論文の概要: Conditional Random Fields for Interactive Refinement of Histopathological Predictions

• arxiv url: http://arxiv.org/abs/2601.12082v1
• Date: Sat, 17 Jan 2026 15:19:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:22.454169
• Title: Conditional Random Fields for Interactive Refinement of Histopathological Predictions
• Title（参考訳）: 病理組織学的予測の相互的再定義のための条件付ランダムフィールド
• Authors: Tiffanie Godelaine, Maxime Zanella, Karim El Khoury, Saïd Mahmoudi, Benoît Macq, Christophe De Vleeschouwer,
• Abstract要約: HistoCRFは条件付きランダムフィールド(CRF)のためのCRFベースのフレームワークである ラベルの多様性を促進し、専門家のアノテーションを活用するペアワイズポテンシャルの新たな定義を提案する。 異なる臓器や疾患をカバーする5つのパッチレベルの分類データセットの実験では、アノテーションなしでの平均精度が16.4%、アノテーションがわずか100の27.5%向上した。
• 参考スコア（独自算出の注目度）: 20.862265116241716
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Assisting pathologists in the analysis of histopathological images has high clinical value, as it supports cancer detection and staging. In this context, histology foundation models have recently emerged. Among them, Vision-Language Models (VLMs) provide strong yet imperfect zero-shot predictions. We propose to refine these predictions by adapting Conditional Random Fields (CRFs) to histopathological applications, requiring no additional model training. We present HistoCRF, a CRF-based framework, with a novel definition of the pairwise potential that promotes label diversity and leverages expert annotations. We consider three experiments: without annotations, with expert annotations, and with iterative human-in-the-loop annotations that progressively correct misclassified patches. Experiments on five patch-level classification datasets covering different organs and diseases demonstrate average accuracy gains of 16.0% without annotations and 27.5% with only 100 annotations, compared to zero-shot predictions. Moreover, integrating a human in the loop reaches a further gain of 32.6% with the same number of annotations. The code will be made available on https://github.com/tgodelaine/HistoCRF.
• Abstract（参考訳）: 病理組織像解析における補助病理医の意義は, 癌検出とステージングの支援から高い。 この文脈では、最近ヒストロジーの基礎モデルが出現している。 そのうちのVLM(Vision-Language Models)は、強いが不完全なゼロショット予測を提供する。 本研究では, 条件付ランダムフィールド(CRF)を病理組織学的応用に適用し, 追加のモデルトレーニングを必要とせず, これらの予測を洗練することを提案する。 CRFベースのフレームワークであるHistoCRFについて,ラベルの多様性を促進し,専門家のアノテーションを活用するペアワイズポテンシャルを新たに定義した。 アノテーションなしで、専門家のアノテーションで、そして段階的に誤って分類されたパッチを訂正する反復的なヒューマン・イン・ザ・ループのアノテーションで、3つの実験を検討します。 異なる臓器や疾患をカバーする5つのパッチレベルの分類データセットの実験では、アノテーションなしでの平均精度は16.0%、アノテーションがわずか100の27.5%である。 さらに、ループに人間を統合することで、同じ数のアノテーションでさらに32.6%向上する。 コードはhttps://github.com/tgodelaine/HistoCRFで公開される。

