論文の概要: Do Pathology Foundation Models Encode Disease Progression? A Pseudotime Analysis of Visual Representations

• arxiv url: http://arxiv.org/abs/2601.21334v1
• Date: Thu, 29 Jan 2026 06:50:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-30 16:22:49.629242
• Title: Do Pathology Foundation Models Encode Disease Progression? A Pseudotime Analysis of Visual Representations
• Title（参考訳）: 病的進行をコードする病理基盤モデル : 視覚表現の擬似解析
• Authors: Pritika Vig, Ren-Chin Wu, William Lotter,
• Abstract要約: 視覚基礎モデルは、独立した静的観測から連続的なプロセスを表現することを暗黙的に学習できることを示します。 このフレームワークは、静的スナップショットを通じて継続的プロセスが観察される他のドメインに適用できる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Vision foundation models trained on discretely sampled images achieve strong performance on classification benchmarks, yet whether their representations encode the continuous processes underlying their training data remains unclear. This question is especially pertinent in computational pathology, where we posit that models whose latent representations implicitly capture continuous disease progression may better reflect underlying biology, support more robust generalization, and enable quantitative analyses of features associated with disease transitions. Using diffusion pseudotime, a method developed to infer developmental trajectories from single-cell transcriptomics, we probe whether foundation models organize disease states along coherent progression directions in representation space. Across four cancer progressions and six models, we find that all pathology-specific models recover trajectory orderings significantly exceeding null baselines, with vision-only models achieving the highest fidelities $(τ> 0.78$ on CRC-Serrated). Model rankings by trajectory fidelity on reference diseases strongly predict few-shot classification performance on held-out diseases ($ρ= 0.92$), and exploratory analysis shows cell-type composition varies smoothly along inferred trajectories in patterns consistent with known stromal remodeling. Together, these results demonstrate that vision foundation models can implicitly learn to represent continuous processes from independent static observations, and that trajectory fidelity provides a complementary measure of representation quality beyond downstream performance. While demonstrated in pathology, this framework could be applied to other domains where continuous processes are observed through static snapshots.
• Abstract（参考訳）: 離散的なサンプル画像に基づいてトレーニングされたビジョン基礎モデルは、分類ベンチマークで強力なパフォーマンスを達成するが、それらの表現がトレーニングデータの基礎となる継続的プロセスを符号化するかどうかは不明だ。 この問題は特に計算病理学において重要であり、連続的な疾患の進行を暗黙的に捉えた潜在表現を持つモデルは、基礎となる生物学をよりよく反映し、より堅牢な一般化をサポートし、疾患遷移に関連する特徴の定量的分析を可能にすると仮定する。 拡散擬似時間を用いて,単細胞転写学から発生軌跡を推定するために開発された手法を用いて,基礎モデルが表現空間におけるコヒーレント進行方向に沿って疾患状態を整理するかどうかを探索する。 4つのがん進行と6つのモデルにおいて、すべての病理特異的モデルがヌルベースラインをはるかに越え、最も高い忠実度(τ> 0.78$ on CRC-Serrated)を達成している。 基準疾患におけるトラジェクトリー忠実度によるモデルランキングは, 保持疾患における少数ショット分類性能(ρ=0.92$)を強く予測し, 探索分析の結果, 細胞型組成は既知のストロームリモデリングと整合したパターンで, 推定軌道に沿って滑らかに変化することが示された。 これらの結果は、視覚基盤モデルが独立な静的観測から連続的なプロセスを表現することを暗黙的に学習できることを示し、軌道の忠実度が下流のパフォーマンス以上の表現品質の相補的な尺度を提供することを示した。 病理学で実証されているが、このフレームワークは静的スナップショットを通して継続的プロセスが観察される他のドメインに適用できる。

