論文の概要: A protocol for evaluating robustness to H&E staining variation in computational pathology models

• arxiv url: http://arxiv.org/abs/2603.12886v1
• Date: Fri, 13 Mar 2026 10:34:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-16 17:38:12.05308
• Title: A protocol for evaluating robustness to H&E staining variation in computational pathology models
• Title（参考訳）: 計算病理モデルにおけるH&E染色変動に対するロバスト性評価プロトコル
• Authors: Lydia A. Schönpflug, Nikki van den Berg, Sonali Andani, Nanda Horeweg, Jurriaan Barkey Wolf, Tjalling Bosse, Viktor H. Koelzer, Maxime W. Lafarge,
• Abstract要約: 染色変化に対する感度は、計算病理学(CPath)モデルをデプロイする上で大きな障壁である。 我々はCPathモデルにおけるH&E染色変動に対するロバスト性を評価するための3段階のプロトコルを開発した。
• 参考スコア（独自算出の注目度）: 0.10835042482545287
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Sensitivity to staining variation remains a major barrier to deploying computational pathology (CPath) models as hematoxylin and eosin (H&E) staining varies across laboratories, requiring systematic assessment of how this variability affects model prediction. In this work, we developed a three-step protocol for evaluating robustness to H&E staining variation in CPath models. Step 1: Select reference staining conditions, Step 2: Characterize test set staining properties, Step 3: Apply CPath model(s) under simulated reference staining conditions. Here, we first created a new reference staining library based on the PLISM dataset. As an exemplary use case, we applied the protocol to assess the robustness properties of 306 microsatellite instability (MSI) classification models on the unseen SurGen colorectal cancer dataset (n=738), including 300 attention-based multiple instance learning models trained on the TCGA-COAD/READ datasets across three feature extractors (UNI2-h, H-Optimus-1, Virchow2), alongside six public MSI classification models. Classification performance was measured as AUC, and robustness as the min-max AUC range across four simulated staining conditions (low/high H&E intensity, low/high H&E color similarity). Across models and staining conditions, classification performance ranged from AUC 0.769-0.911 ($Δ$ = 0.142). Robustness ranged from 0.007-0.079 ($Δ$ = 0.072), and showed a weak inverse correlation with classification performance (Pearson r=-0.22, 95% CI [-0.34, -0.11]). Thus, we show that the proposed evaluation protocol enables robustness-informed CPath model selection and provides insight into performance shifts across H&E staining conditions, supporting the identification of operational ranges for reliable model deployment. Code is available at https://github.com/CTPLab/staining-robustness-evaluation .
• Abstract（参考訳）: 染色変異に対する感受性は、ヘマトキシリンとエオシン(H&E)染色が実験室によって異なるため、計算病理学(CPath)モデルをデプロイする上で大きな障壁であり、この変動がモデル予測にどのように影響するかを体系的に評価する必要がある。 本研究では,CPathモデルにおけるH&E染色変動に対するロバスト性を評価するための3段階のプロトコルを開発した。 ステップ1: 参照染色条件を選択し、ステップ2: テストセット染色特性を特徴付け、ステップ3: シミュレーションされた参照染色条件下でCPathモデルを適用する。 ここでは、まず、PLISMデータセットに基づいた新しい参照染色ライブラリを作成しました。 実例として,TGA-COAD/READデータセットで訓練された300の注意に基づく複数インスタンス学習モデル(UNI2-h, H-Optimus-1, Virchow2)を含むSurGen大腸癌データセット(n=738)の306マイクロサテライト不安定性(MSI)分類モデルのロバスト性評価にプロトコルを適用した。 分類性能はAUCとして測定され, ミンマックスAUCは4つの模擬染色条件(低/高H&E強度, 低/高H&E色類似性)にわたって頑健であった。 モデルおよび染色条件全体で、分類性能はAUC 0.769-0.911(Δ$ = 0.142)であった。 ロバストネスは0.007-0.079(Δ$ = 0.072)まで変化し、分類性能と逆相関が弱い(Pearson r=-0.22, 95% CI [-0.34, -0.11])。 そこで,提案した評価プロトコルはロバストネスインフォームドCPathモデル選択を可能にし,H&E染色条件における性能変化を把握し,信頼性の高いモデル展開のための運用範囲の同定を支援する。 コードはhttps://github.com/CTPLab/staining-robustness-evaluationで公開されている。

