論文の概要: WILSON - a pathology foundation model framework for patient-level analysis and diagnostic text generation
- arxiv url: http://arxiv.org/abs/2609.25123v1
- Date: Sun, 20 Sep 2026 16:01:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-23 18:04:04.040686
- Title: WILSON - a pathology foundation model framework for patient-level analysis and diagnostic text generation
- Title（参考訳）: WILSON - 患者レベルの分析と診断テキスト生成のための病理基盤モデルフレームワーク
- Abstract要約: WILSONは視覚言語基盤モデルであり, 単一多重化複合画像として全スライディング画像と多スライディングケースを表現している。
ウィルソンはスライドレベルのモデルを272倍から2,155倍の計算で最大9.4倍まで大きくした。
- 参考スコア（独自算出の注目度）: 2.6818590550135206
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Pathologists integrate morphology across magnifications and across the slides of a patient case, whereas pathology foundation models encode thousands of tiles from single slides and aggregate their features. Here we present WILSON, a vision--language foundation model that represents whole-slide images and multi-slide cases as single multi-magnification composite images, trained on approximately 189k slides from Mayo Clinic spanning 42 organs and 829 diagnostic entities using pathology reports as supervision. Without task-specific training, WILSON exceeded a dedicated case-level model on all internal cohorts (macro-F1 0.52 versus 0.38) and matched slide-level models up to 9.4 times larger at 272- to 2,155-fold lower compute. End-to-end fine-tuning on 508 triple-negative breast cancer cases improved histologic subtyping and stromal tumor-infiltrating lymphocyte grading by 0.16 and 0.11 macro-F1. WILSON retrieved matching diagnostic text at 75.6% recall@1 (PRISM, 58.1%) and generated captions closer to report-derived references than PRISM and PRISM2 on the internal cohort and on most external comparisons. Composite images thus offer a compact, clinically aligned computational unit for pathology.
- Abstract（参考訳）: 病理学者は、拡大、患者のスライド全体にわたる形態学を統合する一方、病理基盤モデルは単一のスライドから数千のタイルを符号化し、それらの特徴を集約する。
本稿では,42の臓器と829の診断組織にまたがるマヨクリニックの約189kのスライドに対して,病理報告を監督として用いた,全スライディング画像と多スライディングケースを単一のマルチマグニフィケーション複合画像として表現した視覚言語基盤モデルWILSONを提案する。
タスク固有の訓練がなければ、WILSONは全ての内部コホート(macro-F1 0.52 vs 0.38)の専用ケースレベルモデルを超え、272倍から2,155倍の低い計算で最大9.4倍の大きさのスライドレベルモデルと一致した。
508例の3重陰性乳癌に対する終末微調整は, 組織学的亜型と間質腫瘍浸潤リンパ球を0.16および0.11マクロF1にグレードした。
WILSONは75.6%のリコール@1(PRISM, 58.1%)で一致した診断テキストを取得し、内部コホートおよびほとんどの外部比較において、PRISMとPRISM2よりもレポート由来の参照に近いキャプションを生成した。
したがって、複合画像は、病理学のためのコンパクトで臨床的に整合した計算単位を提供する。
関連論文リスト
- A report-grounded vision-language foundation model for colonoscopy from 280000 routine reports [58.14965296904734]
EndoCLIPは125,756の病変レベルの画像テキストペアに基づいて訓練された視覚言語基盤モデルである。
これは、ゼロショットとリニアプローブの両方の設定において、汎用およびバイオメディカルな視覚言語エンコーダよりも優れている。
論文 参考訳（メタデータ） (2026-07-30T16:24:36Z) - MOOZY: A Patient-First Foundation Model for Computational Pathology [17.47449462562058]
コンピュータ病理学には、様々な臨床課題にまたがる全体スライド画像(WSI)基盤モデルが必要である。
患者中心の病態基盤モデルであるMOOZYについて述べる。
論文 参考訳（メタデータ） (2026-03-27T23:33:33Z) - A Knowledge-enhanced Pathology Vision-language Foundation Model for Cancer Diagnosis [58.85247337449624]
本稿では,疾患知識を階層型セマンティックグループ内のアライメントに組み込む知識強化型視覚言語事前学習手法を提案する。
KEEPはゼロショット癌診断タスクにおいて最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2024-12-17T17:45:21Z) - TotalSegmentator MRI: Robust Sequence-independent Segmentation of Multiple Anatomic Structures in MRI [59.86827659781022]
nnU-Netモデル(TotalSegmentator)をMRIおよび80原子構造で訓練した。
予測されたセグメンテーションと専門家基準セグメンテーションとの間には,ディススコアが算出され,モデル性能が評価された。
オープンソースで使いやすいモデルは、80構造の自動的で堅牢なセグメンテーションを可能にする。
論文 参考訳（メタデータ） (2024-05-29T20:15:54Z) - WsiCaption: Multiple Instance Generation of Pathology Reports for Gigapixel Whole-Slide Images [5.960501267687475]
スライド画像全体から病理報告を生成する方法について検討する。
私たちは、最大のWSIテキストデータセット(PathText)をキュレートしました。
モデル終端では、多重インスタンス生成モデル(MI-Gen)を提案する。
論文 参考訳（メタデータ） (2023-11-27T05:05:41Z) - AMIGO: Sparse Multi-Modal Graph Transformer with Shared-Context
Processing for Representation Learning of Giga-pixel Images [53.29794593104923]
本稿では,スライド病理像全体に対する共有コンテキスト処理の新たな概念を提案する。
AMIGOは、組織内のセルラーグラフを使用して、患者に単一の表現を提供する。
我々のモデルは、データの20%以下で同じ性能を達成できる程度に、欠落した情報に対して強い堅牢性を示す。
論文 参考訳（メタデータ） (2023-03-01T23:37:45Z) - Significantly improving zero-shot X-ray pathology classification via fine-tuning pre-trained image-text encoders [50.689585476660554]
本稿では,正対損失緩和とランダムな文サンプリングを含む新たな微調整手法を提案する。
提案手法は,胸部X線データセットと3つの事前訓練モデル間のゼロショット病理分類を一貫して改善する。
論文 参考訳（メタデータ） (2022-12-14T06:04:18Z)
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。