論文の概要: iSight: Towards expert-AI co-assessment for improved immunohistochemistry staining interpretation

• arxiv url: http://arxiv.org/abs/2602.04063v1
• Date: Tue, 03 Feb 2026 22:49:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-05 19:45:11.299777
• Title: iSight: Towards expert-AI co-assessment for improved immunohistochemistry staining interpretation
• Title（参考訳）: iSight: 免疫組織化学染色法の改良のための専門家-AI共同評価に向けて
• Authors: Jacob S. Leiby, Jialu Yao, Pan Lu, George Hu, Anna Davidian, Shunsuke Koga, Olivia Leung, Pravin Patel, Isabella Tondi Resta, Rebecca Rojansky, Derek Sung, Eric Yang, Paul J. Zhang, Emma Lundberg, Dokyoon Kim, Serena Yeung-Levy, James Zou, Thomas Montine, Jeffrey Nirschl, Zhi Huang,
• Abstract要約: HPA10MはHuman Protein Atlasの10,495,672 IHC画像を含むデータセットである。 HPA10Mに基づいて、自動IHC染色評価のためのマルチタスク学習フレームワークiSightを訓練した。 iSightは位置の精度85.5%、強度76.6%、量75.7%を達成し、微調整された基礎モデルを上回った。
• 参考スコア（独自算出の注目度）: 31.55467851797712
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Immunohistochemistry (IHC) provides information on protein expression in tissue sections and is commonly used to support pathology diagnosis and disease triage. While AI models for H\&E-stained slides show promise, their applicability to IHC is limited due to domain-specific variations. Here we introduce HPA10M, a dataset that contains 10,495,672 IHC images from the Human Protein Atlas with comprehensive metadata included, and encompasses 45 normal tissue types and 20 major cancer types. Based on HPA10M, we trained iSight, a multi-task learning framework for automated IHC staining assessment. iSight combines visual features from whole-slide images with tissue metadata through a token-level attention mechanism, simultaneously predicting staining intensity, location, quantity, tissue type, and malignancy status. On held-out data, iSight achieved 85.5\% accuracy for location, 76.6\% for intensity, and 75.7\% for quantity, outperforming fine-tuned foundation models (PLIP, CONCH) by 2.5--10.2\%. In addition, iSight demonstrates well-calibrated predictions with expected calibration errors of 0.0150-0.0408. Furthermore, in a user study with eight pathologists evaluating 200 images from two datasets, iSight outperformed initial pathologist assessments on the held-out HPA dataset (79\% vs 68\% for location, 70\% vs 57\% for intensity, 68\% vs 52\% for quantity). Inter-pathologist agreement also improved after AI assistance in both held-out HPA (Cohen's $κ$ increased from 0.63 to 0.70) and Stanford TMAD datasets (from 0.74 to 0.76), suggesting expert--AI co-assessment can improve IHC interpretation. This work establishes a foundation for AI systems that can improve IHC diagnostic accuracy and highlights the potential for integrating iSight into clinical workflows to enhance the consistency and reliability of IHC assessment.
• Abstract（参考訳）: 免疫組織化学(IHC)は、組織部位におけるタンパク質の発現に関する情報を提供し、病理診断と病気のトリアージを支援するために一般的に用いられる。 H\&E-stainedスライド用のAIモデルは有望であるが、ドメイン固有のバリエーションのため、IHCの適用性は制限されている。 本稿では,HPA10Mについて紹介する。HPA10MはHuman Protein Atlasの10,495,672 IHC画像と包括的メタデータを含むデータセットで,45種類の正常組織と20種類のがんを含む。 HPA10Mに基づいて、自動IHC染色評価のためのマルチタスク学習フレームワークiSightを訓練した。 iSightはトークンレベルの注意機構を通じて、スライディング画像全体の視覚的特徴と組織メタデータを組み合わせることで、染色強度、位置、量、組織タイプ、悪性度を同時に予測する。 保持されたデータでは、iSightは位置の精度85.5\%、強度76.6\%、量75.7\%を達成し、微調整基礎モデル(PLIP、CONCH)を2.5--10.2\%上回った。 さらに、iSightは0.0150-0.0408のキャリブレーション誤差を期待して、よく校正された予測を示す。 さらに、2つのデータセットから200の画像を評価する8人の病理学者によるユーザスタディにおいて、iSightは保持されているHPAデータセットの初期病理学者の評価よりも優れていた(位置は79\%、強度は70\%、量では68\%、52\%)。 病理学者間の合意は、保持されたHPA(コーエンのκ$は0.63から0.70に増加した)とスタンフォードTMADデータセット(0.74から0.76に増加した)の両方でAIアシストが改善した。 この研究は、IHC診断精度を向上させることができるAIシステムの基盤を確立し、IHCアセスメントの一貫性と信頼性を高めるために、iSightを臨床ワークフローに統合する可能性を強調している。

