論文の概要: CytoDINO: Risk-Aware and Biologically-Informed Adaptation of DINOv3 for Bone Marrow Cytomorphology

• arxiv url: http://arxiv.org/abs/2512.17930v1
• Date: Tue, 09 Dec 2025 23:09:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-29 00:37:57.062952
• Title: CytoDINO: Risk-Aware and Biologically-Informed Adaptation of DINOv3 for Bone Marrow Cytomorphology
• Title（参考訳）: CytoDINO:DINOv3のリスク認識と生体内適応
• Authors: Aziz Muminov, Anne Pham,
• Abstract要約: 我々はミュンヘン白血病研究所のデータセット上で最先端のパフォーマンスを実現するフレームワークであるCytoDINOを紹介した。 私たちの主な貢献は、細胞間の生物学的な関係をコード化し、臨床的に危険な誤分類を明示的に罰する、ヒエララルカル・フーカル・ロス・ウィット・クリティカル・ペナルティ(Hierarchical Focal Loss with critical penalties)である。 CytoDINOは21種類のテストセットで88.2%の重み付きF1スコアと76.5%のマクロF1を達成している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Bone marrow cell cytomorphology analysis is critical for the diagnosis of hematological malignancies but remains a labor-intensive process subject to significant inter-observer variability. While recent foundation models have shown promise in computational pathology, they often require extensive computational resources and fail to account for the asymmetric risks associated with clinical misdiagnosis. We introduce CytoDINO, a framework that achieves state-of-the-art performance on the Munich Leukemia Laboratory (MLL) dataset by fine-tuning DINOv3 using Low-Rank Adaptation (LoRA). Our primary contribution is a novel Hierarchical Focal Loss with Critical Penalties, which encodes biological relationships between cell lineages and explicitly penalizes clinically dangerous misclassifications (e.g., classifying blasts as normal cells). CytoDINO achieves an 88.2% weighted F1 score and 76.5% macro F1 on a held-out test set of 21 cell classes. By utilizing parameter-efficient fine-tuning with only 8% trainable parameters on a single NVIDIA RTX 5080, we demonstrate that consumer-grade hardware can match specialized infrastructure. Furthermore, confidence-based selective prediction yields 99.5% accuracy on 67% of samples, suggesting a viable pathway for clinical deployment where high-uncertainty cases are flagged for expert review
• Abstract（参考訳）: 造血器腫瘍の診断には骨髄細胞の形態学的解析が重要であるが, サーバ間変動が著しいため, 労働集約的なプロセスが維持されている。 最近の基礎モデルは、計算病理学において有望であることを示しているが、それらはしばしば広範な計算資源を必要とし、臨床的な誤診に関連する非対称なリスクを説明できない。 我々は、低ランク適応(LoRA)を用いたDINOv3の微調整により、ミュンヘン白血病研究所(MLL)データセット上で最先端のパフォーマンスを実現するフレームワークであるCytoDINOを紹介する。 私たちの主な貢献は、細胞間の生物学的関係をコード化し、臨床的に危険な誤分類(例えば、爆発を正常な細胞として分類する)を明示的に罰する、ヒエラルキ的な致死的致命的刑罰(Hierarchical Focal Loss with critical penalties)である。 CytoDINOは21種類のテストセットで88.2%の重み付きF1スコアと76.5%のマクロF1を達成している。 1つのNVIDIA RTX 5080上で、たった8%のトレーニング可能なパラメータしか持たないパラメータ効率の細かいチューニングを利用することで、コンシューマグレードのハードウェアが特別なインフラストラクチャに適合できることを実証する。 さらに、信頼性に基づく選択的予測は67%のサンプルに対して99.5%の正確性をもたらす。

