論文の概要: Clinically-Informed Modeling for Pediatric Brain Tumor Classification from Whole-Slide Histopathology Images

• arxiv url: http://arxiv.org/abs/2604.21060v1
• Date: Wed, 22 Apr 2026 20:04:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-24 14:40:06.16563
• Title: Clinically-Informed Modeling for Pediatric Brain Tumor Classification from Whole-Slide Histopathology Images
• Title（参考訳）: 全スライディング組織像を用いた小児脳腫瘍分類の臨床的インフォームド・モデリング
• Authors: Joakim Nguyen, Jian Yu, Jinrui Fang, Nicholas Konz, Tianlong Chen, Sanjay Krishnan, Chandra Krishnan, Ying Ding, Hairong Wang, Ankita Shukla,
• Abstract要約: 本研究は,小児脳腫瘍の全身画像による診断のための,専門家が指導する対照的な微調整フレームワークについて紹介する。 対照的な微調整により, 微細な診断の精度が向上することが実証された。
• 参考スコア（独自算出の注目度）: 32.854000595189184
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate diagnosis of pediatric brain tumors, starting with histopathology, presents unique challenges for deep learning, including severe data scarcity, class imbalance, and fine-grained morphologic overlap across diagnostically distinct subtypes. While pathology foundation models have advanced patch-level representation learning, their effective adaptation to weakly supervised pediatric brain tumor classification under limited data remains underexplored. In this work, we introduce an expert-guided contrastive fine-tuning framework for pediatric brain tumor diagnosis from whole-slide images (WSI). Our approach integrates contrastive learning into slide-level multiple instance learning (MIL) to explicitly regularize the geometry of slide-level representations during downstream fine-tuning. We propose both a general supervised contrastive setting and an expert-guided variant that incorporates clinically informed hard negatives targeting diagnostically confusable subtypes. Through comprehensive experiments on pediatric brain tumor WSI classification under realistic low-sample and class-imbalanced conditions, we demonstrate that contrastive fine-tuning yields measurable improvements in fine-grained diagnostic distinctions. Our experimental analyses reveal complementary strengths across different contrastive strategies, with expert-guided hard negatives promoting more compact intra-class representations and improved inter-class separation. This work highlights the importance of explicitly shaping slide-level representations for robust fine-grained classification in data-scarce pediatric pathology settings.
• Abstract（参考訳）: 小児脳腫瘍の正確な診断は、病理組織学から始まり、重度のデータ不足、クラス不均衡、診断学的に異なるサブタイプ間のきめ細かい形態的重複など、深層学習に固有の課題を提示する。 病理基盤モデルには高度なパッチレベルの表現学習があるが、限られたデータに基づく弱い教師付き小児脳腫瘍分類への効果的な適応は未解明のままである。 本研究は, 小児脳腫瘍診断のための, 専門家が指導するコントラスト微調整フレームワークについて紹介する。 提案手法は,スライドレベルのマルチインスタンス学習(MIL)と対比学習を統合し,ダウンストリーム微調整時のスライドレベルの表現の幾何を明示的に正規化する。 本報告では, 診断に難渋するサブタイプをターゲットとした, 一般的な教師付きコントラクティブ・セッティングと, 臨床に通知されたハード・ネガを組み込んだ専門家誘導型の両方を提案する。 小児脳腫瘍WSI分類に関する総合的な実験を通じて, 比較的微調整により, 診断精度が向上することが実証された。 実験により,異なるコントラスト戦略にまたがる相補的強みが明らかになり,よりコンパクトなクラス内表現が促進され,クラス間分離が改善された。 この研究は、データ共有型小児病理設定において、堅牢なきめ細かい分類のためのスライドレベルの表現を明示的に形成することの重要性を強調している。

関連論文リスト

• Clinical Cognition Alignment for Gastrointestinal Diagnosis with Multimodal LLMs [63.535652574541764]
  MLLM(Multimodal Large Language Models)は医用画像解析において顕著な可能性を示した。 消化器内視鏡におけるそれらの応用は、現在、2つの重要な限界によって妨げられている。 本稿では,これらの課題に対処する新しい臨床認知アライメント(CogAlign)フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-21T07:47:37Z)
• Towards Accurate and Interpretable Neuroblastoma Diagnosis via Contrastive Multi-scale Pathological Image Analysis [16.268045905735818]
  病理画像分類に適したコントラスト学習に基づくマルチスケール機能融合モデルであるCMSwinKANを提案する。 マルチスケールの特徴を融合させ、対照的な学習戦略を活用することで、CMSwinKANは臨床医の包括的なアプローチを模倣する。 その結果、CMSwinKANは、既存の最先端の病理モデルよりも、大規模なデータセットで事前訓練されたモデルよりもパフォーマンスがよいことが示された。
  論文  参考訳（メタデータ） (2025-04-18T15:39:46Z)
• Adversarial Vessel-Unveiling Semi-Supervised Segmentation for Retinopathy of Prematurity Diagnosis [9.683492465191241]
  広範囲な手動血管アノテーションを必要とせず,ROP研究を進めるための半教師付きセグメンテーションフレームワークを提案する。 ラベル付きデータにのみ依存する従来の手法とは異なり,本手法では不確実性重み付き容器公開モジュールとドメイン対向学習を統合している。 我々は、パブリックデータセットと社内ROPデータセットに対するアプローチを検証し、複数の評価指標で優れたパフォーマンスを示す。
  論文  参考訳（メタデータ） (2024-11-14T02:40:34Z)
• Advancing Efficient Brain Tumor Multi-Class Classification -- New Insights from the Vision Mamba Model in Transfer Learning [18.20962008262757]
  本研究は,脳腫瘍分類における事前学習モデルの応用について検討した。 我々は,脳腫瘍のマルチクラス分類にいくつかの主流転写学習モデルを微調整し,応用した。 特に,新しいネットワークアーキテクチャであるVision Mamba(Vim)を導入し,脳腫瘍の分類に初めて適用した。
  論文  参考訳（メタデータ） (2024-10-29T09:08:57Z)
• Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
  本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。 腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
  論文  参考訳（メタデータ） (2023-03-07T09:40:22Z)
• Triplet Contrastive Learning for Brain Tumor Classification [99.07846518148494]
  本稿では,脳腫瘍の深層埋め込みを直接学習する手法を提案する。 本手法は,27種類の腫瘍群からなる広範囲な脳腫瘍データセットを用いて評価し,そのうち13種は稀である。
  論文  参考訳（メタデータ） (2021-08-08T11:26:34Z)
• 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)
• Learning Binary Semantic Embedding for Histology Image Classification and Retrieval [56.34863511025423]
  バイナリ・セマンティック・エンベディング(LBSE)の学習方法を提案する。 効率的な埋め込み、分類、検索を行い、組織像の解釈可能なコンピュータ支援診断を提供する。 3つのベンチマークデータセットで実施された実験は、様々なシナリオにおいてLBSEの優位性を検証する。
  論文  参考訳（メタデータ） (2020-10-07T08:36:44Z)
• Weakly supervised multiple instance learning histopathological tumor segmentation [51.085268272912415]
  スライド画像全体のセグメント化のための弱教師付きフレームワークを提案する。 トレーニングモデルに複数のインスタンス学習スキームを利用する。 提案するフレームワークは,The Cancer Genome AtlasとPatchCamelyonデータセットのマルチロケーションとマルチ中心公開データに基づいて評価されている。
  論文  参考訳（メタデータ） (2020-04-10T13:12:47Z)

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。