Fugu-MT 論文翻訳(概要): Training-Free Out-of-Distribution Detection for Pathology Whole-Slide Images

論文の概要: Training-Free Out-of-Distribution Detection for Pathology Whole-Slide Images

arxiv url: http://arxiv.org/abs/2608.01407v1
Date: Sun, 02 Aug 2026 17:42:42 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-04 15:07:25.19556
Title: Training-Free Out-of-Distribution Detection for Pathology Whole-Slide Images
Title（参考訳）: 病理画像のアウト・オブ・ディストリビューション検出
Abstract要約: 病理組織WSIのためのトレーニング不要マルチモーダルOOD検出器であるZIOを提案する。臨床に関連のある領域シフトの多種多様さ(まれな疾患や近OOD設定など)にまたがってZIOを評価した。これらの結果は、OOD検出のためのマルチモーダル表現の利点を示し、臨床実践におけるより安全なAIデプロイメントへの道を開いた。
参考スコア（独自算出の注目度）: 3.987085064148897
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Safe deployment of AI methods in medicine requires robust guardrails that detect when input data deviate from the training distribution to ensure that models provide predictions only within their scope of expertise and abstain otherwise. Out-of-distribution (OOD) detection can provide such safeguards and is extensively studied in general computer vision. Yet, it remains underdeveloped in computational pathology, where gigapixel whole-slide images (WSIs), subtle differences between disease subtypes, and variability in tissue preparation pose unique challenges for conventional OOD methods. We propose ZIO, a training-free, multimodal OOD detector for pathology WSIs that leverages vision--language pathology foundation models (FMs). ZIO constructs text and visual prototypes of in-distribution classes and integrates their complementary information through a prototype shrinkage mechanism to derive OOD scores. We provide the ZIO formulation for both slide- and patch-level FMs. We evaluate ZIO across diverse clinically relevant domain shifts, including rare diseases and near-OOD settings. Extensive evaluation of over 14,700 WSIs from five independent consortia shows that ZIO consistently outperforms both unimodal prototypes and 40 state-of-the-art OOD methods. These results demonstrate the benefits of multimodal representation for OOD detection and pave the way towards safer AI deployment in clinical practice.
Abstract（参考訳）: 医療におけるAIメソッドの安全なデプロイには、入力データがトレーニングディストリビューションから逸脱したことを検知する堅牢なガードレールが必要である。アウト・オブ・ディストリビューション(OOD)検出はそのような安全策を提供し、一般的なコンピュータビジョンで広く研究されている。しかし、ギガピクセル全スライディング画像(WSI)、疾患サブタイプ間の微妙な差異、組織製剤の多様性が従来のOOD法に特有の課題を呈する計算病理学では未発達のままである。本稿では,視覚言語病理基盤モデル (FM) を利用した,WSI のための訓練不要マルチモーダル OOD 検出器である ZIO を提案する。 ZIOは、分散クラスのテキストと視覚プロトタイプを構築し、OODスコアを導出するプロトタイプ縮小機構を通じて補完情報を統合する。スライドレベルのFMとパッチレベルのFMの両方に対してZIOの定式化を提供する。臨床に関連のある領域シフトの多種多様さ(まれな疾患や近OOD設定など)にまたがってZIOを評価した。独立した5つのコンソーシアムから14,700以上のWSIを広範囲に評価したところ、ZIOは不定形プロトタイプと40種類の最先端OOD手法の両方を一貫して上回っていることがわかった。これらの結果は、OOD検出のためのマルチモーダル表現の利点を示し、臨床実践におけるより安全なAIデプロイメントへの道を開いた。

