論文の概要: Beyond Counts: A Distributional Robustness Margin For Pathology Foundation Models

• arxiv url: http://arxiv.org/abs/2607.25497v1
• Date: Tue, 28 Jul 2026 09:34:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-29 20:50:42.787692
• Title: Beyond Counts: A Distributional Robustness Margin For Pathology Foundation Models
• Title（参考訳）: Beyond Counts: 病理モデルのための分散ロバスト性マージン
• Abstract要約: ロバストネス指数(RI)は、局所的な表現幾何学が生物学や非生物学的変異によって支配されているかどうかを定量化する。 距離重み付けは、RIのプール型固定近傍設計に深く制限されているため、ほとんど変化しないことを示す。 我々は、クロス・コンファウンデーション・バイオ・マッチとクロス・コンファウンデーション・バイオ・イントラクタとを直接比較するサンプル解決尺度であるクロス・コンファウンデーション・ロバストネス・マージン(CRoMa)を紹介した。
• 参考スコア（独自算出の注目度）: 3.654533421083683
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Pathology foundation models are approaching clinical deployment, yet remain vulnerable to systematic non-biological variation across centres. Differences in tissue preparation, staining and scanning are strongly encoded in their representations, enabling shortcut learning and weakening generalisation across cohorts and institutions. The Robustness Index (RI) quantifies whether local representation geometry is dominated by biology or by non-biological variation, but its count-based formulation discards distance information. We show that adding distance weights changes little because the deeper limitation lies in RI's pooled, fixed-neighbourhood design, which obscures sample-level heterogeneity and effectively evaluates only a model-dependent subset of samples. We introduce the Cross-confounder Robustness Margin (CRoMa), a sample-resolved measure that directly compares distances to cross-confounder biological matches and same-confounder biological distractors. CRoMa recasts robustness as a cohort-wide margin distribution rather than a single pooled score. We evaluated frozen representations from 20 tile-level encoders across three benchmarks and 4 slide-level encoders on a fourth. Rankings by median CRoMa were broadly consistent across datasets, while the underlying distributions revealed substantial within-model heterogeneity. Every tile encoder retained a confounder-dominated lower tail, whose prevalence and severity varied markedly across models. These distinct robustness profiles frame model selection as a Pareto trade-off between typical and lower-tail robustness. Higher CRoMa was also associated with smaller shortcut-induced performance drops after supervised adaptation. By turning representation geometry into a distributional robustness readout that anticipates downstream shortcut susceptibility, CRoMa provides a principled basis for robustness assessment and model selection.
• Abstract（参考訳）: 病理基盤モデルは、臨床展開に近づいているが、センター間の系統的な非生物学的変異には弱いままである。 組織調製、染色、走査の差異は、その表現に強くエンコードされており、ショートカット学習とコホートや組織全体の一般化を弱めることができる。 ロバストネス指数(RI)は、局所的な表現幾何学が生物学によって支配されているか、非生物学的な変動によって支配されているかを決定するが、その数に基づく定式化は距離情報を捨てる。 標本レベルの不均一性を隠蔽し, サンプルのモデル依存サブセットのみを効果的に評価する, RI のプール化, 固定近傍設計に深い制約があるため, 距離重み付けがほとんど変化しないことを示す。 我々は、クロス・コンファウンデーション・バイオ・マッチとクロス・コンファウンデーション・バイオ・イントラクタとを直接比較するサンプル解決尺度であるクロス・コンファウンデーション・ロバストネス・マージン(CRoMa)を紹介した。 CRoMaは、シングルプールスコアではなく、コホートワイドのマージン分布としてロバスト性を再評価する。 3つのベンチマークと4つのスライドレベルエンコーダで,20個のタイルレベルエンコーダの凍結表現を評価した。 中央値CRoMaのランク付けはデータセット間で大きく一致していたが、基礎となる分布はモデル内部の不均一性を示した。 すべてのタイルエンコーダは、共同創設者が支配する下尾を保持し、その頻度と重厚さはモデルによって著しく異なる。 これらの異なるロバスト性プロファイルは、典型的なものとローテールのロバスト性の間のパレートトレードオフとしてフレームモデル選択を行う。 さらにCRoMaは、調整適応後のショートカットによるパフォーマンス低下が小さくなった。 表現幾何学を下流のショートカットの感受性を期待する分布的ロバストネスの読み出しに変換することで、CRoMaはロバストネスの評価とモデル選択の原則的な基礎を提供する。

