論文の概要: MergeSurv: Merging-Based Continual Learning for Survival Analysis on Whole-Slide Images
- arxiv url: http://arxiv.org/abs/2607.04747v1
- Date: Mon, 06 Jul 2026 07:35:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-07 22:26:30.072525
- Title: MergeSurv: Merging-Based Continual Learning for Survival Analysis on Whole-Slide Images
- Title（参考訳）: MergeSurv:全スライディング画像の生存分析のためのマージベース連続学習
- Abstract要約: 本稿では,WSIサバイバル分析のための統合型連続学習フレームワークであるMergeSurvを提案する。
病理視覚言語基礎モデルは,各タスクに対して独立に微調整され,学習されたパラメータは順次統合されたモデルにマージされる。
4つのTCGAコホートの実験では、MergeSurvは、直感的な微調整と、代表的な正規化に基づく、リハーサルベースの継続的学習方法よりも優れていた。
- 参考スコア（独自算出の注目度）: 4.934678371009237
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Survival analysis on Whole Slide Images (WSIs) is important in computational pathology for prognosis estimation and treatment planning. However, existing survival models are typically trained independently for each cancer cohort, making continual adaptation computationally expensive for gigapixel-scale WSIs. In this study, we propose MergeSurv, a merging-based continual learning framework for WSI survival analysis. A pathology vision-language foundation model is independently fine-tuned on each task, and the learned parameters are sequentially merged into a unified model without storing previous training data. We further investigate two inference strategies: One-for-All (OFA) and Voting-Expert Aggregation (VEA). Experiments on four TCGA cohorts demonstrate that MergeSurv outperforms naive fine-tuning as well as representative regularization-based and rehearsal-based continual learning methods, while effectively reducing catastrophic forgetting. The results suggest that model merging is a promising direction for scalable and privacy-preserving continual learning in computational pathology.
- Abstract（参考訳）: 全スライド画像の生存解析は予後推定と治療計画のための計算病理学において重要である。
しかし、既存の生存モデルは、通常、各がんコホートに対して独立して訓練され、連続的な適応は、ギガピクセル規模のWSIに対して計算コストがかかる。
本稿では,WSIサバイバル分析のための統合型連続学習フレームワークであるMergeSurvを提案する。
病理視覚言語基礎モデルは各タスクに独立して微調整され、学習されたパラメータは、以前のトレーニングデータを格納することなく、順次統一モデルにマージされる。
さらに,OFA(One-for-All)とVEA(Voting-Expert Aggregation)の2つの推論戦略について検討する。
4つのTCGAコホートの実験では、MergeSurvは微調整だけでなく、正規化とリハーサルに基づく連続的な学習方法にも優れており、破滅的な忘れを効果的に減らしている。
その結果、モデルマージは、計算病理学におけるスケーラブルでプライバシ保護の継続的な学習にとって有望な方向であることが示唆された。
関連論文リスト
- CIGTSurv: Clinical Information Guided Tri-modal Survival Prediction with Local Prototype Association and Global Feature Alignment [5.516840442957239]
マルチモーダル学習は、病理画像とゲノムデータを統合することにより、生存予測を著しく進歩させた。
臨床情報は、その離散的、疎外、低次元の性質のために未利用のままである。
生存予測のためのCIGTSurvを提案する。
論文 参考訳（メタデータ） (2026-08-04T07:19:53Z) - AdaSurvMamba: Dynamic Fusion and Semantic Scanning for Multimodal Survival Analysis [57.942670844512016]
我々はAdaSurvMambaをマルチモーダルサバイバル分析の新しい適応フレームワークとして紹介する。
