論文の概要: Do Center Biases Propagate? Robustness of Pathology Foundation Models in Whole-Slide Image Classification

• arxiv url: http://arxiv.org/abs/2609.28231v1
• Date: Wed, 23 Sep 2026 14:55:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 00:05:18.080527
• Title: Do Center Biases Propagate? Robustness of Pathology Foundation Models in Whole-Slide Image Classification
• Title（参考訳）: センターバイアスは伝播するか? 全スライディング画像分類における病理基盤モデルのロバスト性
• Abstract要約: クラメールのVで定量化されるクラス中心相関を増大させた制御トレーニング設定を用いてWSI分類におけるロバスト性を評価する。 その結果,PFMによって符号化された中心関連情報がWSIレベルの予測に伝播し,PFM表現とMIL集約戦略の両方に依存するロバスト性を示すことがわかった。
• 参考スコア（独自算出の注目度）: 1.2488173903877113
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Pathology foundation models (PFMs) have transformed computational pathology through powerful representation learning from histopathological images. PFMs provide rich, discriminative representations for whole slide image (WSI) analysis, enabling tasks such as slide-level classification under multiple instance learning (MIL). However, these representations may also encode non-biological signals associated with acquisition centers, potentially introducing spurious shortcuts into downstream predictions. In this work, we evaluate center-associated robustness in WSI classification using a controlled training setting with increasing class-center correlations quantified by Cramér's V. We benchmark six PFMs across four datasets and two MIL aggregators, while evaluating ComBat as a robustification strategy. We further introduce the Area Under the Cramér's V Curve (AUCC) to jointly capture absolute classification performance and its degradation as spurious correlation increases. Results show that center-related information encoded by PFMs propagates to WSI-level predictions, with robustness depending on both the PFM representation and MIL aggregation strategy. Additionally, ComBat harmonization does not provide consistent robustness gains across datasets.
• Abstract（参考訳）: 病理基盤モデル(PFM)は、病理画像からの強力な表現学習を通じて、計算病理を変容させた。 PFMは、スライド画像全体(WSI)解析のためのリッチで差別的な表現を提供し、多重インスタンス学習(MIL)下でのスライドレベルの分類のようなタスクを可能にする。 しかし、これらの表現はまた、買収センターに関連する非生物学的シグナルを符号化し、下流の予測に急激なショートカットを導入する可能性がある。 本研究では,4つのデータセットと2つのMILアグリゲータに対して6つのPFMをベンチマークし,ComBatをロバスト化戦略として評価した。 さらに,クラメロスV曲線(AUCC)の下での絶対分類性能と,急激な相関が増大するにつれてその劣化を共同で把握する領域についても紹介する。 その結果,PFMによって符号化された中心関連情報がWSIレベルの予測に伝播し,PFM表現とMIL集約戦略の両方に依存するロバスト性を示すことがわかった。 さらに、ComBatの調和はデータセット間で一貫した堅牢性をもたらすものではない。

