論文の概要: RaLMPH: Reliability-aware Learning for Multi-Pathologist Harmonization in Whole-Slide Image Classification
- arxiv url: http://arxiv.org/abs/2606.15554v2
- Date: Wed, 17 Jun 2026 01:43:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-18 13:57:35.186739
- Title: RaLMPH: Reliability-aware Learning for Multi-Pathologist Harmonization in Whole-Slide Image Classification
- Title（参考訳）: RaLMPH:全スライディング画像分類におけるマルチパスロジー調和のための信頼性を考慮した学習
- Authors: Sungrae Hong, Jiwon Jeong, Soeun Cheon, Donghee Han, Sol Lee, Jisu Shin, Kyungeun Kim, Mun Yong Yi,
- Abstract要約: MIL(Multiple Instance Learning)は、WSI(Whole-Slide Image)解析の標準パラダイムである。
複数の病理医がアノテートしたWSIのためのMILベースのラベル照合フレームワークであるRaLMPH(Reliability-Aware Learning for Multi-Pathologist Harmonization)を提案する。
RaLMPHは、スライド毎に信頼性の高い意見を選択するためにサンプルワイドな局所アノテータランキングを実行し、局所的な信頼性を条件としたラベルの融合に適応的なゲーティング機構を適用している。
- 参考スコア（独自算出の注目度）: 7.327569543153973
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multiple Instance Learning (MIL) is a standard paradigm for Whole-Slide Image (WSI) analysis and has achieved strong results in computational pathology. However, most MIL pipelines assume a single "gold" label per slide, which conflicts with clinical practice where substantial inter-pathologist variability is common. Existing multi-annotator learning and label-refinement methods typically estimate global annotator reliability or rely on single-instance assumptions, making them poorly suited to MIL and to localized diagnostic contexts where experts disagree. We propose RaLMPH (Reliability-aware Learning for Multi-Pathologist Harmonization), a MIL-based label reconciliation framework for WSIs annotated by multiple pathologists. RaLMPH introduces a reliability field that jointly models (i) local neighborhood structure in WSI feature space and (ii) expert uncertainty (entropy), enabling per-sample identification of trustworthy reference neighborhoods. Leveraging this field, RaLMPH performs sample-wise local annotator ranking to select reliable opinions per slide and applies an adaptive gating mechanism to fuse labels conditioned on local reliability. Experiments on a clinical WSI dataset with labels from six pathologists, as well as controlled simulated benchmarks, show that RaLMPH consistently outperforms existing approaches. Further analyses clarify how our reliability-aware mechanism improves label reconciliation and downstream MIL performance.
- Abstract（参考訳）: マルチ・インスタンス・ラーニング(MIL)はWSI解析の標準パラダイムであり,計算病理学において大きな成果を上げている。
しかし、ほとんどのMILパイプラインはスライドごとに1つの「ゴールド」ラベルを仮定しており、病理医間の変動が一般的である臨床実践と矛盾する。
既存のマルチアノテータ学習やラベルリファインメント手法は、一般的にグローバルアノテータの信頼性を推定するか、単一インスタンスの仮定に依存する。
複数の病理医がアノテートしたWSIのためのMILベースのラベル照合フレームワークであるRaLMPH(Reliability-Aware Learning for Multi-Pathologist Harmonization)を提案する。
RaLMPHが共同モデルによる信頼性フィールドを導入
(i)WSI特徴空間における局所的近傍構造
(二)専門家の不確実性(エントロピー)により、信頼に値する参照地区のサンプルごとの識別が可能となる。
この分野を活用して、RaLMPHはサンプルワイドな局所アノテータランキングを実行し、スライド毎に信頼性の高い意見を選択し、局所的な信頼性に配慮したラベルを融合させる適応的なゲーティング機構を適用した。
6人の病理医のラベルとシミュレートされたベンチマークによる臨床WSIデータセットの実験は、RaLMPHが既存のアプローチを一貫して上回っていることを示している。
さらに,我々の信頼性に配慮した機構が,ラベルの整合性と下流MILの性能をいかに向上させるかを明らかにする。
関連論文リスト
- AGE-MIL: Anchor-Guided Evidence Learning for Patient-Level Prediction [16.050602554609984]