このフレームワークは、クロスモーダル相互作用強度を動的に変調するDual-Scale Importance-Aware Reconstruction (DSIR)モジュールを備えている。
5つのTCGAコホートに対する実験は、既存の方法よりも一貫した利得を示している。
論文 参考訳（メタデータ） (2026-06-28T11:36:31Z) - Investigating the Impact of Histopathological Foundation Models on Regressive Prediction of Homologous Recombination Deficiency [52.50039435394964]
回帰に基づくタスクの基礎モデルを体系的に評価する。
我々は5つの最先端基礎モデルを用いて、スライド画像全体(WSI)からパッチレベルの特徴を抽出する。
乳房、子宮内膜、肺がんコホートにまたがるこれらの抽出された特徴に基づいて、連続したRDDスコアを予測するモデルが訓練されている。
論文 参考訳（メタデータ） (2026-01-29T14:06:50Z) - Methodology for Comparing Machine Learning Algorithms for Survival Analysis [55.65997641180011]
生存分析のための6つの機械学習モデルを評価した。
XGB-AFTは最高性能(C-Index = 0.7618; IPCW = 0.7532、GBSAとRCF)を達成した。
論文 参考訳（メタデータ） (2025-10-28T14:42:28Z) - WSM: Decay-Free Learning Rate Schedule via Checkpoint Merging for LLM Pre-training [64.0932926819307]
本稿では,学習速度減衰とモデルマージの正式な関係を確立するフレームワークであるWarmup-Stable and Merge(WSM)を紹介する。
WSMは様々な崩壊戦略をエミュレートするための統一された理論基盤を提供する。
私たちのフレームワークは、複数のベンチマークで広く採用されているWarmup-Stable-Decay(WSD)アプローチよりも一貫して優れています。
論文 参考訳（メタデータ） (2025-07-23T16:02:06Z) - MIL vs. Aggregation: Evaluating Patient-Level Survival Prediction Strategies Using Graph-Based Learning [52.231128973251124]
我々は,WSIおよび患者レベルでの生存を予測するための様々な戦略を比較した。
前者はそれぞれのWSIを独立したサンプルとして扱い、他の作業で採用された戦略を模倣します。
後者は、複数のWSIの予測を集約するか、最も関連性の高いスライドを自動的に識別するメソッドを含む。
論文 参考訳（メタデータ） (2025-03-29T11:14:02Z) - Survival Prediction in Lung Cancer through Multi-Modal Representation Learning [9.403446155541346]
本稿では,CTとPETの包括的情報と関連するゲノムデータを用いた生存予測手法を提案する。
我々は,マルチモーダル画像データと遺伝的情報を統合することにより,生存率の予測モデルを構築することを目的とする。
論文 参考訳（メタデータ） (2024-09-30T10:42:20Z) - Advancing Head and Neck Cancer Survival Prediction via Multi-Label Learning and Deep Model Interpretation [7.698783025721071]
我々は,複数のHNC生存率を同時に予測するための,解釈可能なマルチラベル・マルチモーダル・ディープ・サバイバル予測フレームワーク IMLSP を提案する。
また、深層生存モデル視覚説明のために開発された、グラディエント重み付き時間イベント活性化マッピング手法であるGrad-TEAMを提案する。
論文 参考訳（メタデータ） (2024-05-09T01:30:04Z) - AdaMSS: Adaptive Multi-Modality Segmentation-to-Survival Learning for Survival Outcome Prediction from PET/CT Images [11.028672732944251]
深層学習に基づくディープサバイバルモデルは、医療画像からエンド・ツー・エンドのサバイバル予測を行うために広く採用されている。
近年のディープサバイバルモデルでは, 生存予測と共同で腫瘍セグメンテーションを行い, 有望な性能を達成している。
既存のディープサバイバルモデルは、マルチモダリティイメージを効果的に活用することはできない。
本稿では,融合戦略の適応最適化を実現する多モード情報を融合するためのデータ駆動型戦略を提案する。
論文 参考訳（メタデータ） (2023-05-17T04:56:11Z) - 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) - Bootstrapping Your Own Positive Sample: Contrastive Learning With
Electronic Health Record Data [62.29031007761901]
本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。
EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。
私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
論文 参考訳（メタデータ） (2021-04-07T06:02:04Z)
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。