論文の概要: Leveraging whole slide difficulty in Multiple Instance Learning to improve prostate cancer grading

• arxiv url: http://arxiv.org/abs/2603.09953v1
• Date: Tue, 10 Mar 2026 17:49:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-11 15:25:24.515852
• Title: Leveraging whole slide difficulty in Multiple Instance Learning to improve prostate cancer grading
• Title（参考訳）: 複数事例学習におけるスライドの難易度向上による前立腺癌評価の改善
• Authors: Marie Arrivat, Rémy Peyret, Elsa Angelini, Pietro Gori,
• Abstract要約: 専門医と非専門的な病理医の意見の相違から,WSD(Whole Slide Difficulty)の概念を紹介した。 本稿では,WSD,マルチタスクアプローチ,重み付き分類損失アプローチの2つの方法を提案する。 その結果、訓練中にWSDを統合することで、異なる機能エンコーダとMILメソッド間の分類性能が一貫して向上することがわかった。
• 参考スコア（独自算出の注目度）: 2.784896870211286
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multiple Instance Learning (MIL) has been widely applied in histopathology to classify Whole Slide Images (WSIs) with slide-level diagnoses. While the ground truth is established by expert pathologists, the slides can be difficult to diagnose for non-experts and lead to disagreements between the annotators. In this paper, we introduce the notion of Whole Slide Difficulty (WSD), based on the disagreement between an expert and a non-expert pathologist. We propose two different methods to leverage WSD, a multi-task approach and a weighted classification loss approach, and we apply them to Gleason grading of prostate cancer slides. Results show that integrating WSD during training consistently improves the classification performance across different feature encoders and MIL methods, particularly for higher Gleason grades (i.e. worse diagnosis).
• Abstract（参考訳）: MIL(Multiple Instance Learning)は、スライドレベルの診断でWSI(Whole Slide Images)を分類するために、病理組織学に広く応用されている。 基礎的な真実は、専門家の病理学者によって確立されているが、このスライドは非専門家の診断が困難であり、アノテーター間の意見の相違につながる可能性がある。 本稿では,専門家と非専門的病理学者の意見の相違に基づく完全スライド困難(WSD)の概念を紹介する。 われわれはWSD,マルチタスクアプローチ,重み付き分類損失アプローチの2つの方法を提案し,前立腺がんスライドのグリーソングレーディングに適用した。 以上の結果から,WSDをトレーニング中に統合することで,特徴エンコーダとMILメソッドの分類性能が一貫して向上することが示唆された。

関連論文リスト

• DermoGPT: Open Weights and Open Data for Morphology-Grounded Dermatological Reasoning MLLMs [54.8829900010621]
  MLLM (Multimodal Large Language Models) は、医学的応用を約束するが、限られたトレーニングデータ、狭いタスクカバレッジ、臨床現場での監督の欠如により、皮膚科の遅れが進行する。 これらのギャップに対処するための包括的なフレームワークを提示します。 まず,211,243のイメージと72,675のトラジェクトリを5つのタスク形式に分けた大規模形態素解析コーパスであるDermo Instructを紹介する。 第二にDermoBenchは、4つの臨床軸(形態学、診断、推論、フェアネス)にまたがる11のタスクを評価する厳密なベンチマークで、3600の挑戦的なサブセットを含む。
  論文  参考訳（メタデータ） (2026-01-05T07:55:36Z)
• Anatomy-R1: Enhancing Anatomy Reasoning in Multimodal Large Language Models via Anatomical Similarity Curriculum and Group Diversity Augmentation [52.7583577508452]
  MLLM(Multimodal Large Language Models)は自然画像推論において顕著な進歩を遂げている。 医用画像におけるその潜在性は、特に臨床解剖学的外科画像では未発見のままである。 これらの課題は、従来のSupervised Fine-Tuning戦略の有効性を制限する。
  論文  参考訳（メタデータ） (2025-12-22T16:06:36Z)
• Pathological Prior-Guided Multiple Instance Learning For Mitigating Catastrophic Forgetting in Breast Cancer Whole Slide Image Classification [50.899861205016265]
  乳癌のWSI分類における破滅的忘れを緩和する新しい枠組みであるPaGMILを提案する。 私たちのフレームワークでは、共通のMILモデルアーキテクチャに2つの重要なコンポーネントを導入しています。 複数の乳がんデータセットを対象としたPaGMILの連続学習性能の評価を行った。
  論文  参考訳（メタデータ） (2025-03-08T04:51:58Z)
• Mind the Gap: Promoting Missing Modality Brain Tumor Segmentation with Alignment [21.571977754383518]
  多発性磁気共鳴画像(MRI)による脳腫瘍の分節 臨床ではMRIの特定のモダリティが欠如している可能性があるため、さらに困難なシナリオが提示される。 本稿では,係わるモダリティの潜在的特徴を適切に定義された分布アンカーに整合させる新しいパラダイムを提案する。
  論文  参考訳（メタデータ） (2024-09-28T14:37:42Z)
• NMGrad: Advancing Histopathological Bladder Cancer Grading with Weakly Supervised Deep Learning [1.3911081328487294]
  組織学的スライスを用いた膀胱癌評価のためのパイプラインを提案する。 異なる倍率レベルでウロテリウム組織タイルを抽出し、特徴抽出のために畳み込みニューラルネットワークを用いて処理する。 グレードの予測に注意を払って、ネストされた複数のインスタンス学習アプローチを採用している。
  論文  参考訳（メタデータ） (2024-05-24T07:02:39Z)
• The Whole Pathological Slide Classification via Weakly Supervised Learning [7.313528558452559]
  細胞核疾患と病理タイルの空間的相関の2つの病因を考察した。 本研究では,抽出器訓練中の汚れ分離を利用したデータ拡張手法を提案する。 次に,隣接行列を用いてタイル間の空間的関係を記述する。 これら2つのビューを統合することで,H&E染色組織像を解析するためのマルチインスタンス・フレームワークを設計した。
  論文  参考訳（メタデータ） (2023-07-12T16:14:23Z)
• A Pathologist-Informed Workflow for Classification of Prostate Glands in Histopathology [62.997667081978825]
  病理学者は、ガラススライド上の針生検の組織を調べて前立腺がんを診断し、診断する。 がんの重症度と転移リスクは、前立腺の組織と形態に基づくスコアであるGleason gradeによって決定される。 本稿では,病理学者のtextitmodus operandi に従って,個々の腺のマルチスケールパッチを分離・分類する自動ワークフローを提案する。
  論文  参考訳（メタデータ） (2022-09-27T14:08:19Z)
• RMDL: Recalibrated multi-instance deep learning for whole slide gastric image classification [17.659035106500237]
  全スライド病理像は胃癌の診断において重要な役割を担っている。 最も差別的な例に基づくマルチインスタンス学習は,スライド画像診断全体において大きなメリットがある。 我々は,詳細なピクセルレベルのアノテーションを付加した胃組織像データセットを構築した。
  論文  参考訳（メタデータ） (2020-10-13T14:55:47Z)
• Weakly supervised multiple instance learning histopathological tumor segmentation [51.085268272912415]
  スライド画像全体のセグメント化のための弱教師付きフレームワークを提案する。 トレーニングモデルに複数のインスタンス学習スキームを利用する。 提案するフレームワークは,The Cancer Genome AtlasとPatchCamelyonデータセットのマルチロケーションとマルチ中心公開データに基づいて評価されている。
  論文  参考訳（メタデータ） (2020-04-10T13:12:47Z)

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。