論文の概要: Multi-Stage Fine-Tuning of Pathology Foundation Models with Head-Diverse Ensembling for White Blood Cell Classification

• arxiv url: http://arxiv.org/abs/2603.20383v1
• Date: Fri, 20 Mar 2026 18:00:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:38.877265
• Title: Multi-Stage Fine-Tuning of Pathology Foundation Models with Head-Diverse Ensembling for White Blood Cell Classification
• Title（参考訳）: 白色細胞分類のための多段階脳波解析による病理基盤モデルの微調整
• Authors: Antony Gitau, Martin Paulson, Bjørn-Jostein Singstad, Karl Thomas Hjelmervik, Ola Marius Lysaker, Veralia Gabriela Sanchez,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.08209843760716957
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The classification of white blood cells (WBCs) from peripheral blood smears is critical for the diagnosis of leukemia. However, automated approaches still struggle due to challenges including class imbalance, domain shift, and morphological continuum confusion, where adjacent maturation stages exhibit subtle, overlapping features. We present a multi-stage fine-tuning methodology for 13-class WBC classification in the WBCBench 2026 Challenge (ISBI 2026). Our best-performing model is a fine-tuned DINOBloom-base, on which we train multiple classifier head families (linear, cosine, and multilayer perceptron (MLP)). The cosine head performed best on the mature granulocyte boundary (Band neutrophil (BNE) F1 = 0.470), the linear head on more immature granulocyte classes (Metamyelocyte (MMY) F1 = 0.585), and the MLP head on the most immature granulocyte (Promyelocyte (PMY) F1 = 0.733), revealing class-specific specialization. Based on this specialization, we construct a head-diverse ensemble, where the MLP head acts as the primary predictor, and its predictions within the four predefined confusion pairs are replaced only when two other head families agree. We further show that cases consistently misclassified by all models are substantially enriched for probable labeling errors or inherent morphological ambiguity.
• Abstract（参考訳）: 末梢血スミアの白血球(WBC)の分類は白血病の診断に重要である。 しかし、クラス不均衡、ドメインシフト、形態的連続体混乱などの問題により、隣接する成熟段階が微妙で重なり合う特徴を示すため、自動的なアプローチは依然として困難である。 We present a multi-stage fine-tuning method for 13 class WBC classification in the WBCBench 2026 Challenge (ISBI 2026)。 我々の最高の性能モデルは細調整されたDINOBloomベースであり、複数の分類子ヘッダー(線形、コサイン、多層パーセプトロン(MLP))を訓練する。 コアインヘッドは、成熟した顆粒球境界(Band neutrophil (BNE) F1 = 0.470)、より未熟な顆粒球クラス(Metamyelocyte (MMY) F1 = 0.585)のリニアヘッド(Metamyelocyte (MMY) F1 = 0.585)、最も未熟な顆粒球(Promyelocyte (PMY) F1 = 0.733)のMLPヘッド(Promyelocyte (PMY) F1 = 0.733)で、クラス固有の特殊化が明らかにされた。 この特殊化に基づいて、MLPヘッドが主予測器として機能し、4つの事前定義された混乱ペア内の予測が、他の2つのヘッドファミリーが一致したときにのみ置き換えられるヘッドクロスアンサンブルを構築する。 さらに、全てのモデルで一貫して誤分類されたケースは、確率的ラベル付け誤りや固有の形態的曖昧さに対して実質的に豊富であることを示す。

関連論文リスト

• 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)
• MeCaMIL: Causality-Aware Multiple Instance Learning for Fair and Interpretable Whole Slide Image Diagnosis [40.3028468133626]
  MIL(Multiple Case Learning)は、コンピュータ病理学における全スライド画像(WSI)解析の主流パラダイムとして登場した。 因果関係を意識したMILフレームワークである textbfMeCaMIL は、構造化因果グラフを通じて、階層的共同創設者を明示的にモデル化する。 MeCaMILは優れた公正性を達成する -- 人口格差の分散は、属性全体の平均で65%以上減少する。
  論文  参考訳（メタデータ） (2025-11-14T06:47:21Z)
• Deep Learning Approaches for Blood Disease Diagnosis Across Hematopoietic Lineages [0.0]
  本稿では,深層学習を利用して造血階層全体にわたる潜伏する遺伝的シグネチャを明らかにする基盤モデリングフレームワークを提案する。 提案手法は,多能性前駆細胞に完全接続されたオートエンコーダを訓練し,256次元の潜伏空間に2万以上の遺伝子特徴を還元する。 血液疾患診断タスクのためのフィードフォワード,トランスフォーマー,グラフ畳み込みアーキテクチャをトレーニングすることで,これらの埋め込みの質を検証する。 我々のモデルは多クラス分類において95%以上の精度を達成し、ゼロショット設定では2進分類タスクにおいて0.7 F1スコア以上を達成する。
  論文  参考訳（メタデータ） (2025-03-25T20:11:10Z)
• 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)
• MMIL: A novel algorithm for disease associated cell type discovery [58.044870442206914]
  単一細胞データセットは、しばしば個々の細胞ラベルを欠いているため、病気に関連する細胞を特定することは困難である。 セルレベルの分類器の訓練と校正を可能にする予測手法であるMixture Modeling for Multiple Learning Instance (MMIL)を導入する。
  論文  参考訳（メタデータ） (2024-06-12T15:22:56Z)
• A Study of Age and Sex Bias in Multiple Instance Learning based Classification of Acute Myeloid Leukemia Subtypes [44.077241051884926]
  複数のMILモデルをトレーニングセットで異なるレベルの性不均衡を用いて訓練し、特定の年齢群を除外する。 性別と年齢の偏りがAMLサブタイプ分類モデルの性能に及ぼす影響について検討した。
  論文  参考訳（メタデータ） (2023-08-24T09:32:46Z)
• Imbalanced Domain Generalization for Robust Single Cell Classification in Hematological Cytomorphology [3.7007225479462402]
  我々は、ドメイン間データの不均衡とドメインシフトに対処して、WBC分類のための堅牢なCNNを訓練する。 提案手法は,既存手法と比較してF1マクロスコアが最適である。
  論文  参考訳（メタデータ） (2023-03-14T10:20:31Z)
• Deep learning-based Subtyping of Atypical and Normal Mitoses using a Hierarchical Anchor-Free Object Detector [0.802219018904343]
  非定型有糸分裂図形(MF)は、クロマトノイドの分離異常を有するものとして形態学的に同定できる。 この研究では、初めて、ミトティックな図形の正規および非典型的なカテゴリへの自動的なサブタイピングを行う。 我々は,階層型サブクラス化分岐を用いたアンカーフリーFCOSアプローチを拡張した最先端のオブジェクト検出パイプラインを構築した。
  論文  参考訳（メタデータ） (2022-12-12T13:57:38Z)
• 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。