論文の概要: AGE-MIL: Anchor-Guided Evidence Learning for Patient-Level Prediction

• arxiv url: http://arxiv.org/abs/2606.12126v1
• Date: Wed, 10 Jun 2026 14:19:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-11 16:42:38.503103
• Title: AGE-MIL: Anchor-Guided Evidence Learning for Patient-Level Prediction
• Title（参考訳）: AGE-MIL:患者レベル予測のためのアンカーガイドによるエビデンス学習
• Authors: Jiawei Niu, Jian Chen, Di Zhang, Junbo Lu, Zhangcheng Liao, Xuhao Liu, Honglin Zhong, Mireia Crispin-Ortuzar, Chen Li, Zeyu Gao, Yi Cai,
• Abstract要約: 患者レベル予測のための弱教師付きフレームワークであるAnchor-Guided Evidence MIL(AGE-MIL)を提案する。 AGE-MILは、患者レベルのアンカーをスライド表現から構築し、グローバルな病理コンテキストをキャプチャする。 その結果,提案フレームワークは8つの最先端MIL手法を一貫して上回っていることがわかった。
• 参考スコア（独自算出の注目度）: 16.050602554609984
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Existing computational pathology methods predominantly operate within whole-slide image (WSI)-level multiple instance learning (MIL) paradigms, while patient-level modeling remains underexplored. In routine pathological practice, however, pathologists derive diagnostic and prognostic conclusions by integrating evidence across multiple WSIs rather than relying on any single slide. This discrepancy creates a fundamental misalignment when patient-level supervision is directly imposed on conventional MIL frameworks, often leading to unstable optimization and degraded predictive reliability. To address this issue, we propose Anchor-Guided Evidence MIL (AGE-MIL), a weakly supervised framework for patient-level prediction. AGE-MIL constructs a patient-level anchor from slide representations to capture global pathological context and guide the retrieval and integration of diagnostically relevant local patches, enabling robust patient-level modeling. Patient-level risk is further modeled as an evidence accumulation process, promoting stable optimization under weak supervision. AGE-MIL is evaluated on six clinically relevant patient-level prediction tasks from two independent cohorts. Experimental results show that the proposed framework consistently outperforms eight state-of-the-art MIL methods. Code is available at https://github.com/wodeniua/AGE-MIL.
• Abstract（参考訳）: 既存の計算病理学手法は、患者レベルのモデリングが未検討であるのに対して、主に全スライディング画像(WSI)レベルのマルチインスタンス学習(MIL)パラダイムで運用されている。 しかし、日常的な病理学的実践では、病理学者は診断と予後の結論を、単一のスライドに頼るのではなく、複数のWSIにまたがる証拠を統合することによって導き出す。 この不一致は、患者レベルの監督が従来のMILフレームワークに直接課されると、しばしば不安定な最適化と予測信頼性の低下につながる、根本的な不一致を引き起こす。 この問題に対処するため,患者レベルの予測のための弱教師付きフレームワークであるAnchor-Guided Evidence MIL (AGE-MIL)を提案する。 AGE-MILは、患者レベルのアンカーをスライド表現から構築し、グローバルな病理学的文脈を捉え、診断に関連のある局所パッチの検索と統合をガイドし、堅牢な患者レベルのモデリングを可能にする。 患者レベルのリスクはさらに証拠蓄積プロセスとしてモデル化され、弱い監督下で安定した最適化を促進する。 AGE-MILは2つの独立したコホートから臨床に関連のある6つの患者レベル予測タスクで評価される。 実験の結果,提案手法は8つの最先端MIL法より一貫して優れていた。 コードはhttps://github.com/wodeniua/AGE-MILで入手できる。

