論文の概要: PathBench-MIL: A Comprehensive AutoML and Benchmarking Framework for Multiple Instance Learning in Histopathology

• arxiv url: http://arxiv.org/abs/2512.17517v1
• Date: Fri, 19 Dec 2025 12:35:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-22 19:25:54.380284
• Title: PathBench-MIL: A Comprehensive AutoML and Benchmarking Framework for Multiple Instance Learning in Histopathology
• Title（参考訳）: PathBench-MIL: 病理学における複数インスタンス学習のための総合的オートMLとベンチマークフレームワーク
• Authors: Siemen Brussee, Pieter A. Valkema, Jurre A. J. Weijer, Thom Doeleman, Anne M. R. Schrader, Jesper Kers,
• Abstract要約: 本稿では,マルチインスタンス学習(MIL)のためのオープンソースのAutoMLおよびベンチマークフレームワークであるPathBench-MILを紹介する。 PathBench-MILは、前処理、機能抽出、MIL集約を含むエンドツーエンドのMILパイプライン構築を自動化する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce PathBench-MIL, an open-source AutoML and benchmarking framework for multiple instance learning (MIL) in histopathology. The system automates end-to-end MIL pipeline construction, including preprocessing, feature extraction, and MIL-aggregation, and provides reproducible benchmarking of dozens of MIL models and feature extractors. PathBench-MIL integrates visualization tooling, a unified configuration system, and modular extensibility, enabling rapid experimentation and standardization across datasets and tasks. PathBench-MIL is publicly available at https://github.com/Sbrussee/PathBench-MIL
• Abstract（参考訳）: 本稿では,マルチインスタンス学習(MIL)のためのオープンソースのAutoMLおよびベンチマークフレームワークであるPathBench-MILを紹介する。 このシステムは、前処理、特徴抽出、MIL集約を含むエンドツーエンドのMILパイプライン構築を自動化し、数十のMILモデルと特徴抽出器の再現可能なベンチマークを提供する。 PathBench-MILは視覚化ツール、統一された構成システム、モジュールの拡張性を統合し、データセットやタスク間の迅速な実験と標準化を可能にする。 PathBench-MILはhttps://github.com/Sbrussee/PathBench-MILで公開されている。

関連論文リスト

• torchmil: A PyTorch-based library for deep Multiple Instance Learning [8.324358400557351]
  マルチインスタンス学習(MIL)は、弱い教師付き学習のための強力なフレームワークである。 ディープMILメソッドへの関心が高まっているが、モデル開発、評価、比較のための標準化されたツールが欠落している。 PyTorch上に構築されたオープンソースのPythonライブラリであるTorchmilを紹介します。
  論文  参考訳（メタデータ） (2025-09-09T20:14:19Z)
• Self-Supervision Enhances Instance-based Multiple Instance Learning Methods in Digital Pathology: A Benchmark Study [1.7397128744416201]
  複数のインスタンス学習(MIL)がWSI(Whole Slide Image)分類のベストソリューションとして登場した。 我々は,4つのデータセットにわたる710の実験を行い,10のMIL戦略,4つのバックボーンと6つの自己管理手法,4つの基礎モデル,および様々な病理適応手法を比較した。 優れたSSL機能抽出器により、単純なインスタンスベースのMILが、非常に少ないパラメータで、複雑なSOTA(State-of-the-art)組み込みMILメソッドよりも、類似または優れたパフォーマンスが得られることを示す。
  論文  参考訳（メタデータ） (2025-05-02T08:43:50Z)
• A Spatially-Aware Multiple Instance Learning Framework for Digital Pathology [4.012490059423154]
  マルチプル・インスタンス・ラーニング (MIL) は、スライド画像全体を用いた病理学における弱い教師付き分類のための有望なアプローチである。 トランスフォーマーベースMIL(Transformer Based MIL)のような最近の進歩は、空間的コンテキストとパッチ間関係を取り入れている。 本研究では,この問題に対処するための対話対応表現を統合することで,ABMILフレームワークを強化する。
  論文  参考訳（メタデータ） (2025-04-24T08:53:46Z)
• MIBench: Evaluating Multimodal Large Language Models over Multiple Images [70.44423964171088]
  マルチイメージシナリオにおけるMLLMの微粒化能力を包括的に評価する新しいベンチマークMIBenchを提案する。 具体的には、MIBenchはマルチモーダル・インコンテクスト・ラーニング(MIC)とマルチモーダル・インコンテクスト・ラーニング(MIC)の3つのシナリオに分類する。 その結果、現在のモデルでは単一画像のタスクが優れているが、複数画像の入力に直面すると大きな欠点が現れることがわかった。
  論文  参考訳（メタデータ） (2024-07-21T21:22:58Z)
• MamMIL: Multiple Instance Learning for Whole Slide Images with State Space Models [56.37780601189795]
  本稿では,WSI分析のためのフレームワークMamMILを提案する。 私たちは各WSIを非指向グラフとして表現します。 マンバが1次元シーケンスしか処理できない問題に対処するために、トポロジ対応の走査機構を提案する。
  論文  参考訳（メタデータ） (2024-03-08T09:02:13Z)
• ML-Bench: Evaluating Large Language Models and Agents for Machine Learning Tasks on Repository-Level Code [76.84199699772903]
  ML-Benchは、既存のコードリポジトリを利用してタスクを実行する現実世界のプログラミングアプリケーションに根ざしたベンチマークである。 LLM(Large Language Model)とAIエージェントの両方を評価するために、事前に定義されたデプロイメント環境でLLMのテキスト-コード変換を評価するML-LLM-Benchと、Linuxサンドボックス環境でエンドツーエンドのタスク実行で自律エージェントをテストするML-Agent-Benchの2つの設定が採用されている。
  論文  参考訳（メタデータ） (2023-11-16T12:03:21Z)
• TPMIL: Trainable Prototype Enhanced Multiple Instance Learning for Whole Slide Image Classification [13.195971707693365]
  我々は、弱い教師付きWSI分類のための訓練可能なプロトタイプ強化深層MILフレームワークを開発した。 本手法により, 異なる腫瘍のサブタイプ間の相関関係を明らかにすることができる。 提案手法を2つのWSIデータセット上でテストし,新たなSOTAを実現する。
  論文  参考訳（メタデータ） (2023-05-01T07:39:19Z)
• VEGA: Towards an End-to-End Configurable AutoML Pipeline [101.07003005736719]
  VEGAは効率よく包括的なAutoMLフレームワークで、複数のハードウェアプラットフォームに互換性があり、最適化されている。 VEGAは既存のAutoMLアルゴリズムを改善し、SOTAメソッドに対して新しい高性能モデルを発見する。
  論文  参考訳（メタデータ） (2020-11-03T06:53:53Z)

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。