論文の概要: Morphology signal in whole slide image foundation models can automatically triage slides

• arxiv url: http://arxiv.org/abs/2609.01987v1
• Date: Wed, 02 Sep 2026 01:51:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-03 17:53:18.026797
• Title: Morphology signal in whole slide image foundation models can automatically triage slides
• Title（参考訳）: スライド画像基礎モデルにおける形態信号は自動的にスライドをトリアージできる
• Abstract要約: 公開WSIファウンデーションモデル(FM)を用いて、課題を克服するためのパイプラインを提示する。 評価の結果,WSI FM を用いたゼロショット分類の予測に基づくWSI ランキングは,最も腫瘍が多いスライドを正確に識別できることがわかった。 複数のデータセットから,最大43個のスライドを持つ患者を対象とした上位2位のスライドに腫瘍のスライドが同定されていることを示す。
• 参考スコア（独自算出の注目度）: 2.083747827542139
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Patient exams in the cancer diagnosis and staging process typically generate several whole slide images (WSIs). One of the initial steps in training models on WSI data is identifying one or a few slides containing tumor or other diagnostic biomarkers necessary for downstream prediction tasks such as estimating recurrence risk or progression-free survival. This step requires tedious manual curation by experienced pathologists. Many published datasets make the artificial assumption of 1 slide per patient. Alternatively, all slides per patient may be used for model training, which may dilute the signal from the few slides containing tumor or other relevant information. In this paper, we present a pipeline to overcome these challenges using publicly available WSI foundation models (FMs). Our evaluations show that ranking WSIs based on predictions from zero-shot classification using WSI FMs accurately identifies slides with the most tumor, indicating that WSI FMs contain sufficient morphology signal to automatically triage slides. We also present a formulation for ranked evaluation to benchmark FM performance in slide triage. We show, on multiple datasets, that tumor slides are identified in the top-2 ranked slides for patients with up to 43 slides.
• Abstract（参考訳）: がん診断およびステージング過程における患者試験は、通常、いくつかのスライド画像(WSI)を生成する。 WSIデータ上でのトレーニングモデルの最初のステップの1つは、再発リスクや進行のない生存を推定するなどの下流予測タスクに必要な腫瘍やその他の診断バイオマーカーを含む1つまたは数つのスライドを特定することである。 このステップでは、経験豊富な病理学者による退屈な手作業のキュレーションが必要となる。 多くの公表されたデータセットは、患者1人当たり1スライドの人工的な仮定を立てている。 あるいは、患者1人あたりのスライドはすべて、腫瘍やその他の関連する情報を含む数少ないスライドから信号を希釈するモデルトレーニングに使用することができる。 本稿では,WSI基盤モデル(FM)を用いて,これらの課題を克服するためのパイプラインを提案する。 評価の結果,WSI FM を用いたゼロショット分類の予測に基づいてWSI FM のランク付けを行い,この結果から,WSI FM はスライドの自動トリアージを行うのに十分なモルフォロジー信号を含むことが明らかとなった。 また,スライドトリアージにおけるFM性能の評価値の定式化も行った。 複数のデータセットから,最大43個のスライドを持つ患者を対象とした上位2位のスライドに腫瘍のスライドが同定されていることを示す。

