイプに関する包括的なベンチマークは欠如している。 本研究は4つの共通リンパ腫サブタイプと健康管理組織をカバーする最初のマルチセンターリンパ腫ベンチマークデータセットである。 我々は,3つの倍率(10x,20x,40x)にまたがる5つの公開病理基盤モデル(H-optimus-1,H0-mini,Virchow2,UNI2,Titan)と,アテンションベース(AB-MIL)とトランスフォーマーベース(TransMIL)の組み合わせを体系的に評価した。 分散テストセットでは、モデルがすべての倍率に対して80%以上のバランスの取れたアキュラティを達成し、すべての基礎モデルも同様に実行され、どちらのアグリゲーションも同等の結果を示す。 倍率解析により,40倍分解能は十分であり,高分解能や交叉磁化アグリゲーションによる性能向上は得られないことが明らかとなった。 しかし、アウト・オブ・ディストリビューションテストセットでは、パフォーマンスが約60%に低下し、重大な一般化の課題が浮き彫りになった。 この分野を前進させるためには、新たな稀なリンパ腫のサブタイプを含むより大規模な多施設の研究が必要である。 このような将来の研究を促進するために,自動ベンチマークパイプラインを提供する。

関連論文リスト

• LMOD+: A Comprehensive Multimodal Dataset and Benchmark for Developing and Evaluating Multimodal Large Language Models in Ophthalmology [43.092364533480456]
  視力低下の眼疾患は、労働力不足によるタイムリーな診断と専門医療へのアクセス制限により、世界的な健康上の重荷となる。 本報告では,12の眼球運動条件に共通する多粒性アノテーションと5つの画像モダリティを併用した32,633例の大規模マルチモーダル眼科ベンチマークを報告する。 このデータセットは、画像、解剖学的構造、人口統計、自由テキストアノテーションを統合し、解剖学的構造認識、疾患スクリーニング、疾患ステージング、およびバイアス評価のための人口統計予測をサポートする。
  論文  参考訳（メタデータ） (2025-09-30T00:29:18Z)
• Boosting Pathology Foundation Models via Few-shot Prompt-tuning for Rare Cancer Subtyping [80.92960114162746]
  視覚言語病理基盤モデルの可能性を生かした新しいフレームワークPathPTを提案する。 PathPTは、WSIレベルの監視を、VLモデルのゼロショット機能を活用することで、きめ細かいタイルレベルのガイダンスに変換する。 以上の結果から,PathPTは一貫して優れた性能を示し,サブタイピング精度と癌領域の接地能力を著しく向上することが示された。
  論文  参考訳（メタデータ） (2025-08-21T18:04:41Z)
• FoundBioNet: A Foundation-Based Model for IDH Genotyping of Glioma from Multi-Parametric MRI [1.4249472316161877]
  我々は,多パラメータMRIから非侵襲的にIDH変異を予測できるFoundBioNet(FoundBioNet)を提案する。 1705人のグリオーマ患者を6つの公開データセットから多施設で訓練し, 評価した。 我々のモデルは、EGD、TCGA、Ivy GAP、RHUH、UPennの独立したテストセットに対して90.58%、88.08%、65.41%、および80.31%のAUCを達成した。
  論文  参考訳（メタデータ） (2025-08-09T00:08:10Z)
• A Hybrid CNN-VSSM model for Multi-View, Multi-Task Mammography Analysis: Robust Diagnosis with Attention-Based Fusion [5.15423063632115]
  乳がんの早期かつ正確な検診は乳がん検出に不可欠である。 既存のAIアプローチは、単一ビューのインプットや単一タスクのアウトプットに注目して、不足している。 本研究では,4つの標準マンモグラフィビュー全てを処理する,新しいマルチビュー・マルチタスクハイブリッド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） (2025-07-22T18:52:18Z)
• 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)
• Artificial-intelligence-based molecular classification of diffuse gliomas using rapid, label-free optical imaging [59.79875531898648]
  DeepGliomaは人工知能に基づく診断スクリーニングシステムである。 ディープグリオーマは、世界保健機関が成人型びまん性グリオーマ分類を定義するために使用する分子変化を予測することができる。
  論文  参考訳（メタデータ） (2023-03-23T18:50:18Z)
• Federated Learning Enables Big Data for Rare Cancer Boundary Detection [98.5549882883963]
  6大陸にわたる71の医療機関のデータを含む,これまでで最大のフェデレーテッドML研究の結果を報告する。 グリオ芽腫の稀な疾患に対する腫瘍境界自動検出装置を作製した。 当科では, 外科的に標的とした腫瘍の悪性度を高めるために, 33%の改善率を示し, 腫瘍全体に対する23%の改善率を示した。
  論文  参考訳（メタデータ） (2022-04-22T17:27:00Z)
• Multi-View Hypercomplex Learning for Breast Cancer Screening [15.961240921898586]
  多視点乳がん分類のための新しい学習パラダイムである多視点超複雑学習を導入する。 超複素代数のおかげで、我々のモデルは本質的にビュー内関係とビュー間関係の両方を捉えている。 我々のアプローチは、最先端のマルチビューモデルよりも一貫して優れています。
  論文  参考訳（メタデータ） (2022-04-12T13:32:31Z)
• A Multi-Scale Conditional Deep Model for Tumor Cell Ratio Counting [4.164451715899639]
  組織スライド全体の腫瘍細胞の比率を正確に把握する手法を提案する。 我々は、H&E染色組織断面の画像上で細胞を検出し分類するために訓練された、完全な畳み込みニューラルネットワークモデルを使用する。 2つのモデルを組み合わせることで、それぞれ異なる倍率で作業することで、システムはセルレベルの詳細と周囲のコンテキストの両方をキャプチャできることを示す。
  論文  参考訳（メタデータ） (2021-01-27T22:40:33Z)

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。