論文の概要: Weakly Supervised Multicenter Nancy Index Scoring in Ulcerative Colitis Using Foundation Models

• arxiv url: http://arxiv.org/abs/2604.23706v1
• Date: Sun, 26 Apr 2026 13:38:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:07.512218
• Title: Weakly Supervised Multicenter Nancy Index Scoring in Ulcerative Colitis Using Foundation Models
• Title（参考訳）: ファンデーションモデルを用いた潰瘍性大腸炎におけるマルチセンターナンシー指標の経時的改善
• Authors: Adam Kukučka, Ondřej Fabián, Vít Musil, Tomáš Brázdil,
• Abstract要約: 潰瘍性大腸炎(UC)の活動の組織学的評価は,臨床治験および定期治療において重要なエンドポイントである。 ケースレベルのNHIラベルとスライドレベルのNHIラベルから学習する全スライド画像に対して,弱教師付き多重インスタンス学習(MIL)アプローチを提案する。
• 参考スコア（独自算出の注目度）: 5.022314014591091
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Histologic assessment of ulcerative colitis (UC) activity is an important endpoint in clinical trials and routine care, but manual grading with indices such as the Nancy histological index (NHI) is time-consuming and prone to observer variability. While computational pathology methods can automate scoring, many approaches depend on dense region-level annotations, which are costly to obtain, particularly in heterogeneous, multicenter cohorts. We propose a weakly supervised multiple instance learning (MIL) approach for whole-slide images that learns from case- and slide-level NHI labels, leveraging foundation models. Our method targets clinically relevant endpoints, including neutrophilic activity and derived Nancy-low/high groupings, enabling full five-grade NHI prediction. On a multicenter dataset of H&E-stained colon biopsies from three hospitals (2019-2025), we evaluate multiple foundation model encoders and aggregation strategies. We find that foundation model choice and resolution substantially affect performance, with Virchow2 providing the most consistent gains, and that a simple ensembling rule improves five-grade NHI prediction compared to a hierarchical gating baseline. Overall, our results demonstrate that weakly supervised MIL with modern foundation-model representations can provide robust, interpretable UC histology activity assessment in realistic multicenter settings.
• Abstract（参考訳）: 潰瘍性大腸炎(UC)の活動の組織学的評価は臨床試験や定期診療において重要なエンドポイントであるが,Nancy histological index(NHI)などの指標を用いた手作業による評価は,経時的・経時的変化の傾向がみられた。 計算病理学の手法はスコアリングを自動化できるが、多くのアプローチは高密度な領域レベルのアノテーションに依存しており、特に異種多中心コホートにおいて取得するのにコストがかかる。 基本モデルを利用して,ケースレベルおよびスライドレベルのNHIラベルから学習する全スライド画像に対して,弱教師付き多重インスタンス学習(MIL)アプローチを提案する。 本手法は,好中球活性およびNancy-low-high groupingsを含む臨床関連エンドポイントを標的とし,全5グレードのNHI予測を可能にする。 3つの病院 (2019-2025) から得られたH&E-stained colon biopsies の多施設間データセットを用いて, 複数の基礎モデルエンコーダとアグリゲーション戦略を評価した。 基礎モデル選択と分解能は,最も一貫したゲインを提供するVirchow2と,階層的ゲーティングベースラインに比べて5グレードのNHI予測を改善する単純なアンサンブルルールにより,性能に大きく影響することがわかった。 以上より, 基礎モデル表現を用いた弱教師付きMILは, 現実的なマルチセンター環境下での強靭かつ解釈可能なUCヒストロジー活性評価を実現することができることを示した。

