論文の概要: Benchmarking Pathology Foundation Models for Breast Cancer Survival Prediction

• arxiv url: http://arxiv.org/abs/2604.24679v1
• Date: Mon, 27 Apr 2026 16:38:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:08.176816
• Title: Benchmarking Pathology Foundation Models for Breast Cancer Survival Prediction
• Title（参考訳）: 乳癌生存予測のための基準病理基盤モデル
• Authors: Fredrik K. Gustafsson, Constance Boissin, Johan Vallon-Christersson, David A. Clifton, Mattias Rantalainen,
• Abstract要約: 乳がんの生存率予測に広く用いられ,最近提案されたPFMを,全スライディング組織像から評価した。 その結果,乳がん生存予測のためのPFMの大規模,外部的検証を行った初めてのベンチマークが得られた。
• 参考スコア（独自算出の注目度）: 18.4825895221291
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Pathology foundation models (PFMs) have recently emerged as powerful pretrained encoders for computational pathology, enabling transfer learning across a wide range of downstream tasks. However, systematic comparisons of these models for clinically meaningful prediction problems remain limited, especially in the context of survival prediction under external validation. In this study, we benchmark widely used and recently proposed PFMs for breast cancer survival prediction from whole-slide histopathology images. Using a standardized pipeline based on patch-level feature extraction and a unified survival modeling framework, we evaluate model representations across three independent clinical cohorts comprising more than 5,400 patients with long-term follow-up. Models are trained on one cohort and evaluated on two independent external cohorts, enabling a rigorous assessment of cross-dataset generalization. Overall, H-optimus-1 achieves the strongest survival prediction performance. More broadly, we observe consistent generational improvements across model families, with second-generation PFMs outperforming their first-generation counterparts. However, absolute performance differences between many recent PFMs remain modest, suggesting diminishing returns from further scaling of pretraining data or model size alone. Notably, the compact distilled model H0-mini slightly outperforms its larger teacher model H-optimus-0, despite using fewer than 8% of the parameters and enabling significantly faster feature extraction. Together, these results provide the first large-scale, externally validated benchmark of PFMs for breast cancer survival prediction, and offer practical guidance for efficient deployment of PFMs in clinical workflows.
• Abstract（参考訳）: PFM(Pathology foundation model)は、最近、コンピュータ病理学のための強力な事前訓練エンコーダとして出現し、幅広い下流タスクにおける伝達学習を可能にした。 しかし, 臨床的に有意な予測問題に対するこれらのモデルの体系的比較は, 特に生存予測の文脈において限定的であり続けている。 本研究では,乳がんの生存率予測に広く用いられ,最近提案されたPFMを,全スライディング組織像から評価した。 パッチレベルの特徴抽出と統合生存モデルフレームワークに基づく標準化パイプラインを用いて,長期経過例5,400人以上からなる3つの独立した臨床コホート間のモデル表現を評価した。 モデルは1つのコホートで訓練され、2つの独立した外部コホートで評価され、クロスデータセットの一般化の厳密な評価を可能にする。 全体として、H-オプティマス-1は生存予測性能が最も高い。 より広範に、モデルファミリ間の一貫した世代改良が観察され、第2世代PFMは第1世代よりも優れていた。 しかし、最近の多くのPFM間の絶対的な性能差は控えめであり、事前学習データやモデルサイズのみのスケーリングによるリターンの低下を示唆している。 特に、コンパクト蒸留モデルH0-miniは、8%未満のパラメータを使用しながら、より大きな教師モデルH-オプティマス-0をわずかに上回り、特徴抽出を著しく高速化する。 これらの結果は,乳がん生存予測のためのPFMの大規模・外部評価ベンチマークとして初めて提供され,臨床ワークフローにおけるPFMの効率的な展開のための実践的ガイダンスを提供する。

関連論文リスト

• 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)
• Methodology for Comparing Machine Learning Algorithms for Survival Analysis [55.65997641180011]
  生存分析のための6つの機械学習モデルを評価した。 XGB-AFTは最高性能(C-Index = 0.7618; IPCW = 0.7532、GBSAとRCF)を達成した。
  論文  参考訳（メタデータ） (2025-10-28T14:42:28Z)
• Prediction of Lung Metastasis from Hepatocellular Carcinoma using the SEER Database [0.9055332067000195]
  肝細胞癌(HCC)は、がん関連死亡の原因である。 HCCにおける肺転移の予測モデルは、範囲と臨床応用性に限られている。 本研究では,Surveillance, Epidemiology, End Results (SEER)データベースのデータを用いて,エンドツーエンドの機械学習パイプラインの開発と検証を行う。
  論文  参考訳（メタデータ） (2025-01-20T20:06:31Z)
• Predicting Lung Cancer Patient Prognosis with Large Language Models [20.97970447748789]
  大規模言語モデル(LLM)は、広範な学習知識に基づいてテキストを処理・生成する能力に注目されている。 肺癌患者の予後予測におけるGPT-4o miniおよびGPT-3.5の有用性について検討した。
  論文  参考訳（メタデータ） (2024-08-15T06:36:27Z)
• On the Out of Distribution Robustness of Foundation Models in Medical Image Segmentation [47.95611203419802]
  視覚と言語の基礎は、様々な自然画像とテキストデータに基づいて事前訓練されており、有望なアプローチとして現れている。 一般化性能を,同じ分布データセット上で微調整した後,事前学習した各種モデルの未確認領域と比較した。 さらに,凍結モデルに対する新しいベイズ不確実性推定法を開発し,分布外データに基づくモデルの性能評価指標として利用した。
  論文  参考訳（メタデータ） (2023-11-18T14:52:10Z)
• Clinical Deterioration Prediction in Brazilian Hospitals Based on Artificial Neural Networks and Tree Decision Models [56.93322937189087]
  超強化ニューラルネットワーク(XBNet)は臨床劣化(CD)を予測するために用いられる XGBoostモデルはブラジルの病院のデータからCDを予測する最良の結果を得た。
  論文  参考訳（メタデータ） (2022-12-17T23:29:14Z)
• An Interpretable Web-based Glioblastoma Multiforme Prognosis Prediction Tool using Random Forest Model [1.1024591739346292]
  治療後1年間のGBM患者の健康状態を推定する予測モデルを提案する。 総計467名のGBM患者の臨床像を13の特徴と2つの経過日で比較検討した。 GBM患者生存の予後因子のトップ3はMGMT遺伝子プロモーター,切除範囲,年齢であった。
  論文  参考訳（メタデータ） (2021-08-30T07:56:34Z)
• A multi-stage machine learning model on diagnosis of esophageal manometry [50.591267188664666]
  このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。 これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
  論文  参考訳（メタデータ） (2021-06-25T20:09:23Z)
• EPIC-Survival: End-to-end Part Inferred Clustering for Survival Analysis, Featuring Prognostic Stratification Boosting [0.0]
  epic-survival bridgeは、エンドツーエンドサバイバルモデリングアプローチにエンコードし、集約する。 肝内胆管癌のモデルとしてEPIC-Survivalが有用であった。
  論文  参考訳（メタデータ） (2021-01-26T21:11:45Z)

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。