関連論文リスト

• Towards Reliable AI-Based Histological Staining: A Systematic Study of Scaling and Uncertainty in Unpaired Generative Models [0.0]
  慢性肝疾患の長期予後の予測因子である肝線維症は,コラーゲン含量の組織学的検討から報告されている。 ヘマトキシリンとエオシン(H&E)染色は標準的な定量読み出し(コラーゲン領域、CPA)を生成するが、すべての臨床センターで取得されるわけではない。 AIベースの仮想染色は、H&Eから直接SRを生成することができるが、教師なしモデルの体系的なベンチマークは少ない。 我々は、新しくリリースされたH&EとSRマウスの肝データセット上の54のスケーリング構成に対して、6つの教師なしイメージ・ツー・イメージ・アーキテクチャ(GANおよび拡散ベース)をベンチマークした。
  論文  参考訳（メタデータ） (2026-08-25T14:41:57Z)
• Dementia Etiology Diagnosis via Collaborative Meta Knowledge Enhancement [81.27196033392559]
  認知症発症診断のための協調的メタ知識向上(COME)フレームワークを提案する。 COMEは、マルチセンタ取得セマンティクス、ソース識別子、モダリティインジケータを異種性を認識した埋め込みとして、スケールアップトレーニングのためにTransformerアーキテクチャに注入する。 本手法は,平均マクロ平均AUCが85.62%,最強ベースラインが4.29ポイント向上し,最先端のドメイン性能を実現する。
  論文  参考訳（メタデータ） (2026-07-24T04:26:47Z)
• The Good, the Bad, and the Brittle: Benchmarking Robustness and Generalisation of Histopathology Foundation Models [0.1274452325287335]
  12の病理基盤モデル(PFM)とResNetのベースラインをベンチマークした。 PFMは、堅牢性とドメインの一般化の両方においてCNNを一貫して上回っているが、モデルスケーリングはリターンの低下を示している。 NR-Kfold解析では,訓練とテストの類似性が破られた場合,系統的精度の低下と変動の増大が明らかになった。
  論文  参考訳（メタデータ） (2026-07-05T16:49:09Z)
• Topology-Driven Transferability Estimation for 3D Medical Vision Foundation Models [24.834339924064505]
  3次元医用画像における高密度予測タスクのためのボクセル・ワイド・フレームワークを提案する。 本フレームワークは,高密度特徴のスパース1-スケルトン幾何グラフと意味ラベルとのアライメントから,転送可能性を直接推定する。 本フレームワークは,平均重み付きケンドール(0.36)を56倍の速度で評価しながら,最先端の転写性評価を実現する。
  論文  参考訳（メタデータ） (2026-07-05T09:45:18Z)
• AnchorMoE: Interpretable Time Series Classification via Anchor-Routed MoE [51.994752158953084]
  AnchorMoEは、解釈可能な構成別分類フレームワークである。 ローカルパッチのマルチビュー表現をエンコードし、専門の専門家にルーティングする。 実世界のベンチマークと合成ベンチマークの実験は、AnchorMoEが非常に競争力のある分類性能を達成することを示した。
  論文  参考訳（メタデータ） (2026-06-02T13:30:54Z)
• CDRRM: Contrast-Driven Rubric Generation for Reliable and Interpretable Reward Modeling [61.75914342638658]
  CDRRM(Contrast-Driven Reward Model)は、高品質なルーリック生成と優先判断のためのフレームワークである。 この作業は、報酬モデリングのためのスケーラブルで解釈可能で、データ効率のよいパスを提供する。
  論文  参考訳（メタデータ） (2026-03-09T07:15:23Z)
• The Mean is the Mirage: Entropy-Adaptive Model Merging under Heterogeneous Domain Shifts in Medical Imaging [3.597779662054083]
  予期せぬテスト時間分散シフトの下でのモデルのマージは、平均的な信頼性の低下など、単純な戦略を反映することが多い。 本稿では,前方パスのみを介してバッチ固有のマージモデルを生成するエントロピー適応型完全オンラインモデルマージ手法を提案する。 本研究では,9つの医学領域および自然領域の一般化画像分類データセットにまたがる2つのバックボーンを用いて,最先端のベースラインを用いた手法を広範に評価した。
  論文  参考訳（メタデータ） (2026-02-24T21:06:19Z)
• MS-ISSM: Objective Quality Assessment of Point Clouds Using Multi-scale Implicit Structural Similarity [65.85858856481131]
  点雲の非構造的で不規則な性質は、客観的品質評価(PCQA)に重大な課題をもたらす マルチスケールインシシシット構造類似度測定(MS-ISSM)を提案する。
  論文  参考訳（メタデータ） (2026-01-03T14:58:52Z)
• Measuring Sample Quality with Copula Discrepancies [0.0]
  Copula Discrepancy (CD) は、依存構造に対する原理的かつ計算学的に効率的な診断である。 我々の理論的枠組みは、近似推論の時代に特化して設計された最初の構造認識診断を提供する。 計算オーバーヘッドのオーバヘッドは、既存のスタインの差よりも桁違いに低いため、CDはMCMC実践者にとって即時的な実用価値と、次世代の構造を意識したサンプル品質評価の理論的基礎の両方を提供する。
  論文  参考訳（メタデータ） (2025-07-29T02:11:45Z)
• Variational Classification [51.2541371924591]
  我々は,変分オートエンコーダの訓練に用いるエビデンスローバウンド(ELBO)に類似した,モデルの訓練を目的とした変分目的を導出する。 軟質マックス層への入力を潜伏変数のサンプルとして扱うことで, 抽象化された視点から, 潜在的な矛盾が明らかとなった。 我々は、標準ソフトマックス層に見られる暗黙の仮定の代わりに、選択された潜在分布を誘導する。
  論文  参考訳（メタデータ） (2023-05-17T17:47:19Z)
• Rethinking Semi-Supervised Medical Image Segmentation: A Variance-Reduction Perspective [51.70661197256033]
  医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。 まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。 5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
  論文  参考訳（メタデータ） (2023-02-03T13:50:25Z)

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。