関連論文リスト

• MSA-DCNN: A Data-Efficient Multi-Scale Deformable CNN for Medical Image Classification [1.6566053195631467]
  既存のディープラーニング手法は、固定サンプリングとデータハングリートレーニングにより、マルチスケールのモルフォロジーと限定アノテーションに苦しむ。 MSA-DCNNは、適応型マルチスケールサンプリング、大規模サリエンシ改善、学習用クロススケール融合、および統合最適化スキーム内での補助自己蒸留を導入する、スケール一貫性のある変形型アテンション学習フレームワークである。
  論文  参考訳（メタデータ） (2026-07-07T09:52:46Z)
• Benchmarking histopathology foundation models in a multi-center dataset for skin cancer subtyping [1.927195358774599]
  大規模なドメイン内データセットの事前トレーニングは、履歴病理基盤モデル(FM)にタスクに依存しないデータ表現を学習する能力を与える。 計算病理学では、スライド全体の自動解析には、スライドのギガピクセルスケールのため、複数のインスタンス学習(MIL)フレームワークが必要である。 本研究は,MIL分類フレームワーク内のパッチレベルの特徴抽出器として,病理組織学的FMを評価するための新しいベンチマークを提案する。
  論文  参考訳（メタデータ） (2025-06-23T14:12:16Z)
• Revisiting Automatic Data Curation for Vision Foundation Models in Digital Pathology [41.34847597178388]
  視覚基盤モデル(FM)は、全スライディング画像から抽出された高度に異質なタイルの組織学的特徴を表現することを学ぶ。 タイルレベルでの教師なし自動データキュレーションの可能性について検討し,3億5000万個のタイルを考慮に入れた。
  論文  参考訳（メタデータ） (2025-03-24T14:23:48Z)
• FlowSDF: Flow Matching for Medical Image Segmentation Using Distance Transforms [60.195642571004804]
  本稿では,セグメンテーションマスクの暗黙分布を表現するために,画像誘導型条件付きフローマッチングフレームワークであるFlowSDFを紹介する。 本フレームワークは,セグメンテーションマスクの正確なサンプリングと関連する統計指標の計算を可能にする。
  論文  参考訳（メタデータ） (2024-05-28T11:47:12Z)
• Balanced Classification: A Unified Framework for Long-Tailed Object Detection [74.94216414011326]
  従来の検出器は、分類バイアスによる長期データを扱う際の性能劣化に悩まされる。 本稿では,カテゴリ分布の格差に起因する不平等の適応的是正を可能にする,BAlanced CLassification (BACL) と呼ばれる統一フレームワークを提案する。 BACLは、さまざまなバックボーンとアーキテクチャを持つさまざまなデータセット間で、一貫してパフォーマンス改善を実現している。
  論文  参考訳（メタデータ） (2023-08-04T09:11:07Z)
• The Whole Pathological Slide Classification via Weakly Supervised Learning [7.313528558452559]
  細胞核疾患と病理タイルの空間的相関の2つの病因を考察した。 本研究では,抽出器訓練中の汚れ分離を利用したデータ拡張手法を提案する。 次に,隣接行列を用いてタイル間の空間的関係を記述する。 これら2つのビューを統合することで,H&E染色組織像を解析するためのマルチインスタンス・フレームワークを設計した。
  論文  参考訳（メタデータ） (2023-07-12T16:14:23Z)
• Treatment Learning Causal Transformer for Noisy Image Classification [62.639851972495094]
  本研究では,この2値情報「ノイズの存在」を画像分類タスクに組み込んで予測精度を向上させる。 因果的変動推定から動機付け,雑音画像分類のための頑健な特徴表現を潜在生成モデルを用いて推定するトランスフォーマーに基づくアーキテクチャを提案する。 また、パフォーマンスベンチマークのための幅広いノイズ要素を取り入れた、新しいノイズの多い画像データセットも作成する。
  論文  参考訳（メタデータ） (2022-03-29T13:07:53Z)
• Accuracy on the Line: On the Strong Correlation Between Out-of-Distribution and In-Distribution Generalization [89.73665256847858]
  分布外性能は,広範囲なモデルと分布シフトに対する分布内性能と強く相関していることを示す。 具体的には,CIFAR-10 と ImageNet の変種に対する分布内分布と分布外分布性能の強い相関関係を示す。 また,CIFAR-10-Cと組織分類データセットCamelyon17-WILDSの合成分布の変化など,相関が弱いケースについても検討した。
  論文  参考訳（メタデータ） (2021-07-09T19:48:23Z)
• Revisiting LSTM Networks for Semi-Supervised Text Classification via Mixed Objective Function [106.69643619725652]
  我々は,単純なBiLSTMモデルであっても,クロスエントロピー損失でトレーニングした場合に,競争的な結果が得られるようなトレーニング戦略を開発する。 いくつかのベンチマークデータセット上で,テキスト分類タスクの最先端結果について報告する。
  論文  参考訳（メタデータ） (2020-09-08T21:55:22Z)

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。