論文の概要: Investigating the Impact of Histopathological Foundation Models on Regressive Prediction of Homologous Recombination Deficiency

• arxiv url: http://arxiv.org/abs/2602.00151v2
• Date: Thu, 05 Feb 2026 09:54:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-06 14:11:23.819223
• Title: Investigating the Impact of Histopathological Foundation Models on Regressive Prediction of Homologous Recombination Deficiency
• Title（参考訳）: 病理組織学的基盤モデルが相同組換え不全の回帰予測に及ぼす影響の検討
• Authors: Alexander Blezinger, Wolfgang Nejdl, Ming Tang,
• Abstract要約: 回帰に基づくタスクの基礎モデルを体系的に評価する。 我々は5つの最先端基礎モデルを用いて、スライド画像全体(WSI)からパッチレベルの特徴を抽出する。 乳房、子宮内膜、肺がんコホートにまたがるこれらの抽出された特徴に基づいて、連続したRDDスコアを予測するモデルが訓練されている。
• 参考スコア（独自算出の注目度）: 52.50039435394964
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Foundation models pretrained on large-scale histopathology data have found great success in various fields of computational pathology, but their impact on regressive biomarker prediction remains underexplored. In this work, we systematically evaluate histopathological foundation models for regression-based tasks, demonstrated through the prediction of homologous recombination deficiency (HRD) score - a critical biomarker for personalized cancer treatment. Within multiple instance learning frameworks, we extract patch-level features from whole slide images (WSI) using five state-of-the-art foundation models, and evaluate their impact compared to contrastive learning-based features. Models are trained to predict continuous HRD scores based on these extracted features across breast, endometrial, and lung cancer cohorts from two public medical data collections. Extensive experiments demonstrate that models trained on foundation model features consistently outperform the baseline in terms of predictive accuracy and generalization capabilities while exhibiting systematic differences among the foundation models. Additionally, we propose a distribution-based upsampling strategy to mitigate target imbalance in these datasets, significantly improving the recall and balanced accuracy for underrepresented but clinically important patient populations. Furthermore, we investigate the impact of different sampling strategies and instance bagsizes by ablation studies. Our results highlight the benefits of large-scale histopathological pretraining for more precise and transferable regressive biomarker prediction, showcasing its potential to advance AI-driven precision oncology.
• Abstract（参考訳）: 大規模な病理組織学データに基づいて事前訓練された基礎モデルは、様々な分野の計算病理学で大きな成功を収めてきたが、回帰的バイオマーカー予測に対する影響は未解明のままである。 本研究は,遺伝子組換え欠損症 (HRD) スコアの予測を通じて, 回帰ベースタスクの病理組織学的基礎モデルを体系的に評価し, パーソナライズされた癌治療における重要なバイオマーカーである。 複数の事例学習フレームワークにおいて、5つの最先端基盤モデルを用いて、スライド画像全体(WSI)からパッチレベルの特徴を抽出し、対照的な学習に基づく特徴と比較してその影響を評価する。 モデルは、乳房、子宮内膜および肺がんのコホートから抽出された特徴に基づいて、2つの公開医療データ収集から連続したRDDスコアを予測するために訓練される。 総合的な実験により、基礎モデルの特徴に基づいて訓練されたモデルは、基礎モデル間で体系的な差異を示しながら、予測精度と一般化能力の点で、基礎モデルよりも一貫して優れていることが示された。 さらに,これらのデータセットにおける目標不均衡を緩和し,低発現でも臨床的に重要な患者集団に対するリコール精度とバランス精度を大幅に改善する分布型アップサンプリング戦略を提案する。 さらに, 異なるサンプリング戦略とインスタンスバッグサイズの影響について, アブレーション研究により検討した。 以上の結果から,より正確かつ伝達性の高いバイオマーカー予測のための大規模な病理組織学事前訓練の利点が浮かび上がっており,AIによる精度オンコロジーの進展の可能性を示している。

関連論文リスト

• Integrating Genomics into Multimodal EHR Foundation Models [56.31910745104141]
  本稿では,ポリジェニックリスクスコア(PRS)を基本データモダリティとして統合した,革新的なEHR基盤モデルを提案する。 このフレームワークは、臨床データと遺伝子前置詞の複雑な関係を学習することを目的としている。 このアプローチは、病気の予測、積極的な健康管理、リスク階層化、パーソナライズされた治療戦略に対する新たな洞察を解放するために重要である。
  論文  参考訳（メタデータ） (2025-10-24T15:56:40Z)
• Prediction of Lung Metastasis from Hepatocellular Carcinoma using the SEER Database [0.9055332067000195]
  肝細胞癌(HCC)は、がん関連死亡の原因である。 HCCにおける肺転移の予測モデルは、範囲と臨床応用性に限られている。 本研究では,Surveillance, Epidemiology, End Results (SEER)データベースのデータを用いて,エンドツーエンドの機械学習パイプラインの開発と検証を行う。
  論文  参考訳（メタデータ） (2025-01-20T20:06:31Z)
• Do Histopathological Foundation Models Eliminate Batch Effects? A Comparative Study [1.5142296396121897]
  基礎モデルの特徴埋め込みには, 偏りのある予測や誤分類につながる可能性のある, 異なる病院の署名が含まれていることを示す。 我々の研究は、医療基盤モデルの評価に関する新しい視点を提供し、より堅牢な事前訓練戦略と下流予測者への道を開く。
  論文  参考訳（メタデータ） (2024-11-08T11:39:03Z)
• 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)
• Transformer-Based Self-Supervised Learning for Histopathological Classification of Ischemic Stroke Clot Origin [0.0]
  虚血性脳卒中における血栓塞栓源の同定は治療と二次予防に不可欠である。 本研究は,虚血性脳梗塞の発生源を分類するためのエンボリのデジタル病理学における自己教師型深層学習アプローチについて述べる。
  論文  参考訳（メタデータ） (2024-05-01T23:40:12Z)
• Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
  近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。 そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
  論文  参考訳（メタデータ） (2024-04-26T16:39:50Z)
• Incorporating Prior Knowledge in Deep Learning Models via Pathway Activity Autoencoders [5.950889585409067]
  本稿では,癌におけるRNA-seqデータのための,事前知識に基づく新しいディープオートエンコーディングフレームワークPAAEを提案する。 機能セットが小さいにもかかわらず,PAAEモデルとPAAEモデルでは,一般的な手法と比較して,アウト・オブ・セットの再現性が向上していることを示す。
  論文  参考訳（メタデータ） (2023-06-09T11:12:55Z)
• A multi-stage machine learning model on diagnosis of esophageal manometry [50.591267188664666]
  このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。 これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
  論文  参考訳（メタデータ） (2021-06-25T20:09:23Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)
• Adversarial Sample Enhanced Domain Adaptation: A Case Study on Predictive Modeling with Electronic Health Records [57.75125067744978]
  ドメイン適応を容易にするデータ拡張手法を提案する。 逆生成したサンプルはドメイン適応時に使用される。 その結果,本手法の有効性とタスクの一般性が確認された。
  論文  参考訳（メタデータ） (2021-01-13T03:20:20Z)

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。