関連論文リスト

• AGE-Net: Spectral--Spatial Fusion and Anatomical Graph Reasoning with Evidential Ordinal Regression for Knee Osteoarthritis Grading [3.337151338735509]
  AGE-Netは、SSF(Spectral-Spatial Fusion)、AGR(Anatomical Graph Reasoning)、DFR(differial Refinement)を統合したConvNeXtベースのフレームワークである。 KLデータセットでは、AGE-Netは2次重み付きカッパ(QWK)が0.9017 +/- 0.0045で、平均二乗誤差(MSE)が0.2349 +/- 0.0028である。
  論文  参考訳（メタデータ） (2026-01-24T06:35:30Z)
• Interpreting Biomedical VLMs on High-Imbalance Out-of-Distributions: An Insight into BiomedCLIP on Radiology [0.0]
  我々は、高度にバランスの取れない、アウト・オブ・ディストリビューションな医療データセットに適用した場合、BiomedCLIPの限界を分析する。 ゼロショット設定下でのモデルは,すべてのラベルを過度に予測し,精度の低下とクラス間分離性に繋がることを示す。 我々は、現実の環境で信頼性と適用性を高めるために、モデルの慎重な適応の必要性を強調します。
  論文  参考訳（メタデータ） (2025-06-17T02:59:42Z)
• Variational Classification [51.2541371924591]
  我々は,変分オートエンコーダの訓練に用いるエビデンスローバウンド(ELBO)に類似した,モデルの訓練を目的とした変分目的を導出する。 軟質マックス層への入力を潜伏変数のサンプルとして扱うことで, 抽象化された視点から, 潜在的な矛盾が明らかとなった。 我々は、標準ソフトマックス層に見られる暗黙の仮定の代わりに、選択された潜在分布を誘導する。
  論文  参考訳（メタデータ） (2023-05-17T17:47:19Z)
• Benchmarking common uncertainty estimation methods with histopathological images under domain shift and label noise [62.997667081978825]
  リスクの高い環境では、深層学習モデルは不確実性を判断し、誤分類の可能性がかなり高い場合に入力を拒否しなければなりません。 我々は,全スライド画像の分類において,最もよく使われている不確実性と頑健さの厳密な評価を行う。 我々は一般的に,手法のアンサンブルが,ドメインシフトやラベルノイズに対するロバスト性の向上とともに,より良い不確実性評価につながることを観察する。
  論文  参考訳（メタデータ） (2023-01-03T11:34:36Z)
• Significantly improving zero-shot X-ray pathology classification via fine-tuning pre-trained image-text encoders [50.689585476660554]
  本稿では,正対損失緩和とランダムな文サンプリングを含む新たな微調整手法を提案する。 提案手法は,胸部X線データセットと3つの事前訓練モデル間のゼロショット病理分類を一貫して改善する。
  論文  参考訳（メタデータ） (2022-12-14T06:04:18Z)
• Reducing Annotation Need in Self-Explanatory Models for Lung Nodule Diagnosis [10.413504599164106]
  肺結節診断のためのデータ/アノテーション効率の高い自己説明法であるcRedAnnoを提案する。 cRedAnnoは、自己教師付きコントラスト学習を導入することで、アノテーションの必要性を大幅に減らす。 学習空間の可視化は,悪性度と結節属性の相関が臨床知識と一致することを示している。
  論文  参考訳（メタデータ） (2022-06-27T20:01:41Z)
• Uncertainty-Informed Deep Learning Models Enable High-Confidence Predictions for Digital Histopathology [40.96261204117952]
  肺腺癌と扁平上皮癌を鑑別するモデルを訓練し,高い信頼度予測がUQなしで予測を上回ることを示す。 非肺癌コホートに対する腺癌と扁平上皮癌との高信頼度予測を精度良く行うことで, 領域シフトの設定においてUQ閾値の信頼性が保たれることを示す。
  論文  参考訳（メタデータ） (2022-04-09T17:35:37Z)
• Towards Explainable End-to-End Prostate Cancer Relapse Prediction from H&E Images Combining Self-Attention Multiple Instance Learning with a Recurrent Neural Network [0.0]
  本稿では,がん再発予測ネットワーク(eCaReNet)を提案する。 本モデルでは,患者1人当たりのリスクスコアとグループだけでなく,生存曲線も良好に評価し,出力する。
  論文  参考訳（メタデータ） (2021-11-26T11:45:08Z)
• On the explainability of hospitalization prediction on a large COVID-19 patient dataset [45.82374977939355]
  我々は、新型コロナウイルス陽性の米国の患者の大規模な(110ドル以上)コホートでの入院を予測するために、さまざまなAIモデルを開発した。 高いデータアンバランスにもかかわらず、モデルは平均精度0.96-0.98 (0.75-0.85)、リコール0.96-0.98 (0.74-0.85)、F_score097-0.98 (0.79-0.83)に達する。
  論文  参考訳（メタデータ） (2021-10-28T10:23:38Z)
• Explaining COVID-19 and Thoracic Pathology Model Predictions by Identifying Informative Input Features [47.45835732009979]
  ニューラルネットワークは胸部X線上の分類および回帰タスクにおいて顕著な性能を示した。 特徴帰属法は、出力予測における入力特徴の重要性を識別する。 本研究では,NIH Chest X-ray8およびBrixIAデータセット上で,人間中心の解釈可能性指標と人間に依存しない特徴重要度指標の両方を用いて評価する。
  論文  参考訳（メタデータ） (2021-04-01T11:42:39Z)
• The Consequences of the Framing of Machine Learning Risk Prediction Models: Evaluation of Sepsis in General Wards [0.0]
  フレーミングがモデル性能とモデル学習に与える影響を4つの異なるアプローチで評価する。 デンマークの4自治体の221,283人の二次医療データを分析した。
  論文  参考訳（メタデータ） (2021-01-26T14:00:05Z)
• UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
  我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。 非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
  論文  参考訳（メタデータ） (2020-10-22T02:28:11Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)

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。