関連論文リスト

• MIL vs. Aggregation: Evaluating Patient-Level Survival Prediction Strategies Using Graph-Based Learning [52.231128973251124]
  我々は,WSIおよび患者レベルでの生存を予測するための様々な戦略を比較した。 前者はそれぞれのWSIを独立したサンプルとして扱い、他の作業で採用された戦略を模倣します。 後者は、複数のWSIの予測を集約するか、最も関連性の高いスライドを自動的に識別するメソッドを含む。
  論文  参考訳（メタデータ） (2025-03-29T11:14:02Z)
• PATHS: A Hierarchical Transformer for Efficient Whole Slide Image Analysis [9.862551438475666]
  計算病理学におけるスライドレベルタスクにおける階層的弱教師付き表現学習のための新しいトップダウン手法を提案する。 PATHSは、人間の病理医がスライドを検査し、各倍率レベルでパッチを診断に関連する小さなサブセットにフィルタリングする、クロスマグニフィケーションの方法にインスパイアされている。 PATHSをThe Cancer Genome Atlas(TCGA)の5つのデータセットに適用し、スライドレベルの予測タスクにおいて優れたパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2024-11-27T11:03:38Z)
• Multistain Pretraining for Slide Representation Learning in Pathology [7.564260323883271]
  自己教師付き学習モデルは、全スライド画像の普遍的および伝達可能な表現を学習することができる。 スライド表現学習のためのマルチモーダル事前学習戦略であるMadeleineを導入する。 マドレーヌが様々な下流評価で学んだスライド表現の質を実証する。
  論文  参考訳（メタデータ） (2024-08-05T22:59:50Z)
• WSI-VQA: Interpreting Whole Slide Images by Generative Visual Question Answering [6.315841446240698]
  生成的視覚的質問応答により,スライド画像全体(WSI)を解釈する新しい枠組みを提案する。 WSI-VQAは、様々なスライドレベルのタスクを質問応答パターンで記述することで、普遍性を示す。 8672のスライドレベル質問応答対と977のWSIを含むWSI-VQAデータセットを構築した。
  論文  参考訳（メタデータ） (2024-07-08T04:37:32Z)
• PRISM: A Multi-Modal Generative Foundation Model for Slide-Level Histopathology [9.556246087301883]
  我々は,Virchhowタイルの埋め込みを基盤としたH&E染色組織学のスライドレベル基盤モデルPRISMを提案する。 PRISMは、臨床報告を生成する能力を持つスライドレベルの埋め込みを生成し、いくつかのモードで使用される。 テキストプロンプトを用いて、PRISMは教師付きアグリゲータモデルに近づいたゼロショットがん検出とサブタイピング性能を達成する。
  論文  参考訳（メタデータ） (2024-05-16T16:59:12Z)
• A self-supervised framework for learning whole slide representations [52.774822784847565]
  我々は、全スライド画像のギガピクセルスケールの自己スーパービジョンのためのSlide Pre-trained Transformer (SPT)を提案する。 バイオメディカル・マイクロスコープ・データセットを用いて,5つの診断課題におけるSPT視覚表現のベンチマークを行った。
  論文  参考訳（メタデータ） (2024-02-09T05:05:28Z)
• On the Localization of Ultrasound Image Slices within Point Distribution Models [84.27083443424408]
  甲状腺疾患は高分解能超音波(US)で診断されることが多い 縦断追跡は病理甲状腺形態の変化をモニタリングするための重要な診断プロトコルである。 3次元形状表現におけるUS画像の自動スライスローカライズのためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-01T10:10:46Z)
• Hierarchical Transformer for Survival Prediction Using Multimodality Whole Slide Images and Genomics [63.76637479503006]
  下流タスクのためのギガピクセルレベルのスライド病理画像(WSI)の良質な表現を学習することが重要である。 本稿では,病理画像と対応する遺伝子間の階層的マッピングを学習する階層型マルチモーダルトランスフォーマーフレームワークを提案する。 より優れたWSI表現能力を維持しながら、ベンチマーク手法と比較してGPUリソースが少ないアーキテクチャです。
  論文  参考訳（メタデータ） (2022-11-29T23:47:56Z)
• Modality Completion via Gaussian Process Prior Variational Autoencoders for Multi-Modal Glioma Segmentation [75.58395328700821]
  本稿では,患者スキャンに欠落するサブモダリティを1つ以上のインプットするために,MGP-VAE(Multi-modal Gaussian Process Prior Variational Autoencoder)を提案する。 MGP-VAEは、変分オートエンコーダ(VAE)に先立ってガウス過程(GP)を利用して、被験者/患者およびサブモダリティ相関を利用することができる。 4つのサブモダリティのうち2つ、または3つが欠落している脳腫瘍に対するMGP-VAEの適用性を示す。
  論文  参考訳（メタデータ） (2021-07-07T19:06:34Z)
• Convolutional-LSTM for Multi-Image to Single Output Medical Prediction [55.41644538483948]
  発展途上国の一般的なシナリオは、複数の理由からボリュームメタデータが失われることである。 ヒトの診断過程を模倣したマルチイメージから単一診断モデルを得ることが可能である。
  論文  参考訳（メタデータ） (2020-10-20T04:30:09Z)

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。