論文の概要: SAGE: Semantic Explainability of Attention-Based Survival Models in Computational Pathology

• arxiv url: http://arxiv.org/abs/2608.02803v1
• Date: Mon, 03 Aug 2026 18:58:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-05 15:30:22.921199
• Title: SAGE: Semantic Explainability of Attention-Based Survival Models in Computational Pathology
• Title（参考訳）: SAGE:計算病理学における注意に基づく生存モデルのセマンティック説明可能性
• Abstract要約: 本稿では,凍結したAMMILモデルからグローバルな言語による説明を抽出するポストホックフレームワークであるSemantic Attention Global Explanations (SAGE)を紹介する。 病理視覚言語モデルを用いて、SAGEは25の組織学的概念の辞書に対して画像パッチをスコアし、モデルの学習された関心に応じてこれらのスコアを集約し、各概念がコホートを越えて予測リスクにどのように関係するかを定量化する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Attention-based multiple instance learning (ABMIL) is the predominant approach for slide-level prediction in computational pathology, yet its attention maps provide only local explanations: they indicate where a model focuses but not which histological features drive its predictions or how the model behaves across a patient cohort. We present Semantic Attention Global Explanations (SAGE), a post-hoc framework that extracts global, language-grounded explanations from a frozen ABMIL model. Using a pathology vision-language model, SAGE scores image patches against a dictionary of 25 histological concepts, aggregates these scores according to the model's learned attention, and quantifies how each concept relates to prediction risk across a cohort. Applied to survival prediction using seven TCGA cancer cohorts and three foundation models, SAGE recovered established prognostic features, such as the adverse association of necrosis, while revealing cancer-specific biology, including a favorable angiogenic signature in renal cell carcinoma consistent with known molecular subtypes. Ablation studies demonstrated that these associations depend on the model's learned attention rather than concept prevalence alone, and that the concept dictionary captures much of the prognostic information encoded by the foundation model features. Through semantically-grounded explanations, SAGE provides a scalable, model-agnostic framework for understanding what ABMIL survival models learn, enabling pathologists to interpret model behavior at the cohort level and offering the potential for biomarker identification.
• Abstract（参考訳）: Attention-based multiple instance learning (ABMIL) は、計算病理学におけるスライドレベルの予測の主要なアプローチであるが、その注意マップは、モデルがどこに焦点を当てているかを示すが、どの組織学的特徴が予測を駆動しているか、モデルが患者コホート全体にわたってどのように振る舞うかを示す。 本稿では,凍結したAMMILモデルからグローバルな言語による説明を抽出するポストホックフレームワークであるSemantic Attention Global Explanations (SAGE)を紹介する。 病理視覚言語モデルを用いて、SAGEは25の組織学的概念の辞書に対して画像パッチをスコアし、モデルの学習された関心に応じてこれらのスコアを集約し、各概念がコホートを越えて予測リスクにどのように関係するかを定量化する。 7つのTCGA癌コホートと3つの基礎モデルを用いた生存予測に応用し、SAGEは壊死の悪関連などの確立した予後の特徴を回復し、既知の分子サブタイプと整合した腎細胞癌における血管新生のサインを含むがん特異的な生物学的特徴を明らかにした。 アブレーション研究では、これらの関連性は、概念の有病率のみではなく、モデルが学習した注意に依存し、概念辞書は基礎モデルの特徴によって符号化された予後情報の多くをキャプチャすることを示した。 セマンティックな説明を通じて、SAGEはAMMIL生存モデルが何を学習するかを理解するためのスケーラブルでモデルに依存しないフレームワークを提供し、病理学者はコホートレベルでモデルの振る舞いを解釈し、バイオマーカーの同定の可能性を提供する。

