論文の概要: Closing the Domain Gap in Biomedical Imaging by In-Context Control Samples

• arxiv url: http://arxiv.org/abs/2604.20824v1
• Date: Wed, 22 Apr 2026 17:49:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-23 15:36:11.26977
• Title: Closing the Domain Gap in Biomedical Imaging by In-Context Control Samples
• Title（参考訳）: In-Context Control Samples による生体医用画像における領域ギャップの閉鎖
• Authors: Ana Sanchez-Fernandez, Thomas Pinetz, Werner Zellinger, Günter Klambauer,
• Abstract要約: バイオメディカルイメージングにおけるバッチ効果は、生物学的興味のシグナルとは無関係な系統的な技術的変化である。 負の制御サンプルを利用するメタラーニング適応法であるBatch Normalization (CS-ARM-BN) による制御安定化適応型リスク最小化を提案する。 本研究は, バイオイメージングデータにおけるバッチ効果を, 原理的インコンテキスト適応により効果的に中和できることを示す。
• 参考スコア（独自算出の注目度）: 10.63308864404537
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The central problem in biomedical imaging are batch effects: systematic technical variations unrelated to the biological signal of interest. These batch effects critically undermine experimental reproducibility and are the primary cause of failure of deep learning systems on new experimental batches, preventing their practical use in the real world. Despite years of research, no method has succeeded in closing this performance gap for deep learning models. We propose Control-Stabilized Adaptive Risk Minimization via Batch Normalization (CS-ARM-BN), a meta-learning adaptation method that exploits negative control samples. Such unperturbed reference images are present in every experimental batch by design and serve as stable context for adaptation. We validate our novel method on Mechanism-of-Action (MoA) classification, a crucial task for drug discovery, on the large-scale JUMP-CP dataset. The accuracy of standard ResNets drops from 0.939 $\pm$ 0.005, on the training domain, to 0.862 $\pm$ 0.060 on data from new experimental batches. Foundation models, even after Typical Variation Normalization, fail to close this gap. We are the first to show that meta-learning approaches close the domain gap by achieving 0.935 $\pm$ 0.018. If the new experimental batches exhibit strong domain shifts, such as being generated in a different lab, meta-learning approaches can be stabilized with control samples, which are always available in biomedical experiments. Our work shows that batch effects in bioimaging data can be effectively neutralized through principled in-context adaptation, which also makes them practically usable and efficient.
• Abstract（参考訳）: バイオメディカルイメージングにおける中心的な問題はバッチ効果である。 これらのバッチ効果は、実験的な再現性を著しく損なうものであり、新しい実験バッチにおけるディープラーニングシステムの失敗の主な原因であり、実世界での使用を妨げている。 長年の研究にもかかわらず、ディープラーニングモデルのパフォーマンスギャップを埋める手法は存在しない。 負の制御サンプルを利用するメタラーニング適応法であるBatch Normalization (CS-ARM-BN) による制御安定化適応型リスク最小化を提案する。 このような未成熟な参照画像は、設計によるすべての実験バッチに存在し、適応のための安定したコンテキストとして機能する。 我々は,大規模JUMP-CPデータセット上での薬物発見の重要な課題である,メカニズム・オブ・アクション(MoA)分類に関する新しい手法を検証した。 標準ResNetsの精度は、トレーニングドメインでは0.939$\pm$0.005から、新しい実験バッチのデータでは0.862$\pm$0.060に低下する。 典型的変分正規化後も基礎モデルは、このギャップを埋めることに失敗する。 私たちはまず、0.935$\pm$0.018を達成して、メタ学習アプローチがドメインギャップを埋めることを示します。 新しい実験バッチが、異なる研究室で生成されるような強いドメインシフトを示す場合、メタラーニングアプローチは、常に生体医学実験で利用できる制御サンプルで安定化することができる。 我々の研究は、バイオイメージングデータにおけるバッチ効果を、原則付きインコンテキスト適応によって効果的に中和できることを示した。

