論文の概要: Discrepancy Minimization Improves Cross-Hospital Robustness in Digital Pathology

• arxiv url: http://arxiv.org/abs/2605.25175v1
• Date: Sun, 24 May 2026 17:12:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:18.942199
• Title: Discrepancy Minimization Improves Cross-Hospital Robustness in Digital Pathology
• Title（参考訳）: 相違最小化はデジタル病理におけるクロスホスピタルロバスト性を改善する
• Authors: Ben Vardi, Dana Schonberger, Yuval Friedmann, Zohar Yakhini, Iris Barshack, Alexander Loebel, Ariel Shamir,
• Abstract要約: 近年,病理基盤モデル (PFM) は急速に進歩し, 様々な病理組織学タスクの訓練分類を支援する。 ある病院のデータに基づいて分類器を訓練し、別の病院で評価すると、性能は劣化することが多い。 PFMを局所的最大平均誤差(LMMD)で微調整することでこの問題に対処する。 パッチレベルとスライドレベルの両方の実験では、複数のPFMとタスクで一貫した改善が見られた。
• 参考スコア（独自算出の注目度）: 46.427480982328454
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Pathology foundation models (PFMs) have advanced rapidly in recent years and support training classifiers for a range of histopathology tasks. However, their robustness across hospitals remains limited: performance often degrades when training a classifier on data from one hospital and evaluating it on another target hospital. We address this challenge by fine-tuning PFMs with a local maximum mean discrepancy (LMMD) objective that applies to two settings: domain adaptation, where unlabeled target-hospital data is available, and domain generalization, where target-hospital data is unavailable at all. Experiments at both the patch- and slide-level show consistent improvements across multiple PFMs and tasks.
• Abstract（参考訳）: 病理基盤モデル (PFM) は近年急速に進歩し, 様々な病理組織学タスクの訓練分類を支援する。 しかし、病院間での堅牢性は限定的であり、ある病院のデータに基づいて分類器を訓練し、別の病院で評価する際、性能は劣化することが多い。 この課題に対処するために、ドメイン適応(未ラベルのターゲットホスピタルデータが利用可能なドメイン適応)と、ターゲットホスピタルデータが全く利用できないドメイン一般化(ドメイン一般化)という2つの設定に適用される、ローカルな最大平均誤差(LMMD)の目標を微調整する。 パッチレベルとスライドレベルの両方の実験では、複数のPFMとタスクで一貫した改善が見られた。

関連論文リスト

• A Federated and Parameter-Efficient Framework for Large Language Model Training in Medicine [59.78991974851707]
  大規模言語モデル(LLM)は、質問応答や診断など、医療ベンチマークにおいて強力なパフォーマンスを示している。 ほとんどの医療用LDMは、異種システムの一般化性と安全性の制限に直面している単一の機関のデータに基づいて訓練されている。 本稿では, LLMを医療応用に適用するためのモデルに依存しない, パラメータ効率のよいフェデレーション学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-29T18:48:21Z)
• Domain Adaptation for Ulcerative Colitis Severity Estimation Using Patient-Level Diagnoses [6.879676189119664]
  潰瘍性大腸炎(UC)の重症度を推定する方法は、画像装置の違いによる領域シフトや、病院全体の臨床環境の違いによって生じることが多い。 本稿では,患者レベルの診断結果を対象領域の弱監視として活用する,弱監視ドメイン適応手法を提案する。 実験の結果,本手法は比較DA手法より優れており,ドメインシフトした環境でのUC重度推定精度が向上していることがわかった。
  論文  参考訳（メタデータ） (2025-09-18T03:19:50Z)
• Adversarial Hospital-Invariant Feature Learning for WSI Patch Classification [1.3955246652599635]
  本研究は,病原体モデル(PFM)における病原体の特徴から生じる領域バイアスに関する最初の体系的研究である。 本稿では,エンコーダ自体を変更することなく,凍った表現から潜伏する病院特有の特徴を除去する軽量な対向フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-20T15:25:16Z)
• Weakly supervised deep learning model with size constraint for prostate cancer detection in multiparametric MRI and generalization to unseen domains [0.90668179713299]
  本モデルでは, 完全教師付きベースラインモデルにより, オンパー性能が向上することを示す。 また、未確認データドメインでテストした場合、完全に教師付きモデルと弱い教師付きモデルの両方のパフォーマンス低下も観察する。
  論文  参考訳（メタデータ） (2024-11-04T12:24:33Z)
• Comparing Federated Stochastic Gradient Descent and Federated Averaging for Predicting Hospital Length of Stay [0.0]
  入院期間(LOS)を確実に予測することは,病院における資源配分の効率化に不可欠である。 従来の予測モデリングツールは、医療機関がプライバシー規則を定めているため、十分なデータと多様なデータを取得するのが難しいことが多い。 このモデリング手法は、病院外の機密データを抽出することなく、異なる病院からの分散データソースをモデル化することで協調的なモデルトレーニングを促進する。
  論文  参考訳（メタデータ） (2024-07-17T17:00:20Z)
• FedMedICL: Towards Holistic Evaluation of Distribution Shifts in Federated Medical Imaging [68.6715007665896]
  FedMedICLは統合されたフレームワークであり、フェデレートされた医療画像の課題を全体評価するためのベンチマークである。 6種類の医用画像データセットについて,いくつかの一般的な手法を総合的に評価した。 単純なバッチ分散手法はFedMedICL実験全体の平均性能において,高度な手法を超越していることがわかった。
  論文  参考訳（メタデータ） (2024-07-11T19:12:23Z)
• ASPS: Augmented Segment Anything Model for Polyp Segmentation [77.25557224490075]
  SAM(Segment Anything Model)は、ポリープセグメンテーションに先例のないポテンシャルを導入している。 SAMのTransformerベースの構造は、グローバルおよび低周波情報を優先する。 CFAはトレーニング可能なCNNエンコーダブランチと凍結したViTエンコーダを統合し、ドメイン固有の知識の統合を可能にする。
  論文  参考訳（メタデータ） (2024-06-30T14:55:32Z)
• ManyDG: Many-domain Generalization for Healthcare Applications [36.22753628246332]
  そこで我々は,このような多領域問題にスケール可能な新しい領域一般化手法MultiDGを開発した。 manyDGは、複数の現実世界の医療タスクにおける一般化性能を向上できることを示す実験である。
  論文  参考訳（メタデータ） (2023-01-21T00:26:33Z)
• FedDG: Federated Domain Generalization on Medical Image Segmentation via Episodic Learning in Continuous Frequency Space [63.43592895652803]
  フェデレーションラーニングは、分散医療機関がプライバシ保護を備えた共有予測モデルを共同で学習することを可能にします。 臨床展開では、連合学習で訓練されたモデルは、連邦外の完全に見えない病院に適用された場合、パフォーマンス低下に苦しむ可能性がある。 そこで本研究では,この問題に対してELCFS(Episodic Learning in Continuous frequency Space)と呼ばれる新しいアプローチを提案する。 本手法の有効性は,2つの医用画像分割作業における最先端および深部アブレーション実験よりも優れていた。
  論文  参考訳（メタデータ） (2021-03-10T13:05:23Z)
• Domain Generalization for Medical Imaging Classification with Linear-Dependency Regularization [59.5104563755095]
  本稿では,医用画像分類分野におけるディープニューラルネットワークの一般化能力向上のための,シンプルだが効果的なアプローチを提案する。 医用画像の領域変数がある程度コンパクトであることに感銘を受けて,変分符号化による代表的特徴空間の学習を提案する。
  論文  参考訳（メタデータ） (2020-09-27T12:30:30Z)

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。