関連論文リスト

• 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)
• Domain Adaptive Skin Lesion Classification via Conformal Ensemble of Vision Transformers [3.7305040207339286]
  本稿では,コンフォーマル・アンサンブル・オブ・ビジョン・トランスフォーマー(CE-ViT)と呼ばれる新しいフレームワークを提案する。 領域適応とモデルロバスト性を優先し,不確実性を考慮し,画像分類性能の向上を図る。 このフレームワークは、HAM10000モデルと比較して9.95%の改善を示す90.38%という高いカバレッジ率を達成する。
  論文  参考訳（メタデータ） (2025-05-21T20:28:43Z)
• CRTRE: Causal Rule Generation with Target Trial Emulation Framework [47.2836994469923]
  ターゲットトライアルエミュレーションフレームワーク(CRTRE)を用いた因果ルール生成という新しい手法を提案する。 CRTREは、アソシエーションルールの因果効果を推定するためにランダム化トライアル設計原則を適用している。 次に、病気発症予測などの下流アプリケーションにそのような関連ルールを組み込む。
  論文  参考訳（メタデータ） (2024-11-10T02:40:06Z)
• EXAONEPath 1.0 Patch-level Foundation Model for Pathology [12.179645627327428]
  自己教師付きモデルから抽出された特徴は、個々のスライド画像(WSI)によってクラスタリングされる傾向がある EXAONEPathは,染色正規化を施したパッチをトレーニングした新しい基礎モデルである。 EXAONEPath は使用した WSI の数とモデルパラメータ数に対して優れた性能を示す。
  論文  参考訳（メタデータ） (2024-08-01T08:41:13Z)
• Predictive Analytics of Varieties of Potatoes [2.336821989135698]
  本研究では, 育種試験におけるサツマイモクローンの選択プロセスの向上を目的とした, 機械学習アルゴリズムの適用について検討する。 本研究は, 高収率, 耐病性, 耐気候性ポテト品種を効率的に同定することの課題に対処する。
  論文  参考訳（メタデータ） (2024-04-04T00:49:05Z)
• RandStainNA: Learning Stain-Agnostic Features from Histology Slides by Bridging Stain Augmentation and Normalization [45.81689497433507]
  ステン正規化(SN)とステン強化(SA)という2つの提案が一般化誤差を低減するために注目されている。 この問題に対処するため、SNとSAを新しいRandStainNAスキームで統一する。 RandStainNAは、ステンレスに依存しないディープラーニングモデルをトレーニングするために、実行可能な範囲で可変ステンスタイルを制約する。
  論文  参考訳（メタデータ） (2022-06-25T16:43:59Z)
• Robust Representation via Dynamic Feature Aggregation [44.927408735490005]
  ディープ畳み込みニューラルネットワーク(CNN)ベースのモデルは、敵の攻撃に対して脆弱である。 本稿では,新しい正規化により埋め込み空間を圧縮する動的特徴集約法を提案する。 CIFAR-10における攻撃法の平均精度は56.91%である。
  論文  参考訳（メタデータ） (2022-05-16T06:22:15Z)
• Measuring Self-Supervised Representation Quality for Downstream Classification using Discriminative Features [56.89813105411331]
  我々は,SimCLR,SwaV,MoCo,BYOL,DINO,SimSiam,VICReg,Barlow Twinsといった最先端の自己教師型モデルの表現空間について検討した。 本稿では,標本が誤分類される可能性を確実に予測できる教師なしスコアである自己監督表現品質スコア(Qスコア)を提案する。 Q-Score正規化による微調整により、SSLモデルの線形探索精度はImageNet-100で5.8%、ImageNet-1Kで3.7%向上する。
  論文  参考訳（メタデータ） (2022-03-03T17:48:23Z)
• Spatial machine-learning model diagnostics: a model-agnostic distance-based approach [91.62936410696409]
  本研究は,空間予測誤差プロファイル (SPEP) と空間変数重要度プロファイル (SVIP) を,新しいモデルに依存しない評価・解釈ツールとして提案する。 統計学的手法、線形モデル、ランダムフォレスト、ハイブリッドアルゴリズムのSPEPとSVIPは、顕著な差異と関連する類似性を示している。 この新しい診断ツールは空間データ科学のツールキットを充実させ、MLモデルの解釈、選択、設計を改善する可能性がある。
  論文  参考訳（メタデータ） (2021-11-13T01:50:36Z)
• Cross-Site Severity Assessment of COVID-19 from CT Images via Domain Adaptation [64.59521853145368]
  CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。 ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。 この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
  論文  参考訳（メタデータ） (2021-09-08T07:56:51Z)

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。