論文の概要: Toxicity Assessment in Preclinical Histopathology via Class-Aware Mahalanobis Distance for Known and Novel Anomalies

• arxiv url: http://arxiv.org/abs/2602.02124v1
• Date: Mon, 02 Feb 2026 14:07:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-03 19:28:34.190272
• Title: Toxicity Assessment in Preclinical Histopathology via Class-Aware Mahalanobis Distance for Known and Novel Anomalies
• Title（参考訳）: 学級別マハラノビス距離による前臨床病理組織学の毒性評価
• Authors: Olga Graf, Dhrupal Patel, Peter Groß, Charlotte Lempp, Matthias Hein, Fabian Heinemann,
• Abstract要約: 薬物による毒性は、先天的な発達と初期の臨床試験の失敗の主因である。 組織学的全スライディング画像(WSI)のためのAIベースの異常検出フレームワークを,毒性研究から紹介した。 このシステムは、トレーニングデータが利用可能である健康な組織と既知の病理(アナマリー)を特定する。 アウト・オブ・ディストリビューション(OOD:out-of-distribution)の所見として、トレーニングデータなしで希少な病理を検出できる。
• 参考スコア（独自算出の注目度）: 10.430313289285158
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Drug-induced toxicity remains a leading cause of failure in preclinical development and early clinical trials. Detecting adverse effects at an early stage is critical to reduce attrition and accelerate the development of safe medicines. Histopathological evaluation remains the gold standard for toxicity assessment, but it relies heavily on expert pathologists, creating a bottleneck for large-scale screening. To address this challenge, we introduce an AI-based anomaly detection framework for histopathological whole-slide images (WSIs) in rodent livers from toxicology studies. The system identifies healthy tissue and known pathologies (anomalies) for which training data is available. In addition, it can detect rare pathologies without training data as out-of-distribution (OOD) findings. We generate a novel dataset of pixelwise annotations of healthy tissue and known pathologies and use this data to fine-tune a pre-trained Vision Transformer (DINOv2) via Low-Rank Adaptation (LoRA) in order to do tissue segmentation. Finally, we extract features for OOD detection using the Mahalanobis distance. To better account for class-dependent variability in histological data, we propose the use of class-specific thresholds. We optimize the thresholds using the mean of the false negative and false positive rates, resulting in only 0.16\% of pathological tissue classified as healthy and 0.35\% of healthy tissue classified as pathological. Applied to mouse liver WSIs with known toxicological findings, the framework accurately detects anomalies, including rare OOD morphologies. This work demonstrates the potential of AI-driven histopathology to support preclinical workflows, reduce late-stage failures, and improve efficiency in drug development.
• Abstract（参考訳）: 薬物による毒性は、先天的な発達と初期の臨床試験の失敗の主な原因である。 早期の副作用の検出は、有害度を減らし、安全な医薬品の開発を促進するために重要である。 病理組織学的評価は、毒性評価の金の基準であり続けているが、専門家の病理学者に大きく依存しており、大規模検診のボトルネックとなっている。 この課題に対処するために,病原性肝における病理組織学的全スライディング画像(WSI)に対するAIベースの異常検出フレームワークを導入する。 このシステムは、トレーニングデータが利用可能である健康な組織と既知の病理(アナマリー)を特定する。 さらに、アウト・オブ・ディストリビューション(OOD)の所見として、トレーニングデータなしで希少な病理を検出できる。 我々は、健康な組織と既知の病理のピクセルワイドアノテーションのデータセットを作成し、このデータを用いて、組織セグメンテーションを行うために、Low-Rank Adaptation (LoRA)を介して、トレーニング済みのVision Transformer (DINOv2)を微調整する。 最後に,マハラノビス距離を用いたOOD検出の特徴を抽出する。 組織学的データにおけるクラス依存的変動をよりよく考慮するために,クラス依存しきい値の使用を提案する。 その結果,病理組織は0.16 %,病理組織は0.35 %,病理組織は0.35 %であった。 マウス肝臓WSIに既知の毒性所見を応用し、まれなOOD形態を含む異常を正確に検出する。 この研究は、前臨床ワークフローをサポートし、後期の失敗を減らし、薬物開発における効率を向上させるために、AI駆動の病理学の可能性を示す。

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)
• Topology-Constrained Learning for Efficient Laparoscopic Liver Landmark Detection [46.2391319253146]
  肝のランドマークは腹腔鏡下肝手術中に外科医に重要な解剖学的ガイダンスを提供する。 TopoNetは腹腔鏡下肝ランドマーク検出のための新しいトポロジ制約学習フレームワークである。 我々のフレームワークは、スネーク・CNNデュアルパス・エンコーダを用いて、詳細なRGBテクスチャ情報と深さインフォームドトポロジ構造を同時に取得する。
  論文  参考訳（メタデータ） (2025-07-01T07:35:36Z)
• PathoSCOPE: Few-Shot Pathology Detection via Self-Supervised Contrastive Learning and Pathology-Informed Synthetic Embeddings [42.42150241818321]
  教師なしの病理検出では、非病理データに基づいて、偏差を病理としてモデル化する。 そこで我々は,少数の非病理サンプルのみを必要とする,数発の非教師付き病理診断フレームワークPathoSCOPEを提案する。 PathoSCOPEは計算効率(2.48 GFLOP, 166 FPS)を維持しながら教師なし手法の最先端性能を実現する
  論文  参考訳（メタデータ） (2025-05-23T08:21:58Z)
• Statistical Learning for Heterogeneous Treatment Effects: Pretraining, Prognosis, and Prediction [40.96453902709292]
  実世界の応用における現象を利用した事前学習戦略を提案する。 医学では、同じ生物学的シグナル伝達経路の成分は、ベースラインリスクと治療反応の両方に頻繁に影響を及ぼす。 この構造を用いて,リスク予測と因果効果推定の相乗効果を利用するモデルを構築した。
  論文  参考訳（メタデータ） (2025-05-01T05:12:14Z)
• Learning to diagnose cirrhosis from radiological and histological labels with joint self and weakly-supervised pretraining strategies [62.840338941861134]
  そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。 我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。 この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
  論文  参考訳（メタデータ） (2023-02-16T17:06:23Z)
• Learning image representations for anomaly detection: application to discovery of histological alterations in drug development [0.0]
  病理組織学では、通常標本は豊富であるが、異常(病理)の症例は少ないか、利用できない。 このような画像の事前学習畳み込みニューラルネットワーク(CNN)表現と組み合わせたアプローチは、以前は異常検出(AD)に用いられていた。 本手法は, 早期に薬剤の毒性評価に有効であり, 遅発性薬剤の服用を低減できる可能性が示唆された。
  論文  参考訳（メタデータ） (2022-10-14T10:00:36Z)
• StyPath: Style-Transfer Data Augmentation For Robust Histology Image Classification [6.690876060631452]
  我々は,StyPathに基づくAMR分類のための,堅牢なディープニューラルネットワークを構築するための新しいパイプラインを提案する。 それぞれの画像は、1GTX V TITANとpytorchを使って1.84 + 0.03秒で生成された。 以上の結果から,本手法は組織学的分類性能を向上させることが示唆された。
  論文  参考訳（メタデータ） (2020-07-09T18:02:49Z)

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。