論文の概要: Harnessing Adversarial Distillation to Customise Debiased, Disease-Specific Pathology Foundation Models for Breast Cancer

• arxiv url: http://arxiv.org/abs/2608.01356v1
• Date: Sun, 02 Aug 2026 16:19:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:25.174021
• Title: Harnessing Adversarial Distillation to Customise Debiased, Disease-Specific Pathology Foundation Models for Breast Cancer
• Title（参考訳）: 乳がんの重症度, 疾患, 病理組織モデルに対する逆行性蒸留法の検討
• Abstract要約: SmartStuは、乳がん特異的PFMを蒸留によりカスタマイズするフレームワークである。 SmartStuは、複数の教師のPFMの表現を軽量の学生バックボーンに置き換える。 我々はSmartStuを、複数の小さなバックボーンを持つ3つの外部コホート(Breast HER2, SLN-Yale, BRACS)で検証した。
• 参考スコア（独自算出の注目度）: 30.787843547178515
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Pathology foundation models (PFMs) provide strong tissue representations and have become central to digital pathology. However, deployment in disease-specific settings is limited by 1) the high computational cost of billion-parameter PFMs and 2) distribution mismatch and non-biological bias inherited from pan-cancer, multi-centre pre-training, including site-specific signatures and imbalanced disease prevalence. These factors can encourage shortcut learning and under-emphasise subtle morphology required for reliable modelling of a specific cancer type. We present SmartStu (a Smart Student), a framework to customise compact, breast-cancer-specific PFMs via distillation whilst mitigating confounding. SmartStu distils representations from multiple teacher PFMs into a lightweight student backbone. Crucially, we introduce adversarial distillation that leverages a dedicated noise model trained to predict nuisance, edge-dominated cues on the distillation set. Using this noise model as a counterexample, the adversarial objective encourages the student to recognise, yet suppress, features predictive of nuisance targets. We further incorporate multi-teacher ensemble distillation and an auxiliary self-supervised objective with artefact injection. We validate SmartStu on three external cohorts (Yale HER2, SLN-Breast, and BRACS) with multiple tiny backbones. SmartStu yields breast-cancer-specific PFMs that are over $30\times$ smaller than general PFMs whilst largely preserving, and sometimes improving, downstream performance measured by balanced accuracy (bAcc) and AUC. Code is available at https://github.com/zwchen03/advDistall.
• Abstract（参考訳）: 病理基盤モデル(PFM)は強力な組織表現を提供し、デジタル病理の中心となっている。 しかし、病原性設定への展開は制限されている。 1)10億パラメートルPMMの計算コストと計算コスト 2) 分布ミスマッチと非生物学的バイアスは, 部位特異的なシグネチャと不均衡疾患の有病率を含む, パン・カンサー, マルチセントプレトレーニングから受け継がれた。 これらの要因は、特定のがんタイプの信頼できるモデリングに必要な、短い学習と微妙な形態の強調を促進する。 We present SmartStu (a Smart Students), a framework to customize compact, breast-cancer-specific PFMs through distillation while mitigating confounding。 SmartStuは、複数の教師のPFMの表現を軽量の学生バックボーンに置き換える。 重要なことに,本研究では, 蒸留セット上でのニュアンス, エッジ支配的手がかりを予測するために訓練された専用ノイズモデルを活用する, 対向蒸留を導入する。 このノイズモデルを反例として用いて、敵対的目的は、生徒がニュアンス目標の予測的特徴を認識し、抑制することを奨励する。 さらに, 人工物注入による多教師型アンサンブル蒸留と補助的自己監督目的を取り入れた。 複数個のバックボーンを持つ3つの外部コホート(Yale HER2, SLN-Breast, BRACS)上でSmartStuを検証する。 SmartStu は乳がん特異的な PFM を生成し、通常の PFM よりも30\times$小さいが、大部分は保存され、時にはバランスの取れた精度 (bAcc) と AUC で測定された下流のパフォーマンスが向上する。 コードはhttps://github.com/zwchen03/advDistall.comで入手できる。

