論文の概要: Synergizing Deep Learning and Biological Heuristics for Extreme Long-Tail White Blood Cell Classification

• arxiv url: http://arxiv.org/abs/2603.16249v3
• Date: Thu, 19 Mar 2026 04:40:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-20 12:39:48.223747
• Title: Synergizing Deep Learning and Biological Heuristics for Extreme Long-Tail White Blood Cell Classification
• Title（参考訳）: 極長鎖白血球分類のための総合的深層学習と生物学的ヒューリスティックス
• Abstract要約: WBC分類のための3段階ハイブリッドフレームワークを提案する。 まず、自己監督型Pix2Pix修復モジュールが合成ノイズを緩和し、高周波の細胞質の詳細を復元する。 次に、Swin TransformerアンサンブルとMedSigLIPのコントラスト埋め込みを統合し、レアクラスのセマンティック表現を強化する。 第3に,幾何的スパイキネス分析とマハラノビスに基づく形態的制約を併用した生物学的にインスパイアされた改良戦略を導入し,抑圧された少数派の予測を明示的に救済する。
• 参考スコア（独自算出の注目度）: 1.0705399532413615
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Automated white blood cell (WBC) classification is essential for leukemia screening yet remains challenging under extreme class imbalance and domain shift. These limitations often cause deep models to overfit dominant classes while failing to generalize to rare pathological subtypes. To address this issue, we propose a three-stage hybrid framework. First, a self-supervised Pix2Pix restoration module mitigates synthetic noise and restores high frequency cytoplasmic details. Second, we integrate a Swin Transformer ensemble with MedSigLIP contrastive embeddings to enhance rare-class semantic representation. Finally, we introduce a biologically inspired refinement strategy combining geometric spikiness analysis and Mahalanobis-based morphological constraints to explicitly rescue suppressed minority predictions. Our hybrid framework achieves a Macro-F1 score of 0.77139 on the private leaderboard, demonstrating strong robustness under extreme long-tail distributions. The code is available at https://github.com/trongduc-nguyen/WBCBench2026.
• Abstract（参考訳）: 白血球自動分類は、白血病検診において必須であるが、極度のクラス不均衡とドメインシフトの下では依然として困難である。 これらの制限は、しばしば深いモデルが、稀な病理的なサブタイプへの一般化を怠りながら、支配的なクラスに過度に適合する。 この問題に対処するため,我々は3段階のハイブリッドフレームワークを提案する。 まず、自己監督型Pix2Pix修復モジュールが合成ノイズを緩和し、高周波の細胞質の詳細を復元する。 次に、Swin TransformerアンサンブルとMedSigLIPのコントラスト埋め込みを統合し、レアクラスのセマンティック表現を強化する。 最後に, 幾何学的スパイキネス分析とマハラノビスに基づく形態的制約を組み合わせて, 抑制された少数派の予測を明示的に救済する生物学的にインスピレーションを受けた改良戦略を導入する。 我々のハイブリッド・フレームワークは,極端に長い尾の分布の下で強靭性を示す,プライベート・リーダーボード上でのマクロF1スコア0.77139を達成する。 コードはhttps://github.com/trongduc-nguyen/WBCBench2026で公開されている。

関連論文リスト

• Tensor Network Machine Learning for Wildfire Susceptibility Mapping: from Grokking Dynamics to Quantum Mixedness of Class Representations [53.66343110413339]
  ガルガノ地域の山火事感受性分類のための量子インスピレーション付きテンソルネットワークフレームワークについて紹介する。 このアプローチは、スケーラブルな地理空間表現と解釈可能な量子マスクを組み合わせることで、バイナリとマルチクラスの両方の分類を可能にする。
  論文  参考訳（メタデータ） (2026-07-21T18:30:50Z)
