論文の概要: From Patches to Patients: A study of the tile-to-slide performance transferability in Digital Pathology

• arxiv url: http://arxiv.org/abs/2606.10778v1
• Date: Tue, 09 Jun 2026 12:33:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-10 15:40:58.49091
• Title: From Patches to Patients: A study of the tile-to-slide performance transferability in Digital Pathology
• Title（参考訳）: パッチから患者へ:デジタル病理におけるタイル・スライディング性能伝達性に関する研究
• Authors: Sofiène Boutaj, Leo Fillioux, Maria Vakalopoulou, Stergios Christodoulidis, Pierre Marza,
• Abstract要約: 本研究では,効率的なタイルレベルの線形探索がスライドレベルの性能向上のための信頼性の高いプロキシとして機能するかどうかを考察する。 42のスライドレベルと16のタイルレベルのタスクに対して、19の最先端FMをベンチマークする。
• 参考スコア（独自算出の注目度）: 5.356949046416353
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Foundation Models (FMs) have recently redefined the state-of-the-art in histopathology by providing robust representations for whole-slide image (WSI) analysis. However, selecting the optimal foundation model (FM) for a specific clinical cohort currently requires multiple preprocessing steps, followed by computationally expensive feature extraction and the training of a Multiple Instance Learning (MIL) aggregator for every model. In this work, we investigate whether efficient tile-level linear probing can serve as a reliable proxy for slide-level performance, reducing the need to run full slide-level pipelines for every candidate encoder. We benchmark 19 state-of-the-art FMs on 42 slide-level and 16 tile-level tasks, comparing tile probing metrics against slide-level outcomes using ABMIL and Mean Pooling aggregations. We observe a high correlation between tile and slide performance across varying task difficulties, indicating that encoder representation quality is the primary determinant of WSI success. Sensitivity analyses show that transferability is stable across models and is more influenced by cohort sizes and numbers of tiles per slide than by average task difficulty. We also measure the agreement in best performing models between tile and slide-level tasks, showing tile benchmarks reliably shortlist strong candidates. Overall, our study indicates that tile-level benchmarking provides an efficient and practical first step for narrowing down candidate models, while slide-level evaluation remains essential for final validation on clinical tasks.
• Abstract（参考訳）: ファンデーションモデル(FM)は、最近、全スライディング画像(WSI)解析のための堅牢な表現を提供することにより、病理学における最先端の状態を再定義した。 しかし、現在、特定の臨床コホートに対して最適な基礎モデル(FM)を選択するには、複数の前処理ステップが必要であり、計算にコストがかかる特徴抽出と、各モデルに対するMIL(Multiple Instance Learning)アグリゲータのトレーニングが続く。 本研究では,効率的なタイルレベル線形探索がスライドレベル性能の信頼できるプロキシとして機能するかどうかを検証し,各候補エンコーダに対して完全なスライドレベルパイプラインを実行する必要性を低減させる。 我々は,42のスライドレベルと16のタイルレベルのタスクに対して,19の最先端FMをベンチマークし,AMMILと平均プールアグリゲーションを用いて,タイル探索の指標とスライドレベルの結果を比較した。 本稿では,WSI の成功の主要因はエンコーダの表現品質であることを示すため,様々なタスクの難易度にまたがるタイルとスライド性能の相関性が高いことを示す。 感度分析により, 移動性はモデル間で安定であり, 平均作業困難度よりも, コホートサイズやスライドあたりのタイル数の影響が強いことが示された。 また、タイルレベルタスクとスライドレベルタスクの最良の実行モデルにおける合意を計測し、タイルベンチマークが確実に強力な候補をリストアップすることを示す。 概して, タイルレベルのベンチマークは, 候補モデルを絞り込むための効率的かつ実用的な第一歩であり, 臨床上の最終検証にはスライドレベルの評価が不可欠であることが示唆された。

