論文の概要: Seeing Beyond the Lesion: Disease Recognition from Reactive CNS Tissue

• arxiv url: http://arxiv.org/abs/2609.02390v1
• Date: Wed, 02 Sep 2026 10:02:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-03 17:53:18.224508
• Title: Seeing Beyond the Lesion: Disease Recognition from Reactive CNS Tissue
• Title（参考訳）: 病変を超えて見る:反応性CNS組織からの疾患認識
• Abstract要約: 我々は4つの病理基盤モデルを、共有注意に基づく学習フレームワーク内の凍結パッチエンコーダとしてベンチマークする。 まず,スライドサイズだけで粗い疾患カテゴリー予測が再現可能であることを示す。 驚くべきことに、パフォーマンスはすべての基礎モデルエンコーダ間で統計的に区別できない。
• 参考スコア（独自算出の注目度）: 1.2182821723492487
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Sampling error yields exclusively reactive, non-lesional brain parenchyma in a significant proportion of intracranial biopsies, leaving the underlying disease undiagnosed. We benchmark four pathology foundation models (UNI2-h, Virchow2, Prov-GigaPath, H-optimus-0) as frozen patch encoders within a shared attention-based multiple-instance learning framework using 245 whole-slide images from 186 patients with confirmed downstream diagnoses. We first show that coarse disease-category prediction can be reproduced largely from slide size alone. After restricting classification to three finer diagnostic distinctions within common tissue categories, this confound no longer explains performance, yet disease labels remain predictable above chance under permutation testing (p $\le 10^{-4}$ throughout). Surprisingly, performance is statistically indistinguishable across all foundation-model encoders, suggesting that recovering these weak morphological signatures is not limited by current patch representations. Signed instance-contribution maps and expert review further test whether predictive evidence localizes to reactive parenchyma rather than sampling-induced bias like blood introduced during tissue sampling. These results position acquisition-shortcut auditing via a provenance-only baseline as a necessary control in computational-pathology benchmarks, and show, once that confound is removed, that weakly supervised models still recover disease signal from tissue conventionally regarded as non-diagnostic.
• Abstract（参考訳）: サンプリングエラーは、頭蓋内生検のかなりの割合で、排他的でない脳性発作を排他的に引き起こし、基礎疾患は未診断のままである。 下流診断を確認された186症例の245枚の全スライディング画像を用いて,4つの病理基盤モデル (UNI2-h, Virchow2, Prov-GigaPath, H-optimus-0) を,共有注意に基づくマルチインスタンス学習フレームワーク内の凍結パッチエンコーダとしてベンチマークした。 まず,スライドサイズだけで粗い疾患カテゴリー予測が再現可能であることを示す。 共通組織カテゴリ内の3つのより細かい診断に分類を制限した後、このコンファウンドはパフォーマンスを説明できないが、順応試験(p$\le 10^{-4}$全体)では、疾患ラベルは予測可能である。 驚くべきことに、性能はすべての基礎モデルエンコーダ間で統計的に区別できないため、これらの弱い形態的シグネチャの復元は現在のパッチ表現によって制限されない。 署名されたインスタンスコントリビューションマップと専門家は、組織サンプリング中に導入された血液のようなサンプリング誘起バイアスではなく、予測的証拠が反応性発作に局在するかどうかをさらに検証した。 これらの結果から, 従来の非診断的とみなされた組織から, 弱い教師付きモデルによる疾患信号の回収が継続していることが示唆された。