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)
• Multi-View Stenosis Classification Leveraging Transformer-Based Multiple-Instance Learning Using Real-World Clinical Data [76.89269238957593]
  冠動脈狭窄は心血管疾患の主要な原因であり,多発血管造影で冠動脈を解析し診断した。 患者レベルの狭窄分類のためのトランスフォーマーベースマルチビューマルチインスタンス学習フレームワークであるSegmentMILを提案する。
  論文  参考訳（メタデータ） (2026-02-02T13:07:52Z)
• 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)
• A Hybrid CNN-VSSM model for Multi-View, Multi-Task Mammography Analysis: Robust Diagnosis with Attention-Based Fusion [5.15423063632115]
  乳がんの早期かつ正確な検診は乳がん検出に不可欠である。 既存のAIアプローチは、単一ビューのインプットや単一タスクのアウトプットに注目して、不足している。 本研究では,4つの標準マンモグラフィビュー全てを処理する,新しいマルチビュー・マルチタスクハイブリッドディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-07-22T18:52:18Z)
• ICU-TSB: A Benchmark for Temporal Patient Representation Learning for Unsupervised Stratification into Patient Cohorts [0.055923945039144905]
  ICU-TSB (Temporal Stratification Benchmark) を導入した。 本ベンチマークは, 臨床的に検証された疾患群とクラスターのアライメントを測定するために, 疾患を利用した新しい階層的評価フレームワークである。 その結果,時間的表現学習が臨床的に意味のある患者コホートを再発見できることが示唆された。
  論文  参考訳（メタデータ） (2025-06-06T15:52:50Z)
• Advancing UWF-SLO Vessel Segmentation with Source-Free Active Domain Adaptation and a Novel Multi-Center Dataset [11.494899967255142]
  UWF-SLO画像における正確な血管セグメンテーションは網膜疾患の診断に不可欠である。 高い解像度のUWF-SLO画像を手動でラベル付けすることは、非常に難しく、時間がかかり、高価な作業である。 本研究では、パッチベースのアクティブドメイン適応アプローチを活用する先駆的なフレームワークを紹介する。
  論文  参考訳（メタデータ） (2024-06-19T15:49:06Z)
• CIMIL-CRC: a clinically-informed multiple instance learning framework for patient-level colorectal cancer molecular subtypes classification from H\&E stained images [42.771819949806655]
  CIMIL-CRCは、事前学習した特徴抽出モデルと主成分分析(PCA)を効率よく組み合わせ、全てのパッチから情報を集約することで、MSI/MSS MIL問題を解決するフレームワークである。 我々は,TCGA-CRC-DXコホートを用いたモデル開発のための5倍のクロスバリデーション実験装置を用いて,曲線下平均面積(AUC)を用いてCIMIL-CRC法の評価を行った。
  論文  参考訳（メタデータ） (2024-01-29T12:56:11Z)
• Graph-Ensemble Learning Model for Multi-label Skin Lesion Classification using Dermoscopy and Clinical Images [7.159532626507458]
  本研究では,グラフ畳み込みネットワーク(GCN)を導入し,相関行列として各カテゴリ間の先行的共起を多ラベル分類のためのディープラーニングモデルに活用する。 本稿では,GCNからの予測を融合モデルからの予測の補完情報とみなすグラフ・アンサンブル学習モデルを提案する。
  論文  参考訳（メタデータ） (2023-07-04T13:19:57Z)
• Rethinking Semi-Supervised Medical Image Segmentation: A Variance-Reduction Perspective [51.70661197256033]
  医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。 まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。 5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
  論文  参考訳（メタデータ） (2023-02-03T13:50:25Z)
• Simple and Scalable Algorithms for Cluster-Aware Precision Medicine [0.0]
  共同クラスタリングと埋め込みに対するシンプルでスケーラブルなアプローチを提案する。 この新しいクラスタ対応の埋め込みアプローチは、現在の共同埋め込みとクラスタリング法の複雑さと限界を克服する。 当社のアプローチでは,ユーザが希望するクラスタ数を選択する必要はなく,階層的にクラスタ化された埋め込みの解釈可能なデンドログラムを生成する。
  論文  参考訳（メタデータ） (2022-11-29T19:27:26Z)

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。