論文の概要: Mitigating Batch Effects in Histopathology via Language-Mediated Robust Embedding Generation

• arxiv url: http://arxiv.org/abs/2606.28697v1
• Date: Sat, 27 Jun 2026 02:44:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:15.659196
• Title: Mitigating Batch Effects in Histopathology via Language-Mediated Robust Embedding Generation
• Title（参考訳）: 言語媒介ロバスト埋め込み生成による病理組織におけるバッチ効果の緩和
• Abstract要約: 組織像パッチから堅牢な数値埋め込みを生成する新しいフレームワークであるGLMPを提案する。 我々の知る限り、GLMPは組織学的特徴のテキスト記述を中間表現として用いた最初の病理モデルである。
• 参考スコア（独自算出の注目度）: 40.38196604730465
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Pathology foundation models (PFMs) have demonstrated strong potential across clinical and scientific applications, yet their performance is often hindered by batch effects, which are non-biological variations across tissue source institutions (TSIs) that distort learned feature representations and impair generalization. Conventional mitigation strategies, such as stain normalization, offer limited success in addressing these high-dimensional, complex artifacts. We present GLMP (General-purpose LLM-Mediated Pathology model), a novel framework that generates robust numerical embeddings from histology image patches through an intermediate textual representation. By leveraging pretrained general-purpose multimodal large language models (MLLMs) and text encoders, GLMP effectively prioritizes biologically meaningful signals over TSI-specific artifacts, thereby improving cross-institutional generalization. To our knowledge, GLMP is the first pathology model to use text descriptions of histological features as an intermediate representation for generating numerical embeddings from histology images. Our results highlight the untapped potential of broad-domain, non-specialized MLLMs in computational pathology and introduce a new paradigm for building versatile, generalizable, and robust pathology models.
• Abstract（参考訳）: 病理基盤モデル(PFM)は、臨床および科学的応用において強い可能性を示しているが、その性能は、しばしばバッチ効果によって妨げられている。 染色正規化のような従来の緩和戦略は、これらの高次元の複雑なアーティファクトに対処する上で、限られた成功をもたらす。 GLMP(General-purpose LLM-Mediated Pathology model)は,組織像パッチから中間テクスチャ表現を通じて堅牢な数値埋め込みを生成する新しいフレームワークである。 プリトレーニングされた汎用多目的大言語モデル(MLLM)とテキストエンコーダを利用することで、GLMPはTSI固有のアーティファクトよりも生物学的に有意なシグナルを効果的に優先し、施設間一般化を改善する。 我々の知る限り、GLMPは、組織像から数値埋め込みを生成する中間表現として、組織学的特徴のテキスト記述を使用する最初の病理モデルである。 計算病理学における広範領域非特殊化MLLMの未解決の可能性を強調し, 汎用的, 汎用的, 堅牢な病理モデルを構築するための新しいパラダイムを提案する。