関連論文リスト

• Handling imbalance and few-sample size in ML based Onion disease classification [1.3177681589844814]
  タマネギの作物病および害虫の多種分類のための頑健な深層学習モデルを提案する。 実世界のフィールド画像データセットに96.90%の精度と0.96のF1スコアを与えるモデルを与える。
  論文  参考訳（メタデータ） (2025-09-01T19:05:39Z)
• A Lightweight and Robust Framework for Real-Time Colorectal Polyp Detection Using LOF-Based Preprocessing and YOLO-v11n [2.4896276458398785]
  本研究では,ポリプ検出のための新しい,軽量で効率的なフレームワークを提案する。 ノイズの多いデータをフィルタリングするLocal Outlier Factorアルゴリズムと、YOLO-v11nディープラーニングモデルを組み合わせる。 従来のYOLO法と比較して精度と効率が向上した。
  論文  参考訳（メタデータ） (2025-07-14T23:36:54Z)
• Prediction-Powered Causal Inferences [59.98498488132307]
  予測型因果推論(PPCI)に焦点をあてる まず, 条件付きキャリブレーションにより, 人口レベルでの有効なPPCIが保証されることを示す。 次に、実験間での十分な表現制約伝達の妥当性を導入する。
  論文  参考訳（メタデータ） (2025-02-10T10:52:17Z)
• Biologically-inspired Semi-supervised Semantic Segmentation for Biomedical Imaging [7.915123555266876]
  本稿では,バイオインスパイアされた半教師付き学習手法を提案する。 バイオメディカルデータセットを用いて実験を行い,本手法の評価を行った。 その結果,提案手法はラベルの可用性の異なるレベルにおいてSOTA手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2024-12-04T10:25:53Z)
• B-Learner: Quasi-Oracle Bounds on Heterogeneous Causal Effects Under Hidden Confounding [51.74479522965712]
  本稿では,B-Learnerと呼ばれるメタラーナーを提案する。 我々は、その推定が有効で、鋭く、効率的であることを証明し、既存の方法よりも一般的な条件下で構成推定器に対して準オーラル特性を持つことを示した。
  論文  参考訳（メタデータ） (2023-04-20T18:07:19Z)
• Differentiable Agent-based Epidemiology [71.81552021144589]
  GradABM(GradABM)は、エージェントベースのモデリングのためのスケーラブルで微分可能な設計で、勾配に基づく学習と自動微分が可能である。 GradABMは、コモディティハードウェア上で数秒で数百万の人口をシミュレートし、ディープニューラルネットワークと統合し、異種データソースを取り込みます。
  論文  参考訳（メタデータ） (2022-07-20T07:32:02Z)
• Scale-Equivalent Distillation for Semi-Supervised Object Detection [57.59525453301374]
  近年のSemi-Supervised Object Detection (SS-OD) 法は主に自己学習に基づいており、教師モデルにより、ラベルなしデータを監視信号としてハードな擬似ラベルを生成する。 実験結果から,これらの手法が直面する課題を分析した。 本稿では,大規模オブジェクトサイズの分散とクラス不均衡に頑健な簡易かつ効果的なエンド・ツー・エンド知識蒸留フレームワークであるSED(Scale-Equivalent Distillation)を提案する。
  論文  参考訳（メタデータ） (2022-03-23T07:33:37Z)
• Attentional-Biased Stochastic Gradient Descent [74.49926199036481]
  深層学習におけるデータ不均衡やラベルノイズ問題に対処するための証明可能な手法(ABSGD)を提案する。 本手法は運動量SGDの簡易な修正であり,各試料に個別の重み付けを行う。 ABSGDは追加コストなしで他の堅牢な損失と組み合わせられるほど柔軟である。
  論文  参考訳（メタデータ） (2020-12-13T03:41:52Z)

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。