論文の概要: What Carries the Signal in Pathology Foundation-Model Atlases? A Patient-Level Controlled Benchmark in Breast Cancer

• arxiv url: http://arxiv.org/abs/2608.00105v1
• Date: Fri, 31 Jul 2026 04:58:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:24.421832
• Title: What Carries the Signal in Pathology Foundation-Model Atlases? A Patient-Level Controlled Benchmark in Breast Cancer
• Title（参考訳）: 病理基盤モデルアトラスのシグナル : 患者レベルによる乳癌の診断基準
• Abstract要約: 凍結した背骨11本, 遺伝子プログラム4本, TCGA-BRCA285本のペアスライドとRNA-seqについて検討した。 平均プール埋め込みにおけるリッジ回帰は、Spearman = 0.25-0.56, UNI2のホールドアウトプログラムスコアを予測している(免疫0.556) シグナルは本物であるが、一様ではない。同じ患者と折り畳みの競合モデルに対して、埋め込みは、ER/光、増殖、免疫(+0.280, +0.284, +0.479; p = 0.003)の組織組成を破るが、基礎ではない。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Pathology foundation models are reported to encode molecular programmes in tissue morphology, but the evidence is usually a cohort-wide ranked gene list rather than a prediction for a held-out patient. We rebuild such an analysis with the patient as the unit of evidence and ask which pipeline component carries signal. Across 11 frozen backbones, four pre-specified gene programmes and 285 TCGA-BRCA patients with paired slides and RNA-seq (44 cells; GroupKFold by patient, all preprocessing fitted inside the fold), ridge regression on mean-pooled embeddings predicts held-out programme scores at Spearman rho = 0.25-0.56, UNI2 strongest on all four (immune 0.556). A matched permutation null gives raw p ~ 1e-4 at 10,000 permutations for every cell; Holm-adjusted p = 0.0044. The signal is real but not uniformly morphological. Against competing models on the same patients and folds, embeddings beat tissue composition for ER/luminal, proliferation and immune (+0.280, +0.284, +0.479; p <= 0.003) but not basal, where compartment fractions alone reach 0.469 against the embedding's 0.493 (p = 0.77). Fifty-four interpretable cell-count features come within 0.043-0.085 on every programme. The geometric machinery contributes nothing measurable, and we identify why: the geodesic graph selects neighbours by Euclidean nearest-neighbour search and only reweights edges already chosen, so the topology is Euclidean by construction (Riemannian minus Euclidean = +0.0010, 95% CI [-0.0007, +0.0029]). Applied consistently the geometry is worse (-0.0117). Ridge regression beats the graph-and-metric decoder by +0.097 (CI [+0.069, +0.127]). The driver-count metric common in this literature is near-uninformative here: 91.8% of random six-gene panels recover >=5/6 drivers.
• Abstract（参考訳）: 病理基盤モデルでは、組織形態学の分子プログラムを符号化することが報告されているが、その証拠は通常、保留患者の予測ではなく、コホートワイドな遺伝子リストである。 我々は、証拠の単位として患者とのそのような分析を再構築し、どのパイプラインコンポーネントが信号を運ぶかを尋ねる。 11個の凍結した背骨、4つの遺伝子プログラム、285個のTCGA-BRCA患者にペアスライドとRNA-seq(44細胞; 患者によってすべてのプレプロセッシングが折り畳まれているグループKFold)、平均プール埋め込みにおけるリッジ回帰は、Spearman rho = 0.25-0.56、UNI2が4つの最強(免疫0.556)を予測した。 一致した置換 null は、すべてのセルに対して1万の置換で生 p ~ 1e-4 を与える; Holm 調整 p = 0.0044 である。 信号は本物だが、一様ではない。 同じ患者と折りたたみ患者の競合モデルに対して、埋め込みはER/光、増殖、免疫のための組織組成(+0.280, +0.284, +0.479; p <= 0.003)を破るが、基礎ではない。 解釈可能な50のセルカウント機能は、すべてのプログラムで0.043-0.085以内である。 測地線グラフはユークリッド近傍の探索によって近傍を選別し、既に選択されたエッジのみを再重み付けするので、位相は構成によってユークリッドである(リーマンマイナスユークリッド = +0.0010, 95% CI [-0.0007, +0.0029])。 幾何は一貫して悪くなる(-0.0117)。 リッジ回帰は、グラフとメトリックのデコーダを+0.097(CI [+0.069, +0.127])で打ち負かす。 91.8%のランダム6遺伝子パネルが >=5/6 のドライバを回復する。

