論文の概要: HemBLIP: A Vision-Language Model for Interpretable Leukemia Cell Morphology Analysis

• arxiv url: http://arxiv.org/abs/2601.03915v1
• Date: Wed, 07 Jan 2026 13:31:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-09 02:15:23.56721
• Title: HemBLIP: A Vision-Language Model for Interpretable Leukemia Cell Morphology Analysis
• Title（参考訳）: HemBLIP: 白血病細胞の形態解析のための視覚言語モデル
• Authors: Julie van Logtestijn, Petru Manescu,
• Abstract要約: HemBLIPは、末梢血細胞の解釈可能で形態を意識した記述を生成するために設計された視覚言語モデルである。 バイオメディカルファンデーションモデルであるMedGEMMAに対して,完全微調整とLoRAに基づくパラメータ効率的なトレーニングを併用し,汎用的なVLMを適用した。 HemBLIPはより高いキャプション品質と形態的精度を実現し、LoRA適応は計算コストを大幅に削減する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Microscopic evaluation of white blood cell morphology is central to leukemia diagnosis, yet current deep learning models often act as black boxes, limiting clinical trust and adoption. We introduce HemBLIP, a vision language model designed to generate interpretable, morphology aware descriptions of peripheral blood cells. Using a newly constructed dataset of 14k healthy and leukemic cells paired with expert-derived attribute captions, we adapt a general-purpose VLM via both full fine-tuning and LoRA based parameter efficient training, and benchmark against the biomedical foundation model MedGEMMA. HemBLIP achieves higher caption quality and morphological accuracy, while LoRA adaptation provides further gains with significantly reduced computational cost. These results highlight the promise of vision language models for transparent and scalable hematological diagnostics.
• Abstract（参考訳）: 白血球形態の顕微鏡的評価は白血病の診断の中心であるが、現在の深層学習モデルはしばしばブラックボックスとして機能し、臨床信頼と採用を制限している。 HemBLIPは、末梢血細胞の解釈可能で形態を意識した記述を生成するために設計された視覚言語モデルである。 14kの健康・白血病細胞と専門家由来の属性キャプションを組み合わせて新たに構築したデータセットを用いて、フル微調整およびLoRAに基づくパラメータ効率トレーニングとバイオメディカル基礎モデルMedGEMMAとのベンチマークにより汎用的なVLMを適用した。 HemBLIPはより高いキャプション品質と形態的精度を実現し、LoRA適応は計算コストを大幅に削減する。 これらの結果は、透明でスケーラブルな血液学的診断のための視覚言語モデルの可能性を浮き彫りにしている。

関連論文リスト

• Contrastive Learning Enhances Language Model Based Cell Embeddings for Low-Sample Single Cell Transcriptomics [3.7907528918903797]
  大規模言語モデル(LLM)は、自然言語処理や生成、コンピュータビジョン、マルチモーダル学習といった分野にまたがるリッチな表現を生成する能力を示している。 本稿では、単一セルRNAシークエンシング(scRNA-seq)とLLMを統合し、知識インフォームド遺伝子埋め込みを導出する計算フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-28T00:45:39Z)
• Glo-VLMs: Leveraging Vision-Language Models for Fine-Grained Diseased Glomerulus Classification [7.87247433522498]
  本稿では,視覚言語モデルの細粒度分類への適応を探求する体系的なフレームワークであるGlo-VLMを紹介する。 本手法は,臨床用テキストプロンプトとともに治療された病理画像を活用し,共同画像・テキスト表現学習を容易にする。 本研究は, 標準化されたマルチクラスメトリクスを用いて, 臨床応用のための大規模事前学習モデルの実用的要件と可能性を明らかにすることを目的として, 全モデルの評価を行う。
  論文  参考訳（メタデータ） (2025-08-21T21:05:44Z)
• CellVerse: Do Large Language Models Really Understand Cell Biology? [74.34984441715517]
  我々は,4種類のシングルセルマルチオミクスデータを統合する統一言語中心の質問応答ベンチマークであるCellVerseを紹介する。 我々は,CellVerse上で160Mから671Bまでの14のオープンソースおよびクローズドソースLLMの性能を体系的に評価した。
  論文  参考訳（メタデータ） (2025-05-09T06:47:23Z)
• Leveraging Sparse Annotations for Leukemia Diagnosis on the Large Leukemia Dataset [44.948939549346676]
  白血病は世界で10番目に頻繁に診断されるがんであり、がん関連死亡の原因の1つとなっている。 医学画像の深層学習の進歩にもかかわらず、白血病解析には多種多様なマルチタスクデータセットが欠けている。 大規模WBCデータセットと,その属性を用いてWBCを検出する新しい手法を提案する。
  論文  参考訳（メタデータ） (2025-04-03T14:04:02Z)
• SemioLLM: Evaluating Large Language Models for Diagnostic Reasoning from Unstructured Clinical Narratives in Epilepsy [45.2233252981348]
  臨床知識を符号化するための言語モデル(LLM)が示されている。 6つの最先端モデルをベンチマークする評価フレームワークであるSemioLLMを提案する。 ほとんどのLSMは、脳内の発作発生領域の確率的予測を正確かつ確実に生成できることを示す。
  論文  参考訳（メタデータ） (2024-07-03T11:02:12Z)
• μ-Bench: A Vision-Language Benchmark for Microscopy Understanding [43.27182445778988]
  視覚言語モデル(VLM)は、大規模生物学的画像解析に有望なソリューションを提供する。 VLMを評価するための、標準化された、多様な、そして大規模なビジョンベンチマークが欠如している。 mu-Benchは22のバイオメディカルタスクを含む専門家によるベンチマークである。
  論文  参考訳（メタデータ） (2024-07-01T20:30:26Z)
• MMIL: A novel algorithm for disease associated cell type discovery [58.044870442206914]
  単一細胞データセットは、しばしば個々の細胞ラベルを欠いているため、病気に関連する細胞を特定することは困難である。 セルレベルの分類器の訓練と校正を可能にする予測手法であるMixture Modeling for Multiple Learning Instance (MMIL)を導入する。
  論文  参考訳（メタデータ） (2024-06-12T15:22:56Z)
• A survey on automated detection and classification of acute leukemia and WBCs in microscopic blood cells [6.117084972237769]
  白血球 (Leukemia) は、白血球や白血球が骨髄や血液中に拡散する異常な疾患である。 従来の機械学習とディープラーニング技術は、医療画像の診断と分類の精度とスピードを高めるための実践的なロードマップである。 本稿では, 急性白血病およびWBCの検出と分類に関する包括的解析を行った。
  論文  参考訳（メタデータ） (2023-03-07T14:26:08Z)
• Classification of White Blood Cell Leukemia with Low Number of Interpretable and Explainable Features [0.0]
  白血球(WBC)白血病は画像ベース分類によって検出される。 畳み込みニューラルネットワークは、細胞のイメージを悪性または正常に分類するために必要な特徴を学ぶために使用される。 このタイプのモデルは、多数のパラメータを学習し、解釈と説明が困難である。 XAIモデルは、説明可能な機能と解釈可能な機能のみを使用し、4.38%以上の性能で他のアプローチと高い競争力を持つ。
  論文  参考訳（メタデータ） (2022-01-28T00:08:56Z)

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。