関連論文リスト

• FUGC: Benchmarking Semi-Supervised Learning Methods for Cervical Segmentation [63.7829089874007]
  本稿では,頚椎椎間板断裂における半教師あり学習のための最初のベンチマークであるFetal Ultrasound Grand Challenge (FUGC)を紹介する。 FUGCは、500のトレーニング画像、90の検証画像、300のテスト画像を含む890のTVSイメージのデータセットを提供する。 Dice similarity Coefficient (DSC), Hausdorff Distance (HD), and Runtime (RT), with a weighted combination of 0.4/0.4/0.2。
  論文  参考訳（メタデータ） (2026-01-22T01:34:39Z)
• AI-Powered Early Detection of Critical Diseases using Image Processing and Audio Analysis [0.4356470230135012]
  本稿では,画像解析,サーマルイメージング,音声信号処理を統合したマルチモーダル人工知能(AI)診断フレームワークを提案する。 微細調整されたMobileNetV2畳み込みニューラルネットワークは、皮膚病変分類のためのISIC 2019データセットでトレーニングされた。 ハンドクラフト機能を備えたサポートベクターマシン(SVM)は、86.4%の精度でサーマルクロート検出に使用された。 このフレームワークは、スケーラブルでリアルタイムで、アクセス可能なAIベースの事前診断型ヘルスケアソリューションへの、有望なステップを提供する。
  論文  参考訳（メタデータ） (2025-10-29T06:09:17Z)
• Curriculum Learning with Synthetic Data for Enhanced Pulmonary Nodule Detection in Chest Radiographs [0.0]
  本研究は, カリキュラム学習と総合的拡張を統合することで, 難治性肺結節の検出が促進されるかどうかを検証した。 FPN(Feature Pyramid Network)バックボーンを備えた高速なR-CNNは、ハイブリッドデータセットでトレーニングされた。
  論文  参考訳（メタデータ） (2025-10-09T02:06:13Z)
• A Disease-Centric Vision-Language Foundation Model for Precision Oncology in Kidney Cancer [54.58205672910646]
  RenalCLIPは、腎腫瘤の特徴、診断、予後のための視覚言語基盤モデルである。 腎がんの完全な臨床ワークフローにまたがる10のコアタスクにおいて、優れたパフォーマンスと優れた一般化性を実現した。
  論文  参考訳（メタデータ） (2025-08-22T17:48:19Z)
• A Novel Attention-Augmented Wavelet YOLO System for Real-time Brain Vessel Segmentation on Transcranial Color-coded Doppler [49.03919553747297]
  我々は,脳動脈を効率よく捉えることができるAIを利用したリアルタイムCoW自動分割システムを提案する。 Transcranial Color-coded Doppler (TCCD) を用いたAIによる脳血管セグメンテーションの事前研究は行われていない。 提案したAAW-YOLOは, 異方性および対側性CoW容器のセグメンテーションにおいて高い性能を示した。
  論文  参考訳（メタデータ） (2025-08-19T14:41:22Z)
• Cross-Modality Learning for Predicting IHC Biomarkers from H&E-Stained Whole-Slide Images [4.650292435891902]
  HistoStainAlignは、H&E全スライド画像から直接IHC染色パターンを予測する。 HistoStainAlignはこれら3つのICC染色に対してそれぞれ0.735 [95% Confidence Interval (CI): 0.670-0.799]、0.830 [95% CI: 0.772-0.886]、0.723 [95% CI: 0.607-0.836]の重み付きF1スコアを達成した。
  論文  参考訳（メタデータ） (2025-06-18T20:01:14Z)
• Integrating Deep Learning with Fundus and Optical Coherence Tomography for Cardiovascular Disease Prediction [47.7045293755736]
  心血管疾患(CVD)のリスクのある患者の早期発見は、効果的な予防ケア、医療負担の軽減、患者の生活の質の向上に不可欠である。 本研究は、網膜光コヒーレンス断層撮影(OCT)と眼底写真との併用による、将来の心疾患の特定の可能性を示すものである。 そこで我々は,MCVAE(Multi- Channel Variational Autoencoder)に基づく新たなバイナリ分類ネットワークを提案し,患者の眼底画像とOCT画像の潜伏埋め込みを学習し,個人を将来CVDを発症する可能性のあるものとそうでないものとの2つのグループに分類する。
  論文  参考訳（メタデータ） (2024-10-18T12:37:51Z)
• Predicting risk of cardiovascular disease using retinal OCT imaging [40.71667870702634]
  心臓血管疾患(CVD)が世界的に死因となっている。 光コヒーレンストモグラフィー(OCT)は早期のCVDリスク予測の潜在的なツールとして認識されている。 我々は,将来のCVD事象を予測するための追加撮像技術としてのOCTの可能性について検討した。
  論文  参考訳（メタデータ） (2024-03-26T14:42:46Z)
• Addressing Uncertainty in Imbalanced Histopathology Image Classification of HER2 Breast Cancer: An interpretable Ensemble Approach with Threshold Filtered Single Instance Evaluation (SIE) [0.0]
  早期診断は、患者が効率的な治療決定を行うのを助けることで死亡率を軽減することができる。 HER2は乳癌の最も致命的な亜型である。 DenseNet201とXceptionは単一の分類器にまとめられた。
  論文  参考訳（メタデータ） (2023-08-01T19:44:31Z)

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。