• PulmoSight-XAI: An Explainable Multi-View Attention Ensemble with Gradient Boosting Meta-Learning for Multi-Label Chest X-Ray Classification [1.2744523252873352]
  14の胸部病理の堅牢な分類のための説明可能な階層的多視点アンサンブルフレームワークを提案する。 このフレームワークは、フロントとサイドのラジオグラフィーを独立してモデル化することで、ビュー固有のトレーニングを採用する。 このフレームワークは最先端のマクロ平均AUROCスコアを前頭葉で0.9319、横線で0.9154と達成している。
  論文  参考訳（メタデータ） (2026-07-05T19:50:53Z)
• Predicting Immune Biomarkers with MultiModal Mixture-of-Expert Pathology Foundation Models Empowers Precision Oncology [47.79180201495836]
  MixTIMEは、異なるモダリティで訓練された病理基盤モデルを統合したマルチモーダル基礎モデルである。 ヘマトキシリンおよびエオシン全スライディング画像から多重免疫蛍光(mIF)タンパク質の発現を予測する。 MixTIMEは17個のタンパク質マーカーにまたがる最先端のパフォーマンスを相関指標で測定する。
  論文  参考訳（メタデータ） (2026-06-16T16:22:42Z)
• MARVEL: Universal Murray's Law-informed Vessel Tree Segmentation and Topology Estimation [75.40785674602147]
  血管セグメンテーションのための深層学習法は、しばしば生物物理学的な制約を無視している。 これは生理的に不確実な分岐と誤分類の血管木につながる。 バイオ物理の先駆体を血管樹抽出に組み込んだ背骨非依存フレームワークMARVELについて紹介する。
  論文  参考訳（メタデータ） (2026-05-25T02:32:29Z)
• Towards Label-Free Single-Cell Phenotyping Using Multi-Task Learning [3.846593903209593]
  本稿では,ラベルフリー微分位相コントラスト(DPC)画像からWhite Blood Cell (WBC)分類と連続タンパク質発現レグレッションを共同で行う統合ディープラーニングフレームワークを提案する。 バークレー単細胞顕微鏡(BSCCM)と血液細胞画像ベンチマークの実験は、強い性能を示した。 これらの結果は, ラベルフリー単細胞イメージングによる, 低コストな血液学的プロファイリングの可能性を強調し, 蛍光染色を伴わない同時表現型同定と定量的バイオマーカー推定を可能にした。
  論文  参考訳（メタデータ） (2026-05-14T11:38:56Z)
• A Hierarchical Ensemble Inference Pipeline for Robust White Blood Cell Classification Under Domain Shifts [5.200916021795385]
  本稿では,WBC分類のためのメモリ拡張型階層型アンサンブルパイプラインを提案する。 本手法は最終テストフェーズにおいてマクロF1スコアでトップ10以内にランク付けする。
  論文  参考訳（メタデータ） (2026-04-25T12:25:46Z)
• MAT-Cell: A Multi-Agent Tree-Structured Reasoning Framework for Batch-Level Single-Cell Annotation [81.82645086402366]
  MAT-Cellは,単細胞解析を構築的で検証可能な証明生成に再構成する,ニューロシンボリック推論フレームワークである。 MAT-Cellは、適応型レトリーバル増強生成(RAG)を通じて、生物学的公理の基底神経推論に象徴的な制約を注入し、転写ノイズを減少させる。 最先端のSOTA(State-of-the-art)モデルを大幅に上回り、挑戦的なシナリオにおいて堅牢なパフォーマンスを維持します。
  論文  参考訳（メタデータ） (2026-04-07T04:56:06Z)
• Ensemble of Small Classifiers For Imbalanced White Blood Cell Classification [9.420673339712211]
  本研究では,ハエマトポエシスにおける細胞分類のための軽量アンサンブルアプローチを提案する。 この課題に対して,SwinV2-Tiny,DinoBloom-Small,ConvNeXT-V2-Tinyモデルの簡単なアンサンブルが優れた性能を発揮することを示す。
  論文  参考訳（メタデータ） (2026-03-21T15:24:52Z)
• Multi-Stage Fine-Tuning of Pathology Foundation Models with Head-Diverse Ensembling for White Blood Cell Classification [0.08209843760716957]
  13クラスWBC分類のための多段階微調整手法を提案する。 私たちの最高のパフォーマンスモデルは、微調整されたDINOBloomベースです。 全てのモデルで一貫して誤分類されたケースは、確率的なラベル付けエラーや固有の形態的曖昧さに対して実質的に豊富である。
  論文  参考訳（メタデータ） (2026-03-20T18:00:59Z)
• Robust White Blood Cell Classification with Stain-Normalized Decoupled Learning and Ensembling [6.750164263871006]