関連論文リスト

• Hierarchical Prototype-based Domain Priors for Multiple Instance Learning in Multimodal Histopathology Analysis [4.767529995968428]
  デジタル病理学は、ギガピクセル全スライド画像(WSI)の計算解析を可能にし、診断を根本的に変えた 関節病理診断と予後診断のための統合的マルチモーダルアプローチである階層型プロトタイプベースドメインプライオリティフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-27T02:51:57Z)
• Multi-View Synergistic Learning with Vision-Language Adaption for Low-Resource Biomedical Image Classification [59.24009931000134]
  MVSL(Multi-View Synergistic Learning)は、適応パラダイム、表現の粒度、疾患の意味的関係に対処する統合フレームワークである。 MVSLは、視覚的およびテキスト的エンコーダの適応を分離し、それぞれの表現特性を尊重する。 さらに、グローバルなイメージセマンティクスと局所的な病変レベルの証拠の両方を明示的にモデル化するために、多粒性コントラスト学習を導入する。 MVSLは、いくつかのショットとゼロショットの分類設定において、最先端のメソッドを一貫して上回る。
  論文  参考訳（メタデータ） (2026-04-27T02:41:27Z)
• OMNIFLOW: A Physics-Grounded Multimodal Agent for Generalized Scientific Reasoning [51.33849811496781]
  大規模言語モデル (LLM) は例外的な論理的推論能力を示しているが、部分微分方程式 (PDE) による連続力学としばしば競合する。 OMNIFLOWは, 領域固有のパラメータ更新を必要とせず, 基本物理法則で凍結LDMを基底として設計したマルチモーダルシンボリックアーキテクチャである。 我々は, 微視的乱流, 理論的ナビエ・ストークス, マクロ的世界天気予報のベンチマークでこれを評価した。
  論文  参考訳（メタデータ） (2026-03-16T18:29:01Z)
• TubeMLLM: A Foundation Model for Topology Knowledge Exploration in Vessel-like Anatomy [16.269041470108938]
  TubeMLLMは、医療血管のような解剖学のための制御可能な生成と構造的理解を結合した統合基盤モデルである。 トポロジ的先行を明示的な自然言語によって統合し、それらを共有アテンションアーキテクチャの視覚的表現と整合させることで、チューブMLLMはトポロジ的認識を著しく強化する。
  論文  参考訳（メタデータ） (2026-03-10T05:39:30Z)
• Towards Spatial Transcriptomics-driven Pathology Foundation Models [32.70436266943553]
  本稿では、局所的な分子情報を病理視覚エンコーダに注入するビジョン・オミクス自己教師型学習フレームワークを提案する。 腫瘍および14臓器の正常サンプルにまたがる70,000対の遺伝子の発現スポット-tissue領域のトレーニングによりSEALをインスタンス化する。 SEALエンコーダは、アウト・オブ・ディストリビューションに堅牢なドメイン一般化を示し、遺伝子対イメージ検索のような新しいクロスモーダル機能を実現する。
  論文  参考訳（メタデータ） (2026-02-15T15:06:45Z)
• A Semantically Enhanced Generative Foundation Model Improves Pathological Image Synthesis [82.01597026329158]
  本稿では,組織合成のための相関調整フレームワーク(CRAFTS)について紹介する。 CRAFTSは、生物学的精度を確保するためにセマンティックドリフトを抑制する新しいアライメント機構を組み込んでいる。 本モデルは,30種類の癌にまたがる多彩な病理像を生成する。
  論文  参考訳（メタデータ） (2025-12-15T10:22:43Z)
• GenOM: Ontology Matching with Description Generation and Large Language Model [19.917106654694894]
  本稿では,大規模言語モデル(LLM)に基づくオントロジーアライメントフレームワークであるGenOMを紹介する。 OAEI Bio-MLトラックで行った実験は、GenOMがしばしば競争力を発揮することを示した。
  論文  参考訳（メタデータ） (2025-08-14T14:48:09Z)
• PhysLLM: Harnessing Large Language Models for Cross-Modal Remote Physiological Sensing [49.243031514520794]
  LLM(Large Language Models)は、テキスト中心の設計のため、長距離信号の取得に優れる。 PhysLLMは最先端の精度とロバスト性を実現し、照明のバリエーションや動きのシナリオにまたがる優れた一般化を示す。
  論文  参考訳（メタデータ） (2025-05-06T15:18:38Z)
• Leveraging Vision-Language Embeddings for Zero-Shot Learning in Histopathology Images [7.048241543461529]
  ゼロショット組織像分類におけるこれらの課題に対処するため, MR-PHE(Multi-Resolution Prompt-Guided Hybrid Embedding)と呼ばれる新しいフレームワークを提案する。 我々は,グローバルな画像埋め込みと重み付けされたパッチ埋め込みを統合したハイブリッドな埋め込み戦略を導入する。 類似性に基づくパッチ重み付け機構は、クラス埋め込みとの関連性に基づいて、アテンションのような重み付けをパッチに割り当てる。
  論文  参考訳（メタデータ） (2025-03-13T12:18:37Z)
• MIRROR: Multi-Modal Pathological Self-Supervised Representation Learning via Modality Alignment and Retention [57.044719143401664]
  病理組織学と転写学は、腫瘍学の基本的なモダリティであり、疾患の形態学的および分子的側面を包含している。 モーダルアライメントと保持を両立させる新しいマルチモーダル表現学習法であるMIRRORを提案する。 がんの亜型化と生存分析のためのTCGAコホートに関する広範囲な評価は,MIRRORの優れた性能を浮き彫りにしている。
  論文  参考訳（メタデータ） (2025-03-01T07:02:30Z)

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。