論文の概要: Benchmarking Pathology Foundation Models for Spatial Domain Understanding

• arxiv url: http://arxiv.org/abs/2605.25764v1
• Date: Mon, 25 May 2026 12:18:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:19.942869
• Title: Benchmarking Pathology Foundation Models for Spatial Domain Understanding
• Title（参考訳）: 空間領域理解のためのベンチマーク病理基盤モデル
• Authors: Bokai Zhao, Yiyang Zhang, Yuanchi Zhu, Hanqing Chao, Long Bai, Tai Ma, Minfeng Xu, Ming Song, Tianzi Jiang,
• Abstract要約: 本稿では,PFMにおける空間表現能力の診断を目的とした表現レベルベンチマークであるSpaPath-Benchを提案する。 SpaPath-Benchは、一対のスライド画像と空間転写学(ST)データを診断タスクとして空間領域同定する。 42の公開WSIおよびSTスライドをキュレートし、19のエンコーダと7つのSDIメソッドにわたる大規模な評価を可能にし、3つの相補的な基準を用いて分割品質を測定する。
• 参考スコア（独自算出の注目度）: 12.450466280086184
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Pathology foundation models (PFMs) have emerged as a core approach for learning transferable representations from whole slide images (WSIs), and they are typically benchmarked through downstream clinical endpoints. While such task level evaluations are indispensable, they offer limited insight into what the representations themselves encode, particularly whether PFM embeddings can distinguish meaningful tissue regions and capture their spatial relationships. We present SpaPath-Bench, a representation level benchmark designed to diagnose spatial representation capability in PFMs. SpaPath-Bench formulates spatial domain identification (SDI) on paired whole slide image and spatial transcriptomics (ST) data as a diagnostic task. It curates 42 public paired WSI and ST slides, enables large scale evaluation across 19 encoders and seven SDI methods, and measures partition quality using three complementary criteria: unsupervised spatial coherence, transcriptomics referenced agreement, and expert referenced agreement. Across 83K runs, SpaPath-Bench reveals that different pretraining paradigms capture distinct aspects of tissue spatial architecture, and it provides practical guidance for building the next generation of spatially aware computational pathology models. Code and data pipelines are publicly available at https://bokai-zhao.github.io/SpaPath-benchboard/.
• Abstract（参考訳）: 病理基盤モデル(PFM)は、スライド画像全体(WSI)から伝達可能な表現を学習するためのコアアプローチとして登場し、典型的には下流臨床エンドポイントを通じてベンチマークされる。 このようなタスクレベルの評価は不可欠であるが、表現そのものがコード化されているか、特にPFM埋め込みが意味のある組織領域を識別し、空間的関係を捉えることができるかどうかについて限定的な知見を提供する。 本稿では,PFMにおける空間表現能力の診断を目的とした表現レベルベンチマークであるSpaPath-Benchを提案する。 SpaPath-Benchは、一対のスライド画像上で空間領域識別(SDI)を定式化し、空間転写学(ST)データを診断タスクとする。 42のパブリックペアWSIとSTスライドをキュレートし、19のエンコーダと7つのSDIメソッドにわたる大規模な評価を可能にし、非教師付き空間コヒーレンス、トランスクリプトミクス参照合意、専門家による参照合意の3つの相補的基準を用いて分割品質を測定する。 SpaPath-Bench氏は83Kにわたって、異なる事前学習パラダイムが組織空間アーキテクチャの異なる側面を捉えていることを明らかにし、次世代の空間認識型計算病理モデルを構築するための実践的なガイダンスを提供する。 コードとデータパイプラインはhttps://bokai-zhao.github.io/SpaPath-benchboard/で公開されている。

関連論文リスト

• GeoMamba: A Geometry-driven MambaVision Framework and Dataset for Fine-grained Optical-SAR Object Retrieval [54.741349848771144]
  GeoMambaは光学SAR微細検索のための幾何学駆動フレームワークである。 GFIモジュールは、クロスモーダルな機能相互作用を強化し、構造的な事前を組み込む。 GeoMambaは既存の手法を上回り、全検索環境で63.3% mAPと77.0% Rank-1の精度を達成した。
  論文  参考訳（メタデータ） (2026-05-19T12:08:09Z)
• Geometry-Aware State Space Model: A New Paradigm for Whole-Slide Image Representation [8.483387656208363]
  全スライド画像(WSI)は、組織標本をギガピクセル解像度でデジタル化する。 現在の方法では、パッチ表現を同質ユークリッド空間に暗黙的に埋め込む。 双対幾何学空間にWSI特徴を埋め込むハイブリッド双曲型ユークリッド表現を導入する。
  論文  参考訳（メタデータ） (2026-05-06T17:33:30Z)
• PathSegDiff: Pathology Segmentation using Diffusion model representations [63.20694440934692]
  そこで我々は,Latent Diffusion Models (LDMs) を事前学習した特徴抽出器として活用する,病理組織像分割の新しい手法であるPathSegDiffを提案する。 本手法は,H&E染色組織像から多彩な意味情報を抽出するために,自己教師型エンコーダによって誘導される病理特異的LCMを用いる。 本実験は,BCSSおよびGlaSデータセットにおける従来の手法よりも大幅に改善されたことを示す。
  論文  参考訳（メタデータ） (2025-04-09T14:58:21Z)
• A Graph-Based Framework for Interpretable Whole Slide Image Analysis [86.37618055724441]
  我々は,全スライディング画像を生物学的にインフォームドされたグラフ表現に変換するフレームワークを開発した。 我々のアプローチは、任意の格子ではなく、自然構造を尊重する組織領域からグラフノードを構築する。 がんのステージングと生存予測の課題に強いパフォーマンスを示す。
  論文  参考訳（メタデータ） (2025-03-14T20:15:04Z)
• PointDGMamba: Domain Generalization of Point Cloud Classification via Generalized State Space Model [77.00221501105788]
  領域一般化(DG)は、最近、点雲分類の一般化性を改善するために研究されている。 本稿では、DG PCCにおける状態空間モデル(SSM)の一般化可能性について研究する。 本稿では,未知の領域に対して強い一般化性を持つ新しいフレームワークであるPointDGMambaを提案する。
  論文  参考訳（メタデータ） (2024-08-24T12:53:48Z)
• WEEP: A method for spatial interpretation of weakly supervised CNN models in computational pathology [0.36096289461554343]
  モデル解釈のための新しい方法 Wsi rEgion sElection aPproach (WEEP) を提案する。 乳がん計算病理領域における二分分類課題におけるWEEPについて検討した。
  論文  参考訳（メタデータ） (2024-03-22T14:32:02Z)
• The Whole Pathological Slide Classification via Weakly Supervised Learning [7.313528558452559]
  細胞核疾患と病理タイルの空間的相関の2つの病因を考察した。 本研究では,抽出器訓練中の汚れ分離を利用したデータ拡張手法を提案する。 次に,隣接行列を用いてタイル間の空間的関係を記述する。 これら2つのビューを統合することで,H&E染色組織像を解析するためのマルチインスタンス・フレームワークを設計した。
  論文  参考訳（メタデータ） (2023-07-12T16:14:23Z)

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。