関連論文リスト

• Evaluating the Diagnostic Robustness of Vision-Language Models Under Visual and Textual Perturbations [3.765860543344957]
  証拠保存摂動下での4つのVLMファミリーの診断的ロバスト性について検討した。 以上の結果から,48.9%のケースで予測反転を示すモデルを用いて,プレゼンテーション順序安定性の重大な脆弱性を明らかにした。
  論文  参考訳（メタデータ） (2026-08-05T14:09:55Z)
• Beyond Local Inspection: Global, Guideline-Grounded Evaluation of Post-hoc XAI Methods for ECG Classification [0.0]
  本報告では, 心室筋電図から心室筋電図を抽出し, 臨床的に定義された関心領域に対して評価する枠組みを提案する。 その結果,コンピュータビジョンから転送される手法の体系的失敗が明らかになった。 13の手法のうち9つは、少なくとも1つの条件で失敗し、パターン間の不整合性を示す。
  論文  参考訳（メタデータ） (2026-07-27T06:16:28Z)
• Testing the Test: Score-Direction Instability in Class-Split Anomaly Detection [56.362776482614976]
  データセット内のクラス分割評価は、完全に非条件のアウト・オブ・ディストリビューション異常検出のプロキシとして広く利用されている。 このプロトコルは、保持された異常クラスが表現空間の通常の混合と重なり合う場合、悪用される可能性があることを示す。 そこで本研究では,Fashion-MNIST,CIFAR-10,Imagenette間のスコア方向不安定性を予測する。
  論文  参考訳（メタデータ） (2026-05-23T06:27:42Z)
• A Comprehensive Benchmark of Histopathology Foundation Models for Kidney Digital Pathology Images [1.4862538939484244]
  病理組織基盤モデル(HFM)は、大規模ながんデータセットで事前訓練されている。 複数の染色物にまたがる11の腎特異的下流領域における11のHFMについて検討した。 その結果,中等度な中等度腎形態を呈し,中等度から強度に改善した。
  論文  参考訳（メタデータ） (2026-03-16T22:37:43Z)
• NOVA: A Benchmark for Anomaly Localization and Clinical Reasoning in Brain MRI [11.644236197583405]
  多くの現実世界のアプリケーションでは、デプロイされたモデルは、トレーニング中に見られるデータとは異なる入力に遭遇する。 私たちは、281の稀な病理と異質な取得プロトコルにまたがる、困難で現実的な900ドルの脳MRIスキャンである、NOVA$を提示します。 それぞれのケースには、豊富な臨床物語と、二重盲検の専門家境界ボックスアノテーションが含まれる。 NOVAはトレーニングに使用されないため、アウト・オブ・ディストリビューションの一般化において、$extreme$ stress-testとして機能する。
  論文  参考訳（メタデータ） (2025-05-20T08:10:57Z)
• Rescuing referral failures during automated diagnosis of domain-shifted medical images [17.349847762608086]
  異なる人口層から取得した医療画像や、別の技術を用いて測定した場合、最先端の領域一般化アプローチでさえ、参照中に深刻な失敗を犯すことが示される。 我々は,これらの障害を解消し,大幅な性能向上を実現する,ロバストな一般化とポストホック参照アプローチの新たな組み合わせを評価する。
  論文  参考訳（メタデータ） (2023-11-28T13:14:55Z)
• Less is More: Adaptive Curriculum Learning for Thyroid Nodule Diagnosis [50.231954872304314]
  不整合ラベルによるサンプルの発見と破棄を適応的に行うAdaptive Curriculum Learningフレームワークを提案する。 また、TNCD: Thyroid Nodule Classification データセットも提供します。
  論文  参考訳（メタデータ） (2022-07-02T11:50:02Z)
• Automated SSIM Regression for Detection and Quantification of Motion Artefacts in Brain MR Images [54.739076152240024]
  磁気共鳴脳画像における運動アーチファクトは重要な問題である。 MR画像の画質評価は,臨床診断に先立って基本的である。 構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
  論文  参考訳（メタデータ） (2022-06-14T10:16:54Z)
• Assessing glaucoma in retinal fundus photographs using Deep Feature Consistent Variational Autoencoders [63.391402501241195]
  緑内障は症状が重くなるまで無症状のままでいるため、検出が困難である。 緑内障の早期診断は機能的,構造的,臨床的評価に基づいて行われることが多い。 ディープラーニング手法はこのジレンマを、マーカー識別段階をバイパスし、ハイレベルな情報を分析してデータを分類することで部分的に解決している。
  論文  参考訳（メタデータ） (2021-10-04T16:06:49Z)
• 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)
• Weakly-Supervised Cross-Domain Adaptation for Endoscopic Lesions Segmentation [79.58311369297635]
  異なるデータセットにまたがるトランスファー可能なドメイン不変知識を探索できる,新しい弱い教師付き病巣移動フレームワークを提案する。 wasserstein quantified transferability frameworkは、広い範囲の転送可能なコンテキスト依存性を強調するために開発されている。 新規な自己監督型擬似ラベル生成器は、送信困難かつ転送容易なターゲットサンプルの両方に対して、確実な擬似ピクセルラベルを等しく提供するように設計されている。
  論文  参考訳（メタデータ） (2020-12-08T02:26:03Z)
• Semi-supervised Medical Image Classification with Relation-driven Self-ensembling Model [71.80319052891817]
  医用画像分類のための関係駆動型半教師付きフレームワークを提案する。 これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。 本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
  論文  参考訳（メタデータ） (2020-05-15T06:57:54Z)

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。