  白血球分類(WBC)は、感染症評価、白血病スクリーニング、治療モニタリングなどの血液学の応用に欠かせない。 本稿では、インスタンスバランスサンプリングを用いて、転送可能な表現を学習するステンドノーマライズされた非結合型トレーニングフレームワークを提案する。 推論段階では,様々なトレーニングされたバックボーンをテスト時間拡張でアンサンブルすることにより,ロバスト性をさらに向上する。
  論文  参考訳（メタデータ） (2026-03-02T15:31:25Z)
• XtraLight-MedMamba for Classification of Neoplastic Tubular Adenomas [1.9322492427205764]
  XtraLight-MedMambaは、管状腺腫を分類するための超軽量な状態空間ベースのディープラーニングフレームワークである。 低品位尿細管腺腫患者から得られたキュレートデータセットを用いて評価した。 XtraLight-MedMambaの精度は97.18%、F1スコアは0.9767で約32,000のパラメータを使用した。
  論文  参考訳（メタデータ） (2026-02-04T18:07:51Z)
• 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)
• scMRDR: A scalable and flexible framework for unpaired single-cell multi-omics data integration [53.683726781791385]
  単一セルマルチオミクス(ScMRDR)と呼ばれるスケーラブルでフレキシブルな生成フレームワークを導入する。 本手法は, バッチ補正, モダリティアライメント, 生体信号保存の観点から, ベンチマークデータセット上での優れた性能を実現する。
  論文  参考訳（メタデータ） (2025-10-28T21:28:39Z)
• Robust Atypical Mitosis Classification with DenseNet121: Stain-Aware Augmentation and Hybrid Loss for Domain Generalization [16.048949963804123]
  筆者らはMIDOG 2025 (Track 2) 設定における非定型有糸分裂分類に適した DenseNet-121 ベースのフレームワークを提案する。 本手法は, クラス重み付き二元交叉エントロピーと焦点損失を併用したハイブリッド目的を用いて, ステンドアウェア拡張(マッケンコ), 幾何および強度変換, および重み付きサンプリングによる不均衡認識学習を統合する。 AdamWでエンドツーエンドにトレーニングされ、複数の独立したドメインで評価され、スキャナと染色シフトの下で強力な一般化が示され、バランスの取れた精度85.0%、AUROC 0.927、感度89.2%、そして公式テストセットの80.9%が達成された。
  論文  参考訳（メタデータ） (2025-10-26T11:24:55Z)
• Multimodal Prototyping for cancer survival prediction [45.61869793509184]
  ギガピクセルヒストロジー全体スライディング画像(WSI)と転写学的プロファイルを組み合わせたマルチモーダルサバイバル法は,患者の予後と成層化に特に有望である。 現在のアプローチでは、WSIを小さなパッチ(>10,000パッチ)にトークン化し、トランスクリプトミクスを遺伝子グループに分割し、結果を予測するためにTransformerを使用して統合する。 このプロセスは多くのトークンを生成し、これは注意を計算するための高いメモリ要求をもたらし、ポストホック解釈可能性分析を複雑にする。 我々のフレームワークは、新しい解釈可能性解析を解き放ちながら、はるかに少ない計算で最先端の手法より優れている。
  論文  参考訳（メタデータ） (2024-06-28T20:37:01Z)
• Neural Cellular Automata for Lightweight, Robust and Explainable Classification of White Blood Cell Images [40.347953893940044]
  ニューラルセルオートマトン(NCA)を用いた白血球分類の新しいアプローチを提案する。 NCAに基づく手法はパラメータの面で著しく小さく,ドメインシフトに対する堅牢性を示す。 その結果,NAAは画像分類に利用でき,従来の手法の課題に対処できることがわかった。
  論文  参考訳（メタデータ） (2024-04-08T14:59:53Z)
• DinoBloom: A Foundation Model for Generalizable Cell Embeddings in Hematology [1.3551232282678036]
  血液学における単細胞画像の最初の基盤モデルであるDinoBloomを紹介した。 本モデルは末梢血と骨髄のスミアの13種類の多種多様な公開データセットの広範囲な収集に基づいて構築されている。 4つのDinoBloomモデルのファミリーは、幅広い下流アプリケーションに適応することができる。
  論文  参考訳（メタデータ） (2024-04-07T17:25:52Z)
• Improving Biomedical Entity Linking with Retrieval-enhanced Learning [53.24726622142558]
  $k$NN-BioELは、トレーニングコーパス全体から同様のインスタンスを予測のヒントとして参照する機能を備えたBioELモデルを提供する。 k$NN-BioELは、いくつかのデータセットで最先端のベースラインを上回ります。
  論文  参考訳（メタデータ） (2023-12-15T14:04:23Z)
• 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)

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。