関連論文リスト

• Agentifying Patient Dynamics within LLMs through Interacting with Clinical World Model [57.78184285979881]
  敗血症治療推奨のための世界モデル拡張LDMエージェントであるSepsisAgentを紹介する。 SepsisAgentは、学習された臨床世界モデルを使用して、候補の流体圧薬の介入下での患者の反応をシミュレートする。
  論文  参考訳（メタデータ） (2026-05-14T11:50:00Z)
• Beyond Prompt: Fine-grained Simulation of Cognitively Impaired Standardized Patients via Stochastic Steering [58.85421622061983]
  認知障害患者の微粒化シミュレーションのためのStsPatientを提案する。 対照的な命令と応答のペアからステアリングベクトルを抽出することにより、ドメイン固有の特徴を捉える。 StsPatientは、臨床の信頼性と重症度の両方において、ベースラインを著しく上回る。
  論文  参考訳（メタデータ） (2026-04-14T02:37:46Z)
• EviCare: Enhancing Diagnosis Prediction with Deep Model-Guided Evidence for In-Context Reasoning [62.61394722212386]
  EviCareは、大規模言語モデルにディープモデルガイダンスを統合する、コンテキスト内推論フレームワークである。 LLMのみのベースラインと深層モデルのみのベースラインを2つの実世界のEHRベンチマークで連続的に上回っている。
  論文  参考訳（メタデータ） (2026-04-12T04:35:14Z)
• DermoGPT: Open Weights and Open Data for Morphology-Grounded Dermatological Reasoning MLLMs [54.8829900010621]
  MLLM (Multimodal Large Language Models) は、医学的応用を約束するが、限られたトレーニングデータ、狭いタスクカバレッジ、臨床現場での監督の欠如により、皮膚科の遅れが進行する。 これらのギャップに対処するための包括的なフレームワークを提示します。 まず,211,243のイメージと72,675のトラジェクトリを5つのタスク形式に分けた大規模形態素解析コーパスであるDermo Instructを紹介する。 第二にDermoBenchは、4つの臨床軸(形態学、診断、推論、フェアネス)にまたがる11のタスクを評価する厳密なベンチマークで、3600の挑戦的なサブセットを含む。
  論文  参考訳（メタデータ） (2026-01-05T07:55:36Z)
• nnMIL: A generalizable multiple instance learning framework for computational pathology [11.640858438464159]
  nnMILは、パッチレベルの基礎モデルと堅牢なスライドレベルの臨床推論を結びつける学習フレームワークである。 nnMILは、疾患診断、組織学的サブタイプ、分子バイオマーカー検出、パンガン予後予測において、既存のMIL法よりも一貫して優れていた。 結論として、nnMILは、病理基盤モデルを臨床的に有意義な予測に翻訳するための実用的で一般化可能なソリューションを提供する。
  論文  参考訳（メタデータ） (2025-11-18T20:56:37Z)
• Self-Supervised Cross-Encoder for Neurodegenerative Disease Diagnosis [6.226851122403944]
  縦型MRIスキャンにおける時間的連続性を利用した自己監督型クロスエンコーダフレームワークを提案する。 このフレームワークは、学習した表現を2つのコンポーネントに分解する: 静的表現は、対照的な学習によって制約され、安定した解剖学的特徴を捉え、動的表現は、時間的変化を反映する入力漸進正規化によってガイドされる。 アルツハイマー病神経画像イニシアチブデータセットの実験結果から,本手法は分類精度が向上し,解釈性が向上することが示された。
  論文  参考訳（メタデータ） (2025-09-09T11:52:24Z)
• Uncertainty-Driven Expert Control: Enhancing the Reliability of Medical Vision-Language Models [52.2001050216955]
  既存の方法は、モデル構造を調整したり、高品質なデータで微調整したり、好みの微調整によって、医療ビジョン言語モデル(MedVLM)の性能を向上させることを目的としている。 我々は,MedVLMと臨床専門知識の連携を図るために,Expert-Controlled-Free Guidance (Expert-CFG) という,ループ内のエキスパート・イン・ザ・ループフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-07-12T09:03:30Z)
• Diffusion with a Linguistic Compass: Steering the Generation of Clinically Plausible Future sMRI Representations for Early MCI Conversion Prediction [13.937881108738042]
  そこで本研究では,臨床応用可能な将来のsMRI表現を直接ベースラインデータから合成する拡散型フレームワークを提案する。 ADNIとAIBLのコホートの実験では、MCI-Diffは最先端のベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-06-05T07:01:05Z)
• AdvMIL: Adversarial Multiple Instance Learning for the Survival Analysis on Whole-Slide Images [12.09957276418002]
  本稿では,新しい逆多重インスタンス学習(AdvMIL)フレームワークを提案する。 このフレームワークは、WSI表現学習に非常に必要な多重インスタンス学習(MIL)を統合する。 実験の結果,AdvMILは比較的低コストで主要なWSIサバイバル分析手法に性能改善をもたらすだけでなく,半教師付き学習によるラベルなしデータの有効活用を可能にした。
  論文  参考訳（メタデータ） (2022-12-13T12:02:05Z)
• Multi-task fusion for improving mammography screening data classification [3.7683182861690843]
  まず、個別のタスク固有のモデルのセットをトレーニングするパイプラインアプローチを提案する。 次に、標準モデルの集合戦略とは対照的に、その融合について検討する。 我々の融合アプローチは、標準モデルのアンサンブルに比べてAUCのスコアを最大0.04向上させる。
  論文  参考訳（メタデータ） (2021-12-01T13:56:27Z)

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。