論文の概要: Sparse Task Vector Mixup with Hypernetworks for Efficient Knowledge Transfer in Whole-Slide Image Prognosis
- arxiv url: http://arxiv.org/abs/2603.10526v1
- Date: Wed, 11 Mar 2026 08:30:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-12 16:22:32.849075
- Title: Sparse Task Vector Mixup with Hypernetworks for Efficient Knowledge Transfer in Whole-Slide Image Prognosis
- Title（参考訳）: 全スライディング画像診断における効率的な知識伝達のためのハイパーネットとスパースタスクベクトルの混合
- Authors: Pei Liu, Xiangxiang Zeng, Tengfei Ma, Yucheng Xing, Xuanbai Ren, Yiping Liu,
- Abstract要約: 最近の研究は一般的にがん固有の学習パラダイムに従っている。
1つのがんタイプのトレーニングサンプルは通常、病理学では不十分である。
本稿では,HypernetworksによるSparse Task Vector Mixupを提案する。
- 参考スコア（独自算出の注目度）: 17.53610180337971
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Whole-Slide Images (WSIs) are widely used for estimating the prognosis of cancer patients. Current studies generally follow a cancer-specific learning paradigm. However, the available training samples for one cancer type are usually scarce in pathology. Consequently, the model often struggles to learn generalizable knowledge, thus performing worse on the tumor samples with inherent high heterogeneity. Although multi-cancer joint learning and knowledge transfer approaches have been explored recently to address it, they either rely on large-scale joint training or extensive inference across multiple models, posing new challenges in computational efficiency. To this end, this paper proposes a new scheme, Sparse Task Vector Mixup with Hypernetworks (STEPH). Unlike previous ones, it efficiently absorbs generalizable knowledge from other cancers for the target via model merging: i) applying task vector mixup to each source-target pair and then ii) sparsely aggregating task vector mixtures to obtain an improved target model, driven by hypernetworks. Extensive experiments on 13 cancer datasets show that STEPH improves over cancer-specific learning and an existing knowledge transfer baseline by 5.14% and 2.01%, respectively. Moreover, it is a more efficient solution for learning prognostic knowledge from other cancers, without requiring large-scale joint training or extensive multi-model inference. Code is publicly available at https://github.com/liupei101/STEPH.
- Abstract（参考訳）: がん患者の予後を推定するためにWSI(Whole-Slide Images)が広く用いられている。
最近の研究は一般的にがん固有の学習パラダイムに従っている。
しかしながら、1つのがんタイプのトレーニングサンプルは、通常、病理学では不十分である。
その結果、モデルはしばしば一般化可能な知識の習得に苦慮し、そのため、固有の高い不均一性を持つ腫瘍サンプルに悪影響を及ぼす。
近年、多言語共同学習と知識伝達のアプローチが研究されているが、それらは大規模共同学習か、複数のモデルにわたる広範囲な推論に依存しており、計算効率に新たな課題を提起している。
そこで本稿では,Hypernetworks (STEPH) を用いた Sparse Task Vector Mixup (Sparse Task Vector Mixup with Hypernetworks) を提案する。
従来のものと異なり、モデルマージによって標的とする他のがんからの一般的な知識を効率的に吸収する。
一 各ソースとターゲットのペアにタスクベクターミックスアップを適用してから
