論文の概要: A Comprehensive Benchmark of Histopathology Foundation Models for Kidney Histopathology

• arxiv url: http://arxiv.org/abs/2603.15967v1
• Date: Mon, 16 Mar 2026 22:37:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-18 17:42:07.018344
• Title: A Comprehensive Benchmark of Histopathology Foundation Models for Kidney Histopathology
• Title（参考訳）: 腎臓病理学における病理組織学基盤モデルの総合的ベンチマーク
• Authors: Harishwar Reddy Kasireddy, Patricio S. La Rosa, Akshita Gupta, Anindya S. Paul, Jamie L. Fermin, William L. Clapp, Meryl A. Waldman, Tarek M. El-Ashkar, Sanjay Jain, Luis Rodrigues, Kuang Yu Jen, Avi Z. Rosenberg, Michael T. Eadon, Jeffrey B. Hodgin, Pinaki Sarder,
• Abstract要約: 病理組織基盤モデル(HFM)は、大規模ながんデータセットで事前訓練されている。 複数の染色物にまたがる11の腎特異的下流領域における11のHFMについて検討した。 その結果,中等度な中等度腎形態を呈し,中等度から強度に改善した。
• 参考スコア（独自算出の注目度）: 1.4862538939484244
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Histopathology foundation models (HFMs), pretrained on large-scale cancer datasets, have advanced computational pathology. However, their applicability to non-cancerous chronic kidney disease remains underexplored, despite coexistence of renal pathology with malignancies such as renal cell and urothelial carcinoma. We systematically evaluate 11 publicly available HFMs across 11 kidney-specific downstream tasks spanning multiple stains (PAS, H&E, PASM, and IHC), spatial scales (tile and slide-level), task types (classification, regression, and copy detection), and clinical objectives, including detection, diagnosis, and prognosis. Tile-level performance is assessed using repeated stratified group cross-validation, while slide-level tasks are evaluated using repeated nested stratified cross-validation. Statistical significance is examined using Friedman test followed by pairwise Wilcoxon signed-rank testing with Holm-Bonferroni correction and compact letter display visualization. To promote reproducibility, we release an open-source Python package, kidney-hfm-eval, available at https://pypi.org/project/kidney-hfm-eval/ , that reproduces the evaluation pipelines. Results show moderate to strong performance on tasks driven by coarse meso-scale renal morphology, including diagnostic classification and detection of prominent structural alterations. In contrast, performance consistently declines for tasks requiring fine-grained microstructural discrimination, complex biological phenotypes, or slide-level prognostic inference, largely independent of stain type. Overall, current HFMs appear to encode predominantly static meso-scale representations and may have limited capacity to capture subtle renal pathology or prognosis-related signals. Our results highlight the need for kidney-specific, multi-stain, and multimodal foundation models to support clinically reliable decision-making in nephrology.
• Abstract（参考訳）: 大規模がんデータセットで事前訓練された病理組織基盤モデル(HFM)は、高度な計算病理を持っている。 しかし,腎細胞や尿路上皮癌などの悪性腫瘍と腎病理が共存しているにもかかわらず,非癌性慢性腎疾患への適応性はいまだ不明である。 複数の染色(PAS, H&E, PASM, IHC)、空間スケール(タイル, スライドレベル)、タスクタイプ(分類, 回帰, コピー検出)、臨床目的(検出, 診断, 予後など)にまたがる11の腎特異的下流タスクにまたがる11のHFMを系統的に評価した。 繰り返し成層群クロスバリデーションを用いてタイルレベル性能を評価し, 繰り返し成層群クロスバリデーションを用いてスライドレベルタスクを評価する。 統計的意義をFriedman testを用いて検討し,Holm-Bonferroni補正とコンパクトレター表示によるWilcoxon符号ランク検定を行った。 再現性を促進するため、オープンソースのPythonパッケージである kidney-hfm-eval をhttps://pypi.org/project/kidney-hfm-eval/ で公開しています。 その結果, 粗いメソスケール腎形態変化によって引き起こされる課題に対して, 診断的分類や顕著な構造変化の検出など, 中等度から強い評価が得られた。 対照的に、微粒なミクロ組織識別、複雑な生物学的表現型、スライドレベルの予後推論を必要とするタスクのパフォーマンスは、ほとんどステンタイプに依存しない。 全体として、現在のHFMは、主に静的なメソスケールの表現を符号化しており、微妙な腎病理や予後関連シグナルを捉える能力に制限があると考えられる。 本研究は,腎学における臨床的に信頼性の高い意思決定を支援するために,腎臓特異的,多段階,多段階の基礎モデルの必要性を強調した。