関連論文リスト

• Multimodal Graph-based Classification of Esophageal Motility Disorders [73.90451172929117]
  食道運動障害の診断は,高分解能インピーダンス測定データの複雑化と臨床解釈の多様性が原因で大きな課題となる。 本研究は,HRIM記録と患者固有の情報を組み合わせたマルチモーダル機械学習に基づく分類手法の実現可能性について検討し,食道生理学のグラフベースモデリングを取り入れた。
  論文  参考訳（メタデータ） (2026-05-13T14:52:12Z)
• 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)
• CytoSAE: Interpretable Cell Embeddings for Hematology [3.4855184894829594]
  スパースオートエンコーダ (SAE) はトランスフォーマーベース基礎モデルの機械的解釈可能性のための有望なツールとして登場した。 本研究では,4万枚以上の末梢血単細胞画像に基づいて,スパースオートエンコーダCytoSAEを提案する。 我々は,CytoSAEの概念が,サブセルレベルで説明可能性を提供しながら,最先端技術に匹敵する性能に達することを示す。
  論文  参考訳（メタデータ） (2025-07-16T17:59:32Z)
• MIRROR: Multi-Modal Pathological Self-Supervised Representation Learning via Modality Alignment and Retention [57.044719143401664]
  病理組織学と転写学は、腫瘍学の基本的なモダリティであり、疾患の形態学的および分子的側面を包含している。 モーダルアライメントと保持を両立させる新しいマルチモーダル表現学習法であるMIRRORを提案する。 がんの亜型化と生存分析のためのTCGAコホートに関する広範囲な評価は,MIRRORの優れた性能を浮き彫りにしている。
  論文  参考訳（メタデータ） (2025-03-01T07:02:30Z)
• Label-free Concept Based Multiple Instance Learning for Gigapixel Histopathology [3.3353153750791718]
  MIL(Multiple Instance Learning)メソッドは、スライドレベルのアノテーションだけで、ギガピクセルのWSI(Whole-Slide Image)解析を可能にする。 本稿では,人間の理解可能な病理概念を用いて説明を生成するWSI分類手法を提案する。
  論文  参考訳（メタデータ） (2025-01-06T11:03:04Z)
• Learning biologically relevant features in a pathology foundation model using sparse autoencoders [2.5919097694815365]
  我々は、病理予知基礎モデルの埋め込みについてスパースオートエンコーダを訓練した。 Sparse Autoencoderの機能は, 解釈可能な, 単意味的な生物学的概念を表す。
  論文  参考訳（メタデータ） (2024-07-15T15:03:01Z)
• Robust and Interpretable Medical Image Classifiers via Concept Bottleneck Models [49.95603725998561]
  本稿では,自然言語の概念を用いた堅牢で解釈可能な医用画像分類器を構築するための新しいパラダイムを提案する。 具体的には、まず臨床概念をGPT-4から検索し、次に視覚言語モデルを用いて潜在画像の特徴を明示的な概念に変換する。
  論文  参考訳（メタデータ） (2023-10-04T21:57:09Z)
• Beyond attention: deriving biologically interpretable insights from weakly-supervised multiple-instance learning models [2.639541396835675]
  本稿では,高精細エンコーダによるタイルレベルのアテンションと予測スコアを組み合わせたPAWマップを提案する。 また, PAWマップと核分割マスクを統合することにより, 生物学的特徴のインスタンス化手法も導入する。 本手法により, 予後不良の予知を行う領域は, 腫瘍部位と同一位置にあることが判明した。
  論文  参考訳（メタデータ） (2023-09-07T09:44:35Z)
• 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)
• ICAM-reg: Interpretable Classification and Regression with Feature Attribution for Mapping Neurological Phenotypes in Individual Scans [3.589107822343127]
  本研究では,生成的深層学習における最近の進歩を活かし,同時分類法,回帰法,特徴帰属法を開発した。 Alzheimer's Disease Neuroimaging InitiativeコホートにおけるMini-Mental State examination (MMSE)認知テストスコア予測のタスクについて検証した。 本稿では,生成したfaマップを用いて異常予測を説明し,回帰加群を組み込むことで潜在空間の不連続性を改善することを示す。
  論文  参考訳（メタデータ） (2021-03-03T17:55:14Z)
• G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for Biomarker Identification and Disease Classification [49.53651166356737]
  診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。 2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
  論文  参考訳（メタデータ） (2021-01-27T19:28:04Z)

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。