論文の概要: Needle in a Haystack: One-Class Representation Learning for Detecting Rare Malignant Cells in Computational Cytology

• arxiv url: http://arxiv.org/abs/2604.07722v2
• Date: Fri, 10 Apr 2026 04:15:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-13 13:51:27.755063
• Title: Needle in a Haystack: One-Class Representation Learning for Detecting Rare Malignant Cells in Computational Cytology
• Title（参考訳）: ハイスタックの針:計算細胞学における悪性細胞検出のための一級表現学習
• Authors: Swarnadip Chatterjee, Vladimir Basic, Arrigo Capitanio, Orcun Goksel, Joakim Lindblad,
• Abstract要約: 悪性細胞は形態学的に多様であるが、正常な細胞の広大な背景の中で消失する。 ワンクラスの表現学習技術は、低知能率のシナリオで悪性細胞を検出することができる。
• 参考スコア（独自算出の注目度）: 2.3060860114058497
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In computational cytology, detecting malignancy on whole-slide images is difficult because malignant cells are morphologically diverse yet vanishingly rare amid a vast background of normal cells. Accurate detection of these extremely rare malignant cells remains challenging due to large class imbalance and limited annotations. Conventional weakly supervised approaches, such as multiple instance learning (MIL), often fail to generalize at the instance level, especially when the fraction of malignant cells (witness rate) is exceedingly low. In this study, we explore the use of one-class representation learning techniques for detecting malignant cells in low-witness-rate scenarios. These methods are trained exclusively on slide-negative patches, without requiring any instance-level supervision. Specifically, we evaluate two OCC approaches, DSVDD and DROC, and compare them with FS-SIL, WS-SIL, and the recent ItS2CLR method. The one-class methods learn compact representations of normality and detect deviations at test time. Experiments on a publicly available bone marrow cytomorphology dataset (TCIA) and an in-house oral cancer cytology dataset show that DSVDD achieves state-of-the-art performance in instance-level abnormality ranking, particularly in ultra-low witness-rate regimes ($\leq 1\%$) and, in some cases, even outperforming fully supervised learning, which is typically not a practical option in whole-slide cytology due to the infeasibility of exhaustive instance-level annotations. DROC is also competitive under extreme rarity, benefiting from distribution-augmented contrastive learning. These findings highlight one-class representation learning as a robust and interpretable superior choice to MIL for malignant cell detection under extreme rarity.
• Abstract（参考訳）: 細胞診では, 悪性細胞は形態学的に多様であるが, 正常細胞の広い背景の中で消失する稀なため, 全身スライディング画像の悪性度の検出は困難である。 これらの極めて稀な悪性細胞の正確な検出は、大きなクラス不均衡と限定的なアノテーションのため、依然として困難である。 従来、MIL(Multiple Case Learning)のような弱教師付きアプローチは、特に悪性細胞の割合(知能率)が極端に低い場合、多くの場合、インスタンスレベルでの一般化に失敗する。 本研究では,低知能度シナリオにおける悪性細胞検出のための一級表現学習手法について検討した。 これらのメソッドは、インスタンスレベルの監視を必要とせずに、スライド陰性パッチにのみトレーニングされる。 具体的には、DSVDDとDROCの2つのOCC手法を評価し、FS-SIL、WS-SIL、最近の ItS2CLR 法と比較する。 一級法は、正規性のコンパクトな表現を学び、テスト時に偏差を検出する。 公開されている骨髄細胞形態学データセット(TCIA)と社内の口腔癌細胞診データセットの実験では、DSVDDは、特に超低レベルの目撃率の体制(\leq 1\%$)や、場合によっては、完全な教師あり学習よりも優れており、徹底的なインスタンスレベルのアノテーションが実現不可能なため、概してスライディング細胞学において実践的な選択肢ではないことが示されている。 DROCは極めて希少な条件下でも競争力があり、分散強化された対照的な学習の恩恵を受けている。 以上の結果から,一級表現学習は極めて希少な条件下での悪性細胞検出において,MILに対して頑健かつ解釈可能な優れた選択であることが明らかとなった。

