論文の概要: To What Extent Do Token-Level Representations from Pathology Foundation Models Improve Dense Prediction?

• arxiv url: http://arxiv.org/abs/2602.03887v1
• Date: Tue, 03 Feb 2026 03:54:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-05 19:45:11.201426
• Title: To What Extent Do Token-Level Representations from Pathology Foundation Models Improve Dense Prediction?
• Title（参考訳）: 病床モデルからToken-Level表現へ : 味覚予測の改善
• Authors: Weiming Chen, Xitong Ling, Xidong Wang, Zhenyang Cai, Yijia Guo, Mingxi Fu, Ziyi Zeng, Minxi Ouyang, Jiawen Li, Yizhi Wang, Tian Guan, Benyou Wang, Yonghong He,
• Abstract要約: PFM-DenseBenchは高密度病理学予測のための大規模ベンチマークである。 我々は18の公開セグメンテーションデータセットにまたがる17のPFMを評価する。 統一されたプロトコルの下では、異なるPFMがいつ、なぜ成功または失敗するのかについて、洞察に富んだ実践指向の知見を導き出す。
• 参考スコア（独自算出の注目度）: 37.65240257885383
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Pathology foundation models (PFMs) have rapidly advanced and are becoming a common backbone for downstream clinical tasks, offering strong transferability across tissues and institutions. However, for dense prediction (e.g., segmentation), practical deployment still lacks a clear, reproducible understanding of how different PFMs behave across datasets and how adaptation choices affect performance and stability. We present PFM-DenseBench, a large-scale benchmark for dense pathology prediction, evaluating 17 PFMs across 18 public segmentation datasets. Under a unified protocol, we systematically assess PFMs with multiple adaptation and fine-tuning strategies, and derive insightful, practice-oriented findings on when and why different PFMs and tuning choices succeed or fail across heterogeneous datasets. We release containers, configs, and dataset cards to enable reproducible evaluation and informed PFM selection for real-world dense pathology tasks. Project Website: https://m4a1tastegood.github.io/PFM-DenseBench
• Abstract（参考訳）: 病理基盤モデル (PFMs) は急速に進歩し、下流臨床の共通のバックボーンとなり、組織や機関間で強い伝達性を提供している。 しかし、密集した予測(例えばセグメンテーション)では、実践的なデプロイメントには、データセット間で異なるPFMがどのように振る舞うか、適応の選択がパフォーマンスと安定性に与える影響について、明確で再現可能な理解が欠けている。 PFM-DenseBenchは18の公開セグメンテーションデータセットにわたる17個のPFMを評価する。 統一されたプロトコルの下では、複数の適応と微調整戦略を用いてPFMを体系的に評価し、異種データセット間で異なるPFMとチューニングの選択がいつ、なぜ成功したか、あるいは失敗したのかについての洞察に富んだ実践指向の知見を導出する。 我々は再現可能な評価を可能にするためにコンテナ、設定、データセットカードをリリースし、実世界の密集した病理タスクに対してPFM選択を通知する。 プロジェクトウェブサイト:https://m4a1tastegood.github.io/PFM-DenseBench

関連論文リスト

• AdaFusion: Prompt-Guided Inference with Adaptive Fusion of Pathology Foundation Models [49.550545038402184]
  本稿では,新しいプロンプト誘導推論フレームワークであるAdaFusionを提案する。 本手法は,多様なモデルからタイルレベルの特徴を圧縮・整列する。 AdaFusionは、分類タスクと回帰タスクの両方にわたって、個々のPFMを一貫して上回っている。
  論文  参考訳（メタデータ） (2025-08-07T07:09:31Z)
• Single GPU Task Adaptation of Pathology Foundation Models for Whole Slide Image Analysis [8.076987502347327]
  病理基盤モデル(PFM)は、スライド画像全体(WSI)を解析するための強力なツールとして登場した。 TAPFMは、特徴表現と注目重みの両方を最適化しながら、MILアグリゲーションに視覚変換器(ヴィット)アテンションを使用する。 膀胱癌および肺腺癌に対する突然変異予測タスクの評価。
  論文  参考訳（メタデータ） (2025-06-05T15:56:45Z)
• A Survey of Pathology Foundation Model: Progress and Future Directions [3.009351592961681]
  コンピュータ病理学では、自動がん診断のためにスライド画像全体を解析する。 最近の病理基盤モデル (PFM) は, 大規模な病理組織学的データに基づいて, 抽出器と凝集器の双方を大幅に強化している。 PFMを組織する階層的な分類法を,任意の領域の基盤モデル解析に適用可能なトップダウンの哲学を通じて提案する。
  論文  参考訳（メタデータ） (2025-04-05T03:44:09Z)
• Revisiting Automatic Data Curation for Vision Foundation Models in Digital Pathology [41.34847597178388]
  視覚基盤モデル(FM)は、全スライディング画像から抽出された高度に異質なタイルの組織学的特徴を表現することを学ぶ。 タイルレベルでの教師なし自動データキュレーションの可能性について検討し,3億5000万個のタイルを考慮に入れた。
  論文  参考訳（メタデータ） (2025-03-24T14:23:48Z)
• ASPS: Augmented Segment Anything Model for Polyp Segmentation [77.25557224490075]
  SAM(Segment Anything Model)は、ポリープセグメンテーションに先例のないポテンシャルを導入している。 SAMのTransformerベースの構造は、グローバルおよび低周波情報を優先する。 CFAはトレーニング可能なCNNエンコーダブランチと凍結したViTエンコーダを統合し、ドメイン固有の知識の統合を可能にする。
  論文  参考訳（メタデータ） (2024-06-30T14:55:32Z)
• Progress and Opportunities of Foundation Models in Bioinformatics [77.74411726471439]
  基礎モデル(FM)は、特に深層学習の領域において、計算生物学の新しい時代に定着した。 我々の焦点は、特定の生物学的問題にFMを応用することであり、研究ニーズに適切なFMを選択するために研究コミュニティを指導することを目的としています。 データノイズ、モデル説明可能性、潜在的なバイアスなど、生物学においてFMが直面する課題と限界を分析します。
  論文  参考訳（メタデータ） (2024-02-06T02:29:17Z)
• Convolutional Monge Mapping Normalization for learning on sleep data [63.22081662149488]
  我々は、CMMN(Convolutional Monge Mapping Normalization)と呼ばれる新しい手法を提案する。 CMMNは、そのパワースペクトル密度(PSD)をトレーニングデータに基づいて推定されるワッサーシュタインバリセンタに適応させるために、信号をフィルタリングする。 睡眠脳波データに関する数値実験により、CMMNはニューラルネットワークアーキテクチャから独立して、顕著で一貫したパフォーマンス向上をもたらすことが示された。
  論文  参考訳（メタデータ） (2023-05-30T08:24:01Z)

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。