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)
• 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)
• Robust Kidney Abnormality Segmentation: A Validation Study of an AI-Based Framework [3.225563371295004]
  腎臓の容積は腎疾患にとって重要なバイオマーカーとなる可能性がある。 現在、臨床実践はしばしば、腎臓の大きさと異常を評価するために主観的な視覚的評価に頼っている。 本研究の目的は、頑健で徹底的に検証された腎臓異常分節アルゴリズムを開発することである。
  論文  参考訳（メタデータ） (2025-05-12T13:53:19Z)
• Interpretable Graph Kolmogorov-Arnold Networks for Multi-Cancer Classification and Biomarker Identification using Multi-Omics Data [36.92842246372894]
  Multi-Omics Graph Kolmogorov-Arnold Network (MOGKAN)は、メッセンジャーRNA、マイクロRNA配列、DNAメチル化サンプルを利用するディープラーニングフレームワークである。 グラフに基づく深層学習とマルチオミクスデータを統合することにより,提案手法は頑健な予測性能と解釈可能性を示す。
  論文  参考訳（メタデータ） (2025-03-29T02:14:05Z)
• AI-Driven Predictive Analytics Approach for Early Prognosis of Chronic Kidney Disease Using Ensemble Learning and Explainable AI [0.2399911126932527]
  慢性腎臓病(英: chronic Kidney Disease、CKD)は、腎臓の構造と機能に大きな影響を及ぼし、最終的に腎不全を引き起こす異種性疾患である。 本研究の目的は、アンサンブル学習と説明可能なAIを用いて、早期予後とCKDの検出のための支配的特徴、特徴スコア、および値の可視化である。
  論文  参考訳（メタデータ） (2024-06-10T18:46:14Z)
• Classification of lung cancer subtypes on CT images with synthetic pathological priors [41.75054301525535]
  同症例のCT像と病理像との間には,画像パターンに大規模な関連性が存在する。 肺がんサブタイプをCT画像上で正確に分類するための自己生成型ハイブリッド機能ネットワーク(SGHF-Net)を提案する。
  論文  参考訳（メタデータ） (2023-08-09T02:04:05Z)
• Confidence-Driven Deep Learning Framework for Early Detection of Knee Osteoarthritis [8.193689534916988]
  膝関節症 (KOA) は筋骨格障害の1つで、運動量や生活の質に深刻な影響を及ぼす。 我々は,KL-0およびKL-2ステージの識別に焦点をあてた,早期のKOA検出のための信頼性駆動型ディープラーニングフレームワークを提案する。 実験により,提案フレームワークは専門家の放射線学者に匹敵する,競争精度,感度,特異性を達成できることが示された。
  論文  参考訳（メタデータ） (2023-03-23T11:57:50Z)
• G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for Biomarker Identification and Disease Classification [49.53651166356737]
  診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。 2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
  論文  参考訳（メタデータ） (2021-01-27T19:28:04Z)
• StyPath: Style-Transfer Data Augmentation For Robust Histology Image Classification [6.690876060631452]
  我々は,StyPathに基づくAMR分類のための,堅牢なディープニューラルネットワークを構築するための新しいパイプラインを提案する。 それぞれの画像は、1GTX V TITANとpytorchを使って1.84 + 0.03秒で生成された。 以上の結果から,本手法は組織学的分類性能を向上させることが示唆された。
  論文  参考訳（メタデータ） (2020-07-09T18:02:49Z)

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。