関連論文リスト

• A Semantically Enhanced Generative Foundation Model Improves Pathological Image Synthesis [82.01597026329158]
  本稿では,組織合成のための相関調整フレームワーク(CRAFTS)について紹介する。 CRAFTSは、生物学的精度を確保するためにセマンティックドリフトを抑制する新しいアライメント機構を組み込んでいる。 本モデルは,30種類の癌にまたがる多彩な病理像を生成する。
  論文  参考訳（メタデータ） (2025-12-15T10:22:43Z)
• Alzheimers Disease Progression Prediction Based on Manifold Mapping of Irregularly Sampled Longitudinal Data [12.210689327265072]
  アルツハイマー病(AD)の進行は、不規則にサンプリングされた縦型磁気共鳴画像(sMRI)データからモデル化される。 提案手法はまず,高次元sMRIから抽出した特徴を多様体空間に投射し,本質的な疾患進行の形状を保存する。 提案手法は,病状予測と認知スコア回帰の両面で,最先端モデルよりも一貫して優れている。
  論文  参考訳（メタデータ） (2025-11-25T10:28:37Z)
• From Classification to Cross-Modal Understanding: Leveraging Vision-Language Models for Fine-Grained Renal Pathology [9.268389327736735]
  臨床的に現実的な数ショット問題として,細粒度糸球体サブタイプをモデル化した。 この条件下では、病理特化モデルと汎用視覚言語モデルの両方を評価する。
  論文  参考訳（メタデータ） (2025-11-15T01:44:11Z)
• MIRROR: Multi-Modal Pathological Self-Supervised Representation Learning via Modality Alignment and Retention [57.044719143401664]
  病理組織学と転写学は、腫瘍学の基本的なモダリティであり、疾患の形態学的および分子的側面を包含している。 モーダルアライメントと保持を両立させる新しいマルチモーダル表現学習法であるMIRRORを提案する。 がんの亜型化と生存分析のためのTCGAコホートに関する広範囲な評価は,MIRRORの優れた性能を浮き彫りにしている。
  論文  参考訳（メタデータ） (2025-03-01T07:02:30Z)
• Latent Drifting in Diffusion Models for Counterfactual Medical Image Synthesis [55.959002385347645]
  遅延ドリフトにより、医療画像に対して拡散モデルを条件付けし、反ファクト画像生成の複雑なタスクに適合させることができる。 我々は,脳MRIと胸部X線による3つの時系列的ベンチマークデータセットを用いて,対物画像生成法について検討した。
  論文  参考訳（メタデータ） (2024-12-30T01:59:34Z)
• Benchmarking foundation models as feature extractors for weakly-supervised computational pathology [0.6151041580858937]
  肺, 大腸癌, 胃癌, 乳癌13例の病理組織学的基盤モデルを用いて, 6,818例, 9,528例の病理組織学的検討を行った。 視覚言語基礎モデルであるCONCHは、視覚のみの基礎モデルと比較して最高性能を示し、Virchow2は第2位である。
  論文  参考訳（メタデータ） (2024-08-28T14:34:45Z)
• Surreal-GAN:Semi-Supervised Representation Learning via GAN for uncovering heterogeneous disease-related imaging patterns [4.965264481651854]
  本稿では,Surreal-GAN(Semi-SUpeRvised ReprEsentAtion Learning via GAN)を提案する。 我々は、広範囲な半合成実験を通じてモデルを検証し、さらに、アルツハイマー病における生物学的にもっともらしい画像パターンを捉える可能性を示した。
  論文  参考訳（メタデータ） (2022-05-09T19:09:28Z)
• Ensembling Handcrafted Features with Deep Features: An Analytical Study for Classification of Routine Colon Cancer Histopathological Nuclei Images [13.858624044986815]
  我々は,F1-measure,Precision,Recall,AUC,Cross-Entropy Lossを用いて,提案手法の性能解析を行った。 以上の結果から,DL特徴のアンサンブルがモデル全体の性能を著しく向上させることが明らかとなった。
  論文  参考訳（メタデータ） (2022-02-22T06:48:50Z)

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。