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。
論文 参考訳（メタデータ） (2026-06-10T14:19:37Z) - Multi-Level Contextual Token Relation Modeling for Machine-Generated Text Detection [105.1403233464793]
機械生成テキスト(MGT)は偽情報やフィッシングなどのリスクを生じさせ、信頼性の高い検出の必要性を強調する。
MGTの統計的に区別可能な特徴を抽出するメトリックベース法は、複雑なモデルベース法よりも実用的であることが多い。
MGT検出のための多レベルコンテキストトークン関係モデリングフレームワークを提案する。
論文 参考訳（メタデータ） (2026-05-15T15:55:58Z) - Every Error has Its Magnitude: Asymmetric Mistake Severity Training for Multiclass Multiple Instance Learning [7.643169473987673]
マルチインスタンス学習(MIL)は、WSI(Whole Slide Image)診断において有望なパラダイムとして登場した。
本稿では,診断クラスを階層構造に整理する誤り重大度対応学習手法を提案する。
既存の方法と比較して,本手法はMIL診断における致命的誤りを著しく軽減することが示された。
論文 参考訳（メタデータ） (2026-03-14T01:36:12Z) - FL-MedSegBench: A Comprehensive Benchmark for Federated Learning on Medical Image Segmentation [57.930067699003764]
Federated Learning (FL)は、生データを共有せずに、協調的な医療画像分析のためのプライバシー保護パラダイムを提供する。
FL-MedSegBenchは,医用画像セグメンテーションにおけるフェデレーション学習のための総合的なベンチマークである。
汎用FL(gFL)法とパーソナライズFL(pFL)法を多次元にわたって体系的に評価した。
論文 参考訳（メタデータ） (2026-03-12T08:28:41Z) - Calibratable Disambiguation Loss for Multi-Instance Partial-Label Learning [53.9713678229744]
MIPL(Multi-instance partial-label Learning)は、インスタンス空間とラベル空間の両方において、不正確な監督の課題に対処する弱い教師付きフレームワークである。
既存のMIPLアプローチは、しばしばキャリブレーションが悪く、信頼性を損なう。
分類精度と校正性能を同時に向上するプラグアンドプレイ校正型曖昧さ損失(CDL)を提案する。
論文 参考訳（メタデータ） (2025-12-19T16:58:31Z) - 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) - Attention-based Generative Latent Replay: A Continual Learning Approach for WSI Analysis [3.6630930118966814]
全体スライド画像(WSI)分類は、計算病理学において強力なツールとして登場したが、ドメインシフトによって制約されている。
本稿では,Attention-based Generative Latent Replay Continual Learning framework (AGLR-CL) を提案する。
論文 参考訳（メタデータ） (2025-05-13T12:55:46Z) - Establishing Causal Relationship Between Whole Slide Image Predictions and Diagnostic Evidence Subregions in Deep Learning [3.5504159526793924]
Causal Inference Multiple Instance Learning (CI-MIL)は、サブイメージの認識の混乱を軽減するために配布外一般化を利用する。
CI-MILは、その選択された領域が基底真理アノテーションと高い一貫性を示すため、優れた解釈可能性を示す。
論文 参考訳（メタデータ） (2024-07-24T11:00:08Z) - Dynamic Correlation Learning and Regularization for Multi-Label Confidence Calibration [60.95748658638956]
本稿では,多ラベルシナリオにおける信頼度を適切に評価することを目的としたマルチラベル信頼性タスクを提案する。
既存のシングルラベルキャリブレーション手法では、セマンティックな混乱に対処するために欠かせないカテゴリ相関を考慮できない。
本稿では,多粒度セマンティック相関を利用した動的相関学習と正規化アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-07-09T13:26:21Z) - Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites:
A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。
我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。
また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
論文 参考訳（メタデータ） (2023-08-31T00:36:10Z) - Label Cleaning Multiple Instance Learning: Refining Coarse Annotations
on Single Whole-Slide Images [83.7047542725469]
病理検体の全スライディング画像(WSI)における癌領域のアノテーションは、臨床診断、生医学研究、機械学習アルゴリズムの開発において重要な役割を担っている。
本稿では,外部トレーニングデータを必要とせず,単一のWSI上で粗いアノテーションを洗練するためのLC-MIL (Label Cleaning Multiple Instance Learning) を提案する。
乳癌リンパ節転移,肝癌,大腸癌の検体を併用した異種 WSI 実験の結果,LC-MIL は粗いアノテーションを著しく改善し,単一スライドから学習しながらも,最先端の代替品よりも優れていた。
論文 参考訳（メタデータ） (2021-09-22T15:06:06Z)
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。