関連論文リスト

• Holistic and Historical Instance Comparison for Cervical Cell Detection [6.735336269995631]
  本稿では,頚部細胞検出のための総合的,歴史的事例比較手法を提案する。 具体的には、まず、RoIレベルとクラスレベルの細胞識別を併用した総合的な事例比較スキームを開発する。 この粗い細胞間比較は、モデルが前景の区別可能なクラスワイド表現を学習することを奨励する。
  論文  参考訳（メタデータ） (2024-09-21T02:36:19Z)
• CAMIL: Context-Aware Multiple Instance Learning for Cancer Detection and Subtyping in Whole Slide Images [3.1118773046912382]
  がん診断のためのコンテキスト認識型マルチインスタンス学習(CAMIL)アーキテクチャを提案する。 CAMILは隣接する制約のある注意を取り入れて、WSI(Whole Slide Images)内のタイル間の依存関係を考慮し、コンテキスト制約を事前の知識として統合する。 CAMILは非小細胞肺癌(TCGA-NSCLC)の亜型であり,リンパ節転移は検出され,AUCは97.5%,95.9%,88.1%であった。
  論文  参考訳（メタデータ） (2023-05-09T10:06:37Z)
• Hierarchical Semi-Supervised Contrastive Learning for Contamination-Resistant Anomaly Detection [81.07346419422605]
  異常検出は、通常のデータ分布から逸脱したサンプルを特定することを目的としている。 コントラスト学習は、異常の効果的な識別を可能にする表現のサンプル化に成功している。 汚染耐性異常検出のための新しい階層型半教師付きコントラスト学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-24T18:49:26Z)
• Anomaly-aware multiple instance learning for rare anemia disorder classification [3.705427391718675]
  ディープラーニングに基づく希少貧血障害の分類は、トレーニングデータとインスタンスレベルのアノテーションの欠如によって困難である。 複数のインスタンス学習は効果的なソリューションであることを示しているが、精度が低く、説明性が制限されている。 本稿では,これらの制約に対処するために,MILの解釈可能なプーリング法を提案する。
  論文  参考訳（メタデータ） (2022-07-04T22:56:09Z)
• Oral cancer detection and interpretation: Deep multiple instance learning versus conventional deep single instance learning [2.2612425542955292]
  口腔癌(OC)診断の現在の医療基準は、口腔から採取した組織標本の組織学的検査である。 このアプローチを臨床ルーチンに導入するには、専門家の欠如や労働集約的な作業といった課題が伴う。 私たちは、患者1人あたりのラベルだけで癌を確実に検出できるAIベースの方法に興味を持っています。
  論文  参考訳（メタデータ） (2022-02-03T15:04:26Z)
• Label Cleaning Multiple Instance Learning: Refining Coarse Annotations on Single Whole-Slide Images [83.7047542725469]
  病理検体の全スライディング画像(WSI)における癌領域のアノテーションは、臨床診断、生医学研究、機械学習アルゴリズムの開発において重要な役割を担っている。 本稿では,外部トレーニングデータを必要とせず,単一のWSI上で粗いアノテーションを洗練するためのLC-MIL (Label Cleaning Multiple Instance Learning) を提案する。 乳癌リンパ節転移,肝癌,大腸癌の検体を併用した異種 WSI 実験の結果,LC-MIL は粗いアノテーションを著しく改善し,単一スライドから学習しながらも,最先端の代替品よりも優れていた。
  論文  参考訳（メタデータ） (2021-09-22T15:06:06Z)
• Multi-Scale Input Strategies for Medulloblastoma Tumor Classification using Deep Transfer Learning [59.30734371401316]
  乳腺芽腫は小児で最も多い悪性脳腫瘍である。 CNNはMBサブタイプ分類に有望な結果を示した。 タイルサイズと入力戦略の影響について検討した。
  論文  参考訳（メタデータ） (2021-09-14T09:42:37Z)
• Relational Subsets Knowledge Distillation for Long-tailed Retinal Diseases Recognition [65.77962788209103]
  本研究では,長尾データを知識に基づいて複数のクラスサブセットに分割し,クラスサブセット学習を提案する。 モデルがサブセット固有の知識の学習に集中するように強制する。 提案手法は長期網膜疾患認識タスクに有効であることが判明した。
  論文  参考訳（メタデータ） (2021-04-22T13:39:33Z)
• Constrained Contrastive Distribution Learning for Unsupervised Anomaly Detection and Localisation in Medical Images [23.79184121052212]
  UAD(Unsupervised Anomaly Detection)は、通常の(すなわち健康的な)画像でのみ1クラスの分類器を学習する。 異常検出のための制約コントラスト分布学習(Constrained Contrastive Distribution Learning for Anomaly Detection, CCD)を提案する。 本手法は,3種類の大腸内視鏡および底部検診データセットにおいて,最先端のUADアプローチよりも優れている。
  論文  参考訳（メタデータ） (2021-03-05T01:56:58Z)
• Entropy-Based Uncertainty Calibration for Generalized Zero-Shot Learning [49.04790688256481]
  一般化ゼロショット学習(GZSL)の目的は、目に見えないクラスと見えないクラスの両方を認識することである。 ほとんどのGZSLメソッドは、通常、見えないクラスの意味情報から視覚表現を合成することを学ぶ。 本論文では,三重項損失を持つ2重変分オートエンコーダを利用する新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-01-09T05:21:27Z)
• Manifolds for Unsupervised Visual Anomaly Detection [79.22051549519989]
  トレーニングで必ずしも異常に遭遇しない教師なしの学習方法は、非常に有用です。 ジャイロプレーン層を用いた立体投影による超球形変分オートエンコーダ(VAE)を開発した。 工業用AIシナリオにおける実世界の実用性を実証し、精密製造および検査における視覚異常ベンチマークの最先端結果を示す。
  論文  参考訳（メタデータ） (2020-06-19T20:41:58Z)

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。