関連論文リスト

GOOD: Training-Free Guided Diffusion Sampling for Out-of-Distribution Detection [61.96025941146103]
GOODは,オフザシェルフ内分布(ID)分類器を用いて,OOD領域へのサンプリングトラジェクトリを誘導する新しいフレームワークである。入力可能性を減らすためにログパーティションの勾配に基づいた画像レベルのガイダンスは、ピクセル空間内の低密度領域に向けてサンプルを駆動する。我々は、画像と特徴の相違を適応的に組み合わせ、検出の堅牢性を向上する統一OODスコアを導入する。
論文参考訳（メタデータ） (2025-10-20T03:58:46Z)
Hierarchical Vision-Language Learning for Medical Out-of-Distribution Detection [42.73509543934366]
視覚言語モデル(VLM)に基づく新しいOOD検出フレームワークを提案する。複数スケールからの視覚的埋め込みを両立させるために, クロススケールなビジュアルフュージョン戦略を提案する。 OOD検出を最大化するために, クロススケールな擬似ODサンプル生成戦略を提案する。
論文参考訳（メタデータ） (2025-08-25T04:55:27Z)
Unsupervised Out-of-Distribution Detection in Medical Imaging Using Multi-Exit Class Activation Maps and Feature Masking [15.899277292315995]
医用画像における深層学習モデルの信頼性確保には,アウト・オブ・ディストリビューション(OOD)検出が不可欠である。この研究は、クラスアクティベーションマップ(CAM)が、通常、モデルの予測に非常に関係のある領域を強調しているという観察に動機づけられている。マルチエクイットCAMと特徴マスキングを活用した,新しい教師なしOOD検出フレームワークであるMulti-Exit Class Activation Map (MECAM)を導入する。
論文参考訳（メタデータ） (2025-05-13T14:18:58Z)
Revisiting Medical Image Retrieval via Knowledge Consolidation [46.6989555659494]
本稿では,階層的特徴と機能に関する知識を集約する新しい手法を提案する。本稿では,Depth-aware Representation Fusion (DaRF)とStructure-aware Contrastive Hashing (SCH)を紹介する。解剖学的放射線学データセットの平均精度は5.6～38.9%向上した。
論文参考訳（メタデータ） (2025-03-12T13:16:42Z)
Delving into Out-of-Distribution Detection with Medical Vision-Language Models [14.286027727962104]
医用視覚言語モデルのOOD検出能に関する最初の系統的研究を行った。実世界の課題を正確に反映するために,フルスペクトルOOD検出のためのクロスモーダル評価ベンチマークパイプラインを導入する。 OOD検出性能を大幅に向上させる新しい階層的プロンプトベース手法を提案する。
論文参考訳（メタデータ） (2025-03-02T21:09:51Z)
Advancing Out-of-Distribution Detection via Local Neuroplasticity [60.53625435889467]
本稿では,コルモゴロフ・アルノルドネットワーク(KAN)の局所神経可塑性特性を利用した新しいOOD検出法を提案する。本手法は,トレーニング対象のカンの活性化パターンとトレーニング対象のOOD検出パターンを比較した。画像および医用領域のベンチマークに対するアプローチを検証し、最先端技術と比較して優れた性能と堅牢性を示す。
論文参考訳（メタデータ） (2025-02-20T11:13:41Z)
Can OOD Object Detectors Learn from Foundation Models? [56.03404530594071]
アウト・オブ・ディストリビューション(OOD)オブジェクト検出は、オープンセットのOODデータがないため、難しい課題である。テキストから画像への生成モデルの最近の進歩に触発されて,大規模オープンセットデータを用いて訓練された生成モデルがOODサンプルを合成する可能性について検討した。 SyncOODは,大規模基盤モデルの能力を活用するシンプルなデータキュレーション手法である。
論文参考訳（メタデータ） (2024-09-08T17:28:22Z)
Towards a clinically accessible radiology foundation model: open-access and lightweight, with automated evaluation [113.5002649181103]
オープンソースの小型マルチモーダルモデル(SMM)を訓練し、放射線学における未測定臨床ニーズに対する能力ギャップを埋める。トレーニングのために,697万以上の画像テキストペアからなる大規模なデータセットを組み立てる。評価のために,GPT-4に基づく実測値CheXpromptを提案する。 LlaVA-Radの推論は高速で、単一のV100 GPU上でプライベート設定で実行できる。
論文参考訳（メタデータ） (2024-03-12T18:12:02Z)
On the Out of Distribution Robustness of Foundation Models in Medical Image Segmentation [47.95611203419802]
視覚と言語の基礎は、様々な自然画像とテキストデータに基づいて事前訓練されており、有望なアプローチとして現れている。一般化性能を,同じ分布データセット上で微調整した後,事前学習した各種モデルの未確認領域と比較した。さらに,凍結モデルに対する新しいベイズ不確実性推定法を開発し,分布外データに基づくモデルの性能評価指標として利用した。
論文参考訳（メタデータ） (2023-11-18T14:52:10Z)
Improving Uncertainty-based Out-of-Distribution Detection for Medical Image Segmentation [1.1199585259018459]
Out-of-Distribution (OOD) 画像は、医療画像分析の文脈において重要な課題である。本稿では,バイナリセグメンテーションモデルの予測不確実性に依存する手法が,外部入力の検出に失敗することが多いことを示す。
論文参考訳（メタデータ） (2022-11-10T08:54:40Z)
Confidence-based Out-of-Distribution Detection: A Comparative Study and Analysis [17.398553230843717]
我々は、信頼度に基づくOOD検出のための様々な最先端手法の能力を評価する。まず,コンピュータビジョンベンチマークを用いて複数のOOD検出手法を再現・比較する。次に,胸部X線を用いた疾患分類の課題に対して,その能力を評価する。
論文参考訳（メタデータ） (2021-07-06T12:10:09Z)
SSMD: Semi-Supervised Medical Image Detection with Adaptive Consistency and Heterogeneous Perturbation [47.001609080453335]
SSMD(Semi-Supervised Medical Image Detector)を提案する。 SSMDの背後にあるモチベーションは、各位置での予測を一貫性のあるものにすることで、ラベルのないデータに対して、自由かつ効果的な監視を提供することである。広範な実験結果から,提案したSSMDは,幅広い環境下での最先端性能を実現することが示唆された。
論文参考訳（メタデータ） (2021-06-03T01:59:50Z)

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。