関連論文リスト

• Weakly-supervised Kidney Tumor Classification from CT Scans with Multi-Instance Learning and Anatomical Filtering [6.007303976935778]
  我々はMIL(Multi-instance Learning)と解剖学的フィルタリングを導入する。 MILはCTボリュームを2Dスライスインスタンスに分割し、ImageNetプリトレーニングによる効率的な2Dアーキテクチャを実現する。 解剖学的フィルタリングでは,病理関連部分領域のクロップスキャンに,自己教師付き身体部分回帰モデルであるCompassを用いている。 本研究は,他の臓器や病理組織に適用可能な,より広範に制御されたCT分類パイプラインの概念実証であると考えている。
  論文  参考訳（メタデータ） (2026-09-07T08:10:11Z)
• Cross-Architecture Knowledge Distillation from a Vision Foundation Model to a Lightweight Visual State Space Model for Tea Leaf Disease Classification [10.122947222129108]
  DINOv2のような自己監督型ビジョンファウンデーションモデルは強力な機能を提供するが、フィールド展開には大きすぎる。 微調整DINOv2教師からコンパクトな双方向視覚空間モデルへのクロスアーキテクチャ知識の蒸留について検討した。 我々は,SSM学生が限られたデータで学習することを防ぐ2つのトレーニング安定問題を同定し,修正する。
  論文  参考訳（メタデータ） (2026-08-27T08:02:05Z)
• Benchmarking Pathology Foundation Models for Breast Cancer Survival Prediction [18.4825895221291]
  乳がんの生存率予測に広く用いられ,最近提案されたPFMを,全スライディング組織像から評価した。 その結果,乳がん生存予測のためのPFMの大規模,外部的検証を行った初めてのベンチマークが得られた。
  論文  参考訳（メタデータ） (2026-04-27T16:38:11Z)
• Maximizing T2-Only Prostate Cancer Localization from Expected Diffusion Weighted Imaging [68.57480103120561]
  マルチパラメトリックMRIは前立腺癌の検出と局所化のための第一線非侵襲的アプローチとしてますます推奨されている。 T2w画像のみを用いた早期機械学習の試みは、放射線医に注釈された病変の診断に有望な性能を示した。 本研究は、T2wのみを推論に用いて、独立した病理組織学的ラベルに基づいて個々のがんを局在させる、より難しい応用について検討する。
  論文  参考訳（メタデータ） (2026-04-01T14:50:18Z)
• DA-SSL: self-supervised domain adaptor to leverage foundational models in turbt histopathology slides [4.799377483689239]
  ドメイン適応型自己制御型アダプタ(DA-SSL)は、基礎モデル自体を微調整することなく、事前訓練されたPFM機能をTURBTドメインに組み込む。 以上の結果から, DA-SSLはPFMベースのMILパイプラインを効果的に拡張し, 臨床病理学的課題を克服できる可能性が示唆された。
  論文  参考訳（メタデータ） (2025-12-15T17:53:18Z)
• Pathryoshka: Compressing Pathology Foundation Models via Multi-Teacher Knowledge Distillation with Nested Embeddings [1.218297699184202]
  RADIO蒸留とMatryoshka表現学習にインスパイアされた多教師蒸留フレームワークPathryoshkaを紹介する。 Pathryoshkaは、オンパーパフォーマンスでモデルサイズを86-92%削減する。 最先端のシングルティーラー蒸留モデルと比較すると、7.0の精度で平均的なマージンを達成している。
  論文  参考訳（メタデータ） (2025-11-28T14:11:31Z)
• Pathological Prior-Guided Multiple Instance Learning For Mitigating Catastrophic Forgetting in Breast Cancer Whole Slide Image Classification [50.899861205016265]
  乳癌のWSI分類における破滅的忘れを緩和する新しい枠組みであるPaGMILを提案する。 私たちのフレームワークでは、共通のMILモデルアーキテクチャに2つの重要なコンポーネントを導入しています。 複数の乳がんデータセットを対象としたPaGMILの連続学習性能の評価を行った。
  論文  参考訳（メタデータ） (2025-03-08T04:51:58Z)
• Brain Tumor Classification on MRI in Light of Molecular Markers [56.99710477905796]
  1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。 本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
  論文  参考訳（メタデータ） (2024-09-29T07:04:26Z)
• Domain Transfer Through Image-to-Image Translation for Uncertainty-Aware Prostate Cancer Classification [42.75911994044675]
  前立腺MRIの非対位画像翻訳のための新しいアプローチと臨床的に重要なPCaを分類するための不確実性認識トレーニングアプローチを提案する。 提案手法では,無ペアの3.0T多パラメータ前立腺MRIを1.5Tに翻訳し,利用可能なトレーニングデータを増強する。 実験の結果,提案手法は,従来の研究に比べてAUC(Area Under ROC Curve)を20%以上改善することがわかった。
  論文  参考訳（メタデータ） (2023-07-02T05:26:54Z)
• SC-MIL: Supervised Contrastive Multiple Instance Learning for Imbalanced Classification in Pathology [2.854576370929018]
  医療画像における機械学習の問題は、しばしば稀な疾患に対処する。 病理画像では、別のレベルの不均衡があり、正にラベル付けされた全スライド画像(WSI)が与えられると、その内部のピクセルのごく一部だけが正のラベルに寄与する。 本稿では,バッグレベルの表現から最適な分類器学習へと,段階的に移行するラベル不均衡の存在下での協調学習型MILフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-23T16:28:15Z)
• Advancing Radiograph Representation Learning with Masked Record Modeling [52.04899592688968]
  我々は2つの相補的な目的として自己と報告の補完を定式化し、マスク付きレコードモデリング(MRM)に基づく統一的な枠組みを提案する。 MRMは、知識強化されたセマンティック表現を学ぶためのマルチタスクスキームに従って、マスクされた画像パッチとマスクされたレポートトークンを再構築する。 具体的には、MRMはラベル効率の良い微調整において優れた性能を提供する。
  論文  参考訳（メタデータ） (2023-01-30T18:33:32Z)
• XDEEP-MSI: Explainable Bias-Rejecting Microsatellite Instability Deep Learning System In Colorectal Cancer [0.0]
  組織マイクロアレイ(TMA)用にカスタマイズされたDL技術を用いて大腸癌のH&E画像からマイクロサテライト不安定(MSI)を予測するシステムを提案する。 本システムは、組織モジュールによって誘導される関心領域において、複数の倍率でタイルを生産するエンドツーエンド画像前処理モジュールと、多バイアス拒絶モジュールとを具備する。
  論文  参考訳（メタデータ） (2021-10-28T17:58:01Z)
• A multi-stage machine learning model on diagnosis of esophageal manometry [50.591267188664666]
  このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。 これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
  論文  参考訳（メタデータ） (2021-06-25T20:09:23Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)

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。