二 ハイパーネットにより駆動される目標モデルを改善するために、タスクベクトル混合物を緩やかに集約すること。
13のがんデータセットに対する大規模な実験により、STEPHは癌固有の学習よりも改善し、既存の知識伝達ベースラインは5.14%、2.01%向上した。
さらに、大規模な関節トレーニングや広範囲なマルチモデル推論を必要とせず、他のがんから予後知識を学ぶためのより効率的なソリューションである。
コードはhttps://github.com/liupei101/STEPHで公開されている。
関連論文リスト
- Cross-Cancer Knowledge Transfer in WSI-based Prognosis Prediction [26.98955103296043]
Whole-Slide Image (WSI) は癌予後を推定するための重要なツールである。
本稿では,知識伝達へのパラダイムシフトを行い,WSIにおけるクロス・カンサー・プログノーシスの知識伝達に関する最初の予備的かつ体系的な研究を示す。
論文 参考訳（メタデータ） (2025-08-19T03:24:19Z) - 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) - Contrastive Learning for Predicting Cancer Prognosis Using Gene Expression Values [3.1298840947078372]
腫瘍を高リスク群または低リスク群に分類するために分類器を訓練する。
CLをベースとした分類では,14種類の癌に対して,AUC (Receer operating characteristic curve) が0.8以上の領域を達成できた。
我々のCLCoxモデルは,TGAデータを用いて訓練し,19種類のがんの予後を予測する上で,既存手法よりも優れていた。
論文 参考訳（メタデータ） (2023-06-09T22:03:18Z) - Multi-View Hypercomplex Learning for Breast Cancer Screening [15.961240921898586]
多視点乳がん分類のための新しい学習パラダイムである多視点超複雑学習を導入する。
超複素代数のおかげで、我々のモデルは本質的にビュー内関係とビュー間関係の両方を捉えている。
我々のアプローチは、最先端のマルチビューモデルよりも一貫して優れています。
論文 参考訳（メタデータ） (2022-04-12T13:32:31Z) - A Multi-modal Fusion Framework Based on Multi-task Correlation Learning
for Cancer Prognosis Prediction [8.476394437053477]
生存分析とがん分類のためのマルチタスク相関学習(MultiCoFusion)に基づくマルチモーダル融合フレームワークを提案する。
The Cancer Genome Atlas (TCGA) のグリオーマデータセットを用いて我々の枠組みを体系的に評価した。
論文 参考訳（メタデータ） (2022-01-22T15:16:24Z) - Medulloblastoma Tumor Classification using Deep Transfer Learning with
Multi-Scale EfficientNets [63.62764375279861]
本稿では,エンド・ツー・エンドのMB腫瘍分類を提案し,様々な入力サイズとネットワーク次元の一致した移動学習を提案する。
161ケースのデータセットを用いて、より大規模な入力解像度を持つ事前学習されたEfficientNetが、大幅な性能改善をもたらすことを実証した。
論文 参考訳（メタデータ） (2021-09-10T13:07:11Z) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳（メタデータ） (2021-02-26T02:29:30Z) - A Multi-Stage Attentive Transfer Learning Framework for Improving
COVID-19 Diagnosis [49.3704402041314]
新型コロナの診断を改善するための多段階集中移動学習フレームワークを提案する。
提案するフレームワークは、複数のソースタスクと異なるドメインのデータから知識を学習し、正確な診断モデルを訓練する3つの段階からなる。
本稿では,肺CT画像のマルチスケール表現を学習するための自己教師付き学習手法を提案する。
論文 参考訳（メタデータ） (2021-01-14T01:39:19Z) - A Systematic Approach to Featurization for Cancer Drug Sensitivity
Predictions with Deep Learning [49.86828302591469]
35,000以上のニューラルネットワークモデルをトレーニングし、一般的な成果化技術を駆使しています。
RNA-seqは128以上のサブセットであっても非常に冗長で情報的であることがわかった。
論文 参考訳（メタデータ） (2020-04-30T20:42:17Z) - A Novel and Efficient Tumor Detection Framework for Pancreatic Cancer
via CT Images [21.627818410241552]
本稿では,新しい膵腫瘍検出フレームワークを提案する。
提案手法のコントリビューションは,Augmented Feature Pyramid Network,Self-Adaptive Feature Fusion,Dependencies Computation Moduleの3つのコンポーネントから構成される。
実験により,AUCの0.9455による検出において,他の最先端手法よりも優れた性能が得られた。
論文 参考訳（メタデータ） (2020-02-11T15:48:22Z)
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。