論文の概要: Enabling clinical use of foundation models in histopathology

• arxiv url: http://arxiv.org/abs/2602.22347v1
• Date: Wed, 25 Feb 2026 19:13:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-27 18:41:22.383504
• Title: Enabling clinical use of foundation models in histopathology
• Title（参考訳）: 病理組織学における基礎モデルの臨床的活用
• Authors: Audun L. Henriksen, Ole-Johan Skrede, Lisa van der Schee, Enric Domingo, Sepp De Raedt, Ilyá Kostolomov, Jennifer Hay, Karolina Cyll, Wanja Kildal, Joakim Kalsnes, Robert W. Williams, Manohar Pradhan, John Arne Nesheim, Hanne A. Askautrud, Maria X. Isaksen, Karmele Saez de Gordoa, Miriam Cuatrecasas, Joanne Edwards, TransSCOT group, Arild Nesbakken, Neil A. Shepherd, Ian Tomlinson, Daniel-Christoph Wagner, Rachel S. Kerr, Tarjei Sveinsgjerd Hveem, Knut Liestøl, Yoshiaki Nakamura, Marco Novelli, Masaaki Miyo, Sebastian Foersch, David N. Church, Miangela M. Lacle, David J. Kerr, Andreas Kleppe,
• Abstract要約: ダウンストリームタスク特化モデルのトレーニング中に新たなロバストネス損失を導入することにより、技術的多様性に対する感受性が低下することを示す。 頑健さの大幅な改善に加えて,生物的な特徴に着目して予測精度が向上することが観察された。
• 参考スコア（独自算出の注目度）: 0.915833570138883
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Foundation models in histopathology are expected to facilitate the development of high-performing and generalisable deep learning systems. However, current models capture not only biologically relevant features, but also pre-analytic and scanner-specific variation that bias the predictions of task-specific models trained from the foundation model features. Here we show that introducing novel robustness losses during training of downstream task-specific models reduces sensitivity to technical variability. A purpose-designed comprehensive experimentation setup with 27,042 WSIs from 6155 patients is used to train thousands of models from the features of eight popular foundation models for computational pathology. In addition to a substantial improvement in robustness, we observe that prediction accuracy improves by focusing on biologically relevant features. Our approach successfully mitigates robustness issues of foundation models for computational pathology without retraining the foundation models themselves, enabling development of robust computational pathology models applicable to real-world data in routine clinical practice.
• Abstract（参考訳）: 病理学の基盤モデルは、高性能で汎用的なディープラーニングシステムの開発を促進することが期待されている。 しかし、現在のモデルでは、生物学的に関係のある特徴だけでなく、基礎モデルの特徴から訓練されたタスク固有モデルの予測をバイアスする、事前分析およびスキャナ固有のバリエーションも捉えている。 ここでは、下流タスク特化モデルのトレーニング中に新しいロバストネス損失を導入することにより、技術的多様性に対する感受性が低下することを示す。 6155の患者27,042人のWSIで設計された総合的な実験装置は、コンピュータ病理学の一般的な8つの基礎モデルの特徴から数千のモデルを訓練するために使用される。 頑健さの大幅な改善に加えて,生物的な特徴に着目して予測精度が向上することが観察された。 本手法は, 基礎モデル自体をトレーニングすることなく, 基礎モデルの堅牢性を軽減し, 日常的な臨床実践において, 実世界のデータに適用可能なロバストな計算病理モデルの開発を可能にする。

関連論文リスト

• Investigating the Impact of Histopathological Foundation Models on Regressive Prediction of Homologous Recombination Deficiency [52.50039435394964]
  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。
  論文  参考訳（メタデータ） (2026-01-29T14:06:50Z)
• Counterfactual Probabilistic Diffusion with Expert Models [44.96279296893773]
  本稿では,不完全な専門家モデルからのガイダンスを取り入れた時系列拡散に基づくフレームワークを提案する。 我々の方法であるODE-Diffは、機械的およびデータ駆動的なアプローチをブリッジし、より信頼性が高く解釈可能な因果推論を可能にする。
  論文  参考訳（メタデータ） (2025-08-18T20:44:32Z)
• 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)
• A Comprehensive Evaluation of Histopathology Foundation Models for Ovarian Cancer Subtype Classification [1.9499122087408571]
  病理組織学の基礎モデルは、多くのタスクにまたがる大きな約束を示している。 これまでで最も厳格な単一タスクによる病理組織学的基盤モデルの検証を報告した。 病理組織学的基盤モデルは卵巣がんの亜型化に明確な利益をもたらす。
  論文  参考訳（メタデータ） (2024-05-16T11:21:02Z)
• On the Out of Distribution Robustness of Foundation Models in Medical Image Segmentation [47.95611203419802]
  視覚と言語の基礎は、様々な自然画像とテキストデータに基づいて事前訓練されており、有望なアプローチとして現れている。 一般化性能を,同じ分布データセット上で微調整した後,事前学習した各種モデルの未確認領域と比較した。 さらに,凍結モデルに対する新しいベイズ不確実性推定法を開発し,分布外データに基づくモデルの性能評価指標として利用した。
  論文  参考訳（メタデータ） (2023-11-18T14:52:10Z)
• Benchmarking Heterogeneous Treatment Effect Models through the Lens of Interpretability [82.29775890542967]
  治療のパーソナライズされた効果を見積もるのは複雑だが、普及している問題である。 ヘテロジニアス処理効果推定に関する機械学習文献の最近の進歩は、洗練されたが不透明なツールの多くを生み出した。 我々は、ポストホックな特徴重要度法を用いて、モデルの予測に影響を及ぼす特徴を特定する。
  論文  参考訳（メタデータ） (2022-06-16T17:59:05Z)
• 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)

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。