論文の概要: Attention-based multiple instance learning for predominant growth pattern prediction in lung adenocarcinoma wsi using foundation models

• arxiv url: http://arxiv.org/abs/2604.21530v1
• Date: Thu, 23 Apr 2026 10:53:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-24 14:40:06.452894
• Title: Attention-based multiple instance learning for predominant growth pattern prediction in lung adenocarcinoma wsi using foundation models
• Title（参考訳）: 基礎モデルを用いた肺腺癌wsiにおける中心的増殖パターン予測のための注意型多重例学習
• Authors: Laura Valeria Perez-Herrera, M. J. Garcia-Gonzalez, Karen Lopez-Linares,
• Abstract要約: 肺腺癌のグレーディングは、予後の指標であり、治療決定に影響を与える可能性のある成長パターンを正確に同定することに依存する。 本研究は,注記の負担を軽減するため,スライド全体のLUAD成長パターンを主成分とする注意型マルチインスタンス学習フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Lung adenocarcinoma (LUAD) grading depends on accurately identifying growth patterns, which are indicators of prognosis and can influence treatment decisions. Common deep learning approaches to determine the predominant pattern rely on patch-level classification or segmentation, requiring extensive annotations. This study proposes an attention-based multiple instance learning (ABMIL) framework to predict the predominant LUAD growth pattern at the whole slide level to reduce annotation burden. Our approach integrates pretrained pathology foundation models as patch encoders, used either frozen or fine-tuned on annotated patches, to extract discriminative features that are aggregated through attention mechanisms. Experiments show that fine-tuned encoders improve performance, with Prov-GigaPath achieving the highest agreement (\k{appa} = 0.699) under ABMIL. Compared to simple patch-aggregation baselines, ABMIL yields more robust predictions by leveraging slide-level supervision and spatial attention. Future work will extend this framework to estimate the full distribution of growth patterns and validate performance on external cohorts.
• Abstract（参考訳）: 肺腺癌(LUAD)のグレーディングは、予後の指標であり、治療決定に影響を与える可能性のある成長パターンを正確に同定することに依存する。 主要なパターンを決定するための一般的なディープラーニングアプローチは、広範囲なアノテーションを必要とするパッチレベルの分類やセグメンテーションに依存している。 本研究では,アテンションに基づくマルチインスタンス学習(ABMIL)フレームワークを提案する。 本手法は,注記パッチに凍結あるいは微調整したパッチエンコーダとして事前学習した病理基盤モデルを統合し,注意機構を通じて集約された識別的特徴を抽出する。 Prov-GigaPath は ABMIL の下で最高合意 (\k{appa} = 0.699) を達成している。 単純なパッチ集約ベースラインと比較して、ABMILはスライドレベルの監視と空間的注意を生かしてより堅牢な予測をもたらす。 今後の作業では、このフレームワークを拡張して、成長パターンの完全な分布を推定し、外部コホートのパフォーマンスを検証する予定である。

関連論文リスト

• PRIME: Prototype-Driven Multimodal Pretraining for Cancer Prognosis with Missing Modalities [86.63247982275396]
  PRIMEは、欠落を認識したマルチモーダルな自己教師型事前トレーニングフレームワークである。 部分的に観察されたコホートから頑健で伝達可能な表現を学ぶ。 The Cancer Genome AtlasのPRIMEを32種類の癌に対してラベルフリープレトレーニングで評価した。
  論文  参考訳（メタデータ） (2026-04-05T21:14:27Z)
• 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)
• Improving Early Sepsis Onset Prediction Through Federated Learning [4.254099382808598]
  本稿では,セプシオンセット予測のためのフェデレーション・アテンション強化長短期記憶モデルを提案する。 固定予測ウィンドウに依存する既存のアプローチとは異なり、我々のモデルは可変予測水平線をサポートしている。 固定ウィンドウではなく変数予測ウィンドウを採用するという選択は,性能を著しく損なうものではなく,計算,通信,組織的オーバーヘッドを低減させることを示す。
  論文  参考訳（メタデータ） (2025-09-25T08:19:22Z)
• EP-SAM: Weakly Supervised Histopathology Segmentation via Enhanced Prompt with Segment Anything [3.760646312664378]
  がんなどの疾患の病理診断は、従来、医師や病理医による形態学的特徴の評価に頼っていた。 近年,診断支援ツールとしてコンピュータ支援診断(CAD)システムの進歩が注目されている。 本稿では,クラスアクティベーションマップとSAMに基づく擬似ラベルを組み合わせ,弱教師付きセマンティックセマンティックセグメンテーション(WSSS)モデルを提案する。
  論文  参考訳（メタデータ） (2024-10-17T14:55:09Z)
• Position: From Correlation to Causation: Max-Pooling-Based Multi-Instance Learning Leads to More Robust Whole Slide Image Classification [51.95824566163554]
  我々は、十分に訓練された最大プーリングに基づくMILモデルが因果関係に基づく予測を行い、素早い相関に頼らずにすむことを論じる。 提案手法は,2つのデータセットにおいて,既存の注目度に基づく手法よりも優れている。
  論文  参考訳（メタデータ） (2024-08-18T12:15:22Z)
• Exploiting Causal Graph Priors with Posterior Sampling for Reinforcement Learning [86.22660674919746]
  後部サンプリングは、環境の遷移力学に関する事前知識の活用を可能にする。 本稿では,環境変数に対する因果グラフとして先行値が与えられる新しい後方サンプリング手法を提案する。
  論文  参考訳（メタデータ） (2023-10-11T14:16:04Z)
• PCA: Semi-supervised Segmentation with Patch Confidence Adversarial Training [52.895952593202054]
  医用画像セグメンテーションのためのPatch Confidence Adrial Training (PCA) と呼ばれる半教師付き対向法を提案する。 PCAは各パッチの画素構造とコンテキスト情報を学習し、十分な勾配フィードバックを得る。 本手法は, 医用画像のセグメンテーションにおいて, 最先端の半教師付き手法より優れており, その有効性を示している。
  論文  参考訳（メタデータ） (2022-07-24T07:45:47Z)
• Multi-task fusion for improving mammography screening data classification [3.7683182861690843]
  まず、個別のタスク固有のモデルのセットをトレーニングするパイプラインアプローチを提案する。 次に、標準モデルの集合戦略とは対照的に、その融合について検討する。 我々の融合アプローチは、標準モデルのアンサンブルに比べてAUCのスコアを最大0.04向上させる。
  論文  参考訳（メタデータ） (2021-12-01T13:56:27Z)

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。