関連論文リスト

• Zero-Shot Adaptation of Medical Vision Foundation Models for High-Frequency Micro-Ultrasound Prostate Segmentation [0.28675177318965045]
  従来の超音波は、腺の正確な境界をぼかす。 マイクロ超音波(29MHz)は解像度を3倍改善するが、外壁を隠蔽する密度の高い音響スペックルを導入している。 監督された手法はコストがかかり、スキャナー全体の一般化が不十分である。 我々は、このモダリティのための最初のゼロショットパイプラインを提示する: MedSAMは150万以上の医療画像で事前訓練されている。
  論文  参考訳（メタデータ） (2026-08-14T18:07:15Z)
• CT-HEG: A Bidirectional, Timestamp-Attributed Event Graph for ICU In-Hospital Mortality Prediction - An Architectural Ablation Study [0.23453441553817042]
  Continuous-Time Heterogeneous EHR Graph (CT-HEG)は、各ICUを3つのノードタイプを持つ型付きタイムスタンプグラフとしてエンコードする。 MIMIC-IV v3.1で評価した4層ヘテロジニアスGATv2ConvネットワークであるCHIRP-NetとしてCT-HEGをインスタンス化する。
  論文  参考訳（メタデータ） (2026-08-01T19:10:38Z)
• Calibrated Alzheimer's Conversion Risk in Mild Cognitive Impairment: Persistent Homology of Clinical Trajectories with Conformal Guarantees [0.0]
  軽度の認知障害からアルツハイマー病への転換を予測することは、臨床試験とケア計画の中心である。 既存のモデルは個々のレベルの不確実性評価を提供しておらず、透明な漏洩監査を含むことは滅多にない。 本研究は, 持続的ホモロジーの経時的臨床軌道点雲への応用について紹介する。
  論文  参考訳（メタデータ） (2026-07-20T00:00:17Z)
• ClinicalBench: Stress-Testing Assertion-Aware Retrieval for Cross-Admission Clinical QA on MIMIC-IV [0.0]
  推論ベンチマークはクリーンインプットの臨床的パフォーマンスを測定する。 我々は, 否定, 時間性, 家族反対の帰属が正しい答えを誤ったものに戻すことができる, 実際の EHR ノートを検索することで, 推論の段階を評価する。 EpiKGは、アサーションラベルと時間性タグを患者の知識グラフに格納し、質問意図による検索をルーティングする。
  論文  参考訳（メタデータ） (2026-05-11T18:47:52Z)
• Differentiable latent structure discovery for interpretable forecasting in clinical time series [38.473526928012724]
  連続時間多タスクガウス過程であるStructGPを導入し, 基本的不確かさを保ちながら, 相違構造学習と相違構造学習を組み合わせ, 相互依存の有向非巡回グラフ(DAG)を導出する。 LP-StructGPは,被験者特異的カップリングフィルタとソフトマックスゲーティング機構を用いて,患者間の進行パターンを捉えることで,StructGPを潜在経路に分割し,時間的に変化する軌跡を増大させる。
  論文  参考訳（メタデータ） (2026-04-30T14:59:50Z)
• Copula Based Fusion of Clinical and Genomic Machine Learning Risk Scores for Breast Cancer Risk Stratification [0.0]
  MeTABRICの乳がんコホートを用いて,臨床とゲノム機械学習のリスクスコアの結合関係を直接モデル化することにより,5年間のがん特異的死亡のリスク階層化が向上するか否かを検討した。
  論文  参考訳（メタデータ） (2025-11-18T05:59:36Z)
• MeCaMIL: Causality-Aware Multiple Instance Learning for Fair and Interpretable Whole Slide Image Diagnosis [40.3028468133626]
  MIL(Multiple Case Learning)は、コンピュータ病理学における全スライド画像(WSI)解析の主流パラダイムとして登場した。 因果関係を意識したMILフレームワークである textbfMeCaMIL は、構造化因果グラフを通じて、階層的共同創設者を明示的にモデル化する。 MeCaMILは優れた公正性を達成する -- 人口格差の分散は、属性全体の平均で65%以上減少する。
  論文  参考訳（メタデータ） (2025-11-14T06:47:21Z)
• Corneal endothelium assessment in specular microscopy images with Fuchs' dystrophy via deep regression of signed distance maps [48.498376125522114]
  本稿では,UNetをベースとしたセグメンテーション手法を提案する。 これは、フックスのジストロフィーの全度にわたって、信頼できるCE形態計測と腸骨同定を実現する。
  論文  参考訳（メタデータ） (2022-10-13T15:34:20Z)
• Wide & Deep neural network model for patch aggregation in CNN-based prostate cancer detection systems [51.19354417900591]
  前立腺癌(PCa)は、2020年に約141万件の新規感染者と約37万5000人の死者を出した男性の死因の1つである。 自動診断を行うには、まず前立腺組織サンプルをギガピクセル分解能全スライド画像にデジタイズする。 パッチと呼ばれる小さなサブイメージが抽出され、予測され、パッチレベルの分類が得られる。
  論文  参考訳（メタデータ） (2021-05-20T18:13:58Z)
• Deep Learning for fully automatic detection, segmentation, and Gleason Grade estimation of prostate cancer in multiparametric Magnetic Resonance Images [0.731365367571807]
  本稿では,PCa-suspect 患者から前立腺 mpMRI を抽出するDeep Learning に基づく完全自動システムを提案する。 PCaの病変を特定し、それらを分類し、最も可能性の高いGleason grade group(GGG)を予測する。 ProstateXトレーニングシステムのコードはhttps://github.com/OscarPellicer/prostate_lesion_detection.comで公開されている。
  論文  参考訳（メタデータ） (2021-03-23T16:08:43Z)
• Brain tumor segmentation with self-ensembled, deeply-supervised 3D U-net neural networks: a BraTS 2020 challenge solution [56.17099252139182]
  U-netのようなニューラルネットワークを用いた脳腫瘍セグメント化作業の自動化と標準化を行う。 2つの独立したモデルのアンサンブルが訓練され、それぞれが脳腫瘍のセグメンテーションマップを作成した。 我々の解は、最終試験データセットにおいて、Diceの0.79、0.89、0.84、およびHausdorffの95%の20.4、6.7、19.5mmを達成した。
  論文  参考訳（メタデータ） (2020-10-30T14:36:10Z)
• Multilabel 12-Lead Electrocardiogram Classification Using Gradient Boosting Tree Ensemble [64.29529357862955]
  我々は,心電図の診断を分類するために,形態や信号処理機能に適合した勾配強化木のアンサンブルを用いたアルゴリズムを構築した。 各リードについて、心拍変動、PQRSTテンプレート形状、全信号波形から特徴を導出する。 各クラスに属するECGインスタンスの確率を予測するため、全12項目の特徴と合わせて、勾配を増す決定ツリーの集合に適合する。
  論文  参考訳（メタデータ） (2020-10-21T18:11:36Z)

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。