関連論文リスト

• An Explainable and Fair AI Tool for PCOS Risk Assessment: Calibration, Subgroup Equity, and Interactive Clinical Deployment [0.10026496861838446]
  本稿では,多嚢胞性卵巣症候群(PCOS)の予測のための,公平で解釈可能な機械学習フレームワークを提案する。 このフレームワークは、SHAPに基づく特徴属性と人口統計監査を統合し、予測的説明と観察的差異を関連付ける。 StreamlitベースのWebインターフェースは、リアルタイムPCOSリスク評価、ロッテルダム基準評価、インタラクティブな「What-if」分析を可能にする。
  論文  参考訳（メタデータ） (2025-11-08T16:14:56Z)
• An Explainable Hybrid AI Framework for Enhanced Tuberculosis and Symptom Detection [55.35661671061754]
  結核は、特に資源に制限された遠隔地において、重要な世界的な健康問題である。 本稿では, 胸部X線による疾患および症状の検出を, 2つの頭部と自己監督頭部を統合することで促進する枠組みを提案する。 本モデルでは, 新型コロナウイルス, 結核, 正常症例の鑑別で98.85%の精度が得られ, マルチラベル症状検出では90.09%のマクロF1スコアが得られた。
  論文  参考訳（メタデータ） (2025-10-21T17:18:55Z)
• LGE-Guided Cross-Modality Contrastive Learning for Gadolinium-Free Cardiomyopathy Screening in Cine CMR [51.11296719862485]
  CMRを用いたガドリニウムフリー心筋症スクリーニングのためのコントラシブラーニングおよびクロスモーダルアライメントフレームワークを提案する。 CMRとLate Gadolinium Enhancement (LGE) 配列の潜伏空間を整列させることにより, 本モデルでは線維症特異的な病理組織をCMR埋め込みにエンコードする。
  論文  参考訳（メタデータ） (2025-08-23T07:21:23Z)
• An Explainable AI-Enhanced Machine Learning Approach for Cardiovascular Disease Detection and Risk Assessment [0.0]
  心臓病は依然として世界的な健康上の問題である。 従来の診断方法では、心臓病のリスクを正確に特定し、管理することができない。 機械学習は、心臓疾患の診断の正確性、効率、スピードを大幅に向上させる可能性がある。
  論文  参考訳（メタデータ） (2025-07-15T10:38:38Z)
• CNN-LSTM Hybrid Model for AI-Driven Prediction of COVID-19 Severity from Spike Sequences and Clinical Data [0.0]
  スパイクタンパク質配列と臨床データを用いたCNN-LSTMハイブリッドモデルを構築した。 このモデルはF1スコア82.92%、ROC-AUC 0.9084、精度83.56%、リコール82.85%を達成した。
  論文  参考訳（メタデータ） (2025-05-29T16:20:54Z)
• CRTRE: Causal Rule Generation with Target Trial Emulation Framework [47.2836994469923]
  ターゲットトライアルエミュレーションフレームワーク(CRTRE)を用いた因果ルール生成という新しい手法を提案する。 CRTREは、アソシエーションルールの因果効果を推定するためにランダム化トライアル設計原則を適用している。 次に、病気発症予測などの下流アプリケーションにそのような関連ルールを組み込む。
  論文  参考訳（メタデータ） (2024-11-10T02:40:06Z)
• Optimizing Mortality Prediction for ICU Heart Failure Patients: Leveraging XGBoost and Advanced Machine Learning with the MIMIC-III Database [1.5186937600119894]
  心臓不全は世界中の何百万人もの人々に影響を与え、生活の質を著しく低下させ、高い死亡率をもたらす。 広範な研究にもかかわらず、ICU患者の心不全と死亡率の関係は、完全には理解されていない。 本研究は、ICD-9コードを用いて、MIMIC-IIIデータベースから18歳以上の1,177人のデータを解析した。
  論文  参考訳（メタデータ） (2024-09-03T07:57:08Z)
• Deep Generative Classification of Blood Cell Morphology [7.494975467007647]
  細胞形態を効果的にモデル化する拡散型分類器であるCytoDiffusionを紹介する。 本手法は異常検出における最先端の識別モデルよりも優れている。 直接解釈可能な逆ファクト・ヒートマップの生成によりモデル説明可能性を向上させる。
  論文  参考訳（メタデータ） (2024-08-16T19:17:02Z)
• Enhancing Diagnostic Reliability of Foundation Model with Uncertainty Estimation in OCT Images [41.002573031087856]
  光コヒーレンストモグラフィー(OCT)における11個の網膜状態を検出するために,不確実性推定(FMUE)を用いた基礎モデルを開発した。 FMUEは2つの最先端アルゴリズムであるRETFoundとUIOSよりも96.76%高いF1スコアを獲得し、しきい値戦略を98.44%に改善した。 我々のモデルは、F1スコアが高い2人の眼科医(95.17%対61.93% &71.72%)より優れている。
  論文  参考訳（メタデータ） (2024-06-18T03:04:52Z)
• Deep-Learning Tool for Early Identifying Non-Traumatic Intracranial Hemorrhage Etiology based on CT Scan [40.51754649947294]
  深層学習モデルは、2011年1月から2018年4月までに収集された非外傷性ICHを用いた1868個のNCCTスキャンを用いて開発された。 診断成績は臨床医の成績と比較した。 臨床医は, システム拡張による特定の出血エチオロジーの感度, 特異性, 精度を著しく改善した。
  論文  参考訳（メタデータ） (2023-02-02T08:45:17Z)
• Comparison of Machine Learning Classifiers to Predict Patient Survival and Genetics of GBM: Towards a Standardized Model for Clinical Implementation [44.02622933605018]
  放射線モデルは、グリオ芽腫(GBM)の結果予測のための臨床データを上回ることが示されています。 GBM患者の生存率(OS),IDH変異,O-6-メチルグアニン-DNA-メチルトランスフェラーゼ(MGMT)プロモーターメチル化,EGFR(EGFR)VII増幅,Ki-67発現の9種類の機械学習分類器を比較した。 xgb は os (74.5%), ab for idh 変異 (88%), mgmt メチル化 (71,7%), ki-67 発現 (86,6%), egfr増幅 (81。
  論文  参考訳（メタデータ） (2021-02-10T15:10:37Z)

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。