関連論文リスト

• Learning Multi-Indicator Weights for Data Selection: A Joint Task-Model Adaptation Framework with Efficient Proxies [50.39041754816285]
  本稿では、下流タスクと特定のモデルの両方にデータ選択を併用する多変数重み学習フレームワークを提案する。 提案手法は,GSM8Kのトレーニングサンプルの30%しか使用せず,フルデータセットチューニングに匹敵する性能を実現する。
  論文  参考訳（メタデータ） (2026-05-10T17:30:16Z)
• TAP-SLF: Parameter-Efficient Adaptation of Vision Foundation Models for Multi-Task Ultrasound Image Analysis [1.5074458114135958]
  Task-Aware Prompting and Selective Layer Fine-Tuning (TAP-SLF) はマルチタスク超音波画像解析のための統合フレームワークである。 TAP-SLFは、タスク固有の先行情報を入力トークンシーケンスに組み込み、LoRAをエンコーダの選択した特定のトップ層に適用する。 The FMC_UIA 2026 Challenge test set, with the evaluations on the officially released training dataset using a 8:2 train-test split, show that task-aware prompting and selective layer tuning is effective strategy for efficient VFM adapt。
  論文  参考訳（メタデータ） (2026-02-28T03:21:07Z)
• THUNDER: Tile-level Histopathology image UNDERstanding benchmark [33.01211128068007]
  THUNDERは、デジタル病理基盤モデルのタイルレベルベンチマークである。 本稿では,16種類のデータセットに対して,23の基盤モデルを包括的に比較する。
  論文  参考訳（メタデータ） (2025-07-10T15:41:35Z)
• Benchmarking histopathology foundation models in a multi-center dataset for skin cancer subtyping [1.927195358774599]
  大規模なドメイン内データセットの事前トレーニングは、履歴病理基盤モデル(FM)にタスクに依存しないデータ表現を学習する能力を与える。 計算病理学では、スライド全体の自動解析には、スライドのギガピクセルスケールのため、複数のインスタンス学習(MIL)フレームワークが必要である。 本研究は,MIL分類フレームワーク内のパッチレベルの特徴抽出器として,病理組織学的FMを評価するための新しいベンチマークを提案する。
  論文  参考訳（メタデータ） (2025-06-23T14:12:16Z)
• LPLgrad: Optimizing Active Learning Through Gradient Norm Sample Selection and Auxiliary Model Training [2.762397703396293]
  LPLgrad(Loss Prediction Loss with Gradient Norm)は、モデルの不確実性を効果的に定量化し、画像分類タスクの精度を向上させる。 LPLgradは2つの異なるフェーズで動作する: (i) Em Training Phaseは、メインモデルと補助モデルとを併用して入力特徴の損失を予測することを目的としている。 この二重モデルアプローチは、複雑な入力特徴を抽出し、データから本質的なパターンを効果的に学習する能力を高める。
  論文  参考訳（メタデータ） (2024-11-20T18:12:59Z)
• PMT: Progressive Mean Teacher via Exploring Temporal Consistency for Semi-Supervised Medical Image Segmentation [51.509573838103854]
  医用画像セグメンテーションのための半教師付き学習フレームワークであるプログレッシブ平均教師(PMT)を提案する。 我々のPMTは、トレーニングプロセスにおいて、堅牢で多様な特徴を学習することで、高忠実な擬似ラベルを生成する。 CT と MRI の異なる2つのデータセットに対する実験結果から,本手法が最先端の医用画像分割法より優れていることが示された。
  論文  参考訳（メタデータ） (2024-09-08T15:02:25Z)
• Uncertainty Aware Learning for Language Model Alignment [97.36361196793929]
  異なるタスクシナリオのモデルアライメントを改善するために,不確実性認識学習(UAL)を提案する。 トレーニングのラベルの平滑化値を個々のサンプルの不確実性に応じて適応的に設定する。 広く使われているベンチマーク実験では、我々のUALは標準教師あり微調整よりも著しく優れています。
  論文  参考訳（メタデータ） (2024-06-07T11:37:45Z)
• Model-Agnostic Multitask Fine-tuning for Few-shot Vision-Language Transfer Learning [59.38343286807997]
  未知タスクの視覚言語モデルのためのモデル非依存型マルチタスクファインチューニング(MAMF)を提案する。 モデルに依存しないメタラーニング(MAML)と比較して、MAMFは二段階最適化を捨て、一階勾配のみを使用する。 MAMFは5つのベンチマークデータセット上で、数ショットの転送学習において古典的な微調整法よりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2022-03-09T17:26:53Z)
• Revisiting LSTM Networks for Semi-Supervised Text Classification via Mixed Objective Function [106.69643619725652]
  我々は,単純なBiLSTMモデルであっても,クロスエントロピー損失でトレーニングした場合に,競争的な結果が得られるようなトレーニング戦略を開発する。 いくつかのベンチマークデータセット上で,テキスト分類タスクの最先端結果について報告する。
  論文  参考訳（メタデータ） (2020-09-08T21:55:22Z)

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。