論文の概要: Exploiting Spatial Structure for Transductive Few-Shot Classification of Whole-Slide Images

• arxiv url: http://arxiv.org/abs/2609.31040v1
• Date: Fri, 25 Sep 2026 09:33:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.327009
• Title: Exploiting Spatial Structure for Transductive Few-Shot Classification of Whole-Slide Images
• Title（参考訳）: 全スライディング画像のトランスダクティブFew-Shot分類のための爆発的空間構造
• Abstract要約: 本稿では,最近のLC-TIMのWSIへの適応であるSlideTIMを提案する。 4つのヒストロジーデータセットで評価され、SlideTIMはTIMの亜種を一貫して上回り、マクロF1は1ショットで最高の競合するベースラインよりも+8.1pp向上した。
• 参考スコア（独自算出の注目度）: 14.98709567497864
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Automating the analysis of whole-slide images (WSIs), a key step in cancer diagnosis, has high clinical value, as it can reduce pathologist's workload while improving diagnosis accuracy. Recently, vision-language models have shown promising performance for patch-level classification without requiring any annotation, yet these zero-shot (ZS) predictions remain noisy on fine-grained tasks and must be further refined. A promising direction is to refine all predictions jointly, i.e., a transductive approach. However, most existing methods are not tailored to WSIs. We thus propose SlideTIM, an adaptation to WSIs of the recent transductive approach LC-TIM, which introduces a combined spatial--latent regularizer together with a prior on the patch class distribution. The former enforces spatially and semantically close patches to receive the same predictions, while the prior calibrates the predicted class proportions. Together, they address the complex spatial organization and the strong class imbalance of WSIs. Evaluated on four histology datasets, SlideTIM consistently outperforms all TIM variants, improving the macro-F1 by +8.1pp over the best competing baseline at 1 shot. Compared to the ZS, it raises the macro-F1 by +19.4pp at 1 shot. The code will be made available after submission.
• Abstract（参考訳）: がん診断における重要なステップである全スライディング画像(WSI)の解析を自動化することは、診断精度を向上させながら、病理医の作業量を削減できるため、臨床的価値が高い。 近年、視覚言語モデルは、アノテーションを必要とせずにパッチレベルの分類に有望な性能を示したが、これらのゼロショット(ZS)予測は、きめ細かなタスクにうるさいままであり、さらに洗練されなければならない。 有望な方向は、全ての予測を共同で洗練すること、すなわちトランスダクティブアプローチである。 しかし、既存のほとんどのメソッドはWSIに合わせていません。 そこで我々は,最近のLC-TIMのWSIへの適応であるSlideTIMを提案する。 前者は、同じ予測を受けるために空間的および意味的に閉じたパッチを強制し、前者は予測されたクラス比率を校正する。 それらは共に、複雑な空間構造とWSIの強いクラス不均衡に対処する。 4つのヒストロジーデータセットに基づいて評価され、SlideTIMはTIMのすべての変種を一貫して上回り、マクロF1は1ショットで最高の競合するベースラインよりも+8.1pp向上した。 ZSと比較してマクロF1は1ショットで+19.4pp上昇する。 コードは提出後利用可能になる。

関連論文リスト

• Whole-Slide Image Analysis under Realistic Few-Shot Annotation Protocols [19.724558192829093]
  本研究では,空間的および生物学的な手がかりを組み合わせ,条件付きランダムフィールドを全スライド画像に適用するSlideCRFを提案する。 また,空間的局所的なクリックとスクリブルに基づく,現実的なアノテーションプロトコルのセットも提供する。
  論文  参考訳（メタデータ） (2026-08-31T08:17:44Z)
• Large-Small Model Collaboration for Zero-Shot Surgical Phase Recognition [45.191945465591374]
  外科的位相認識のためのタスク固有の軽量モデルは、時間的ダイナミクスを捉えるのに優れているが、ドメインシフト下での一般化は不十分である。 textbfLarge-textbfSmall textbfTemporal adaptation (textbfLaST)を提案する。
  論文  参考訳（メタデータ） (2026-08-24T07:06:52Z)
• Distribution-based deep multiple instance learning for tumor proportion scoring in NSCLC [0.0]
  非小細胞肺癌(NSCLC)における腫瘍の割合スコア(TPS)は、治療計画と予後に重要である。 主な課題は、各スライドに注釈をつけるのに必要な面倒な手作業と、このタスクで認定された専門家の限られた数だ。 複数のインスタンス学習(MIL)は、スライドレベルでのTPSスコアを予測する効果的なアプローチであることが証明されている。
  論文  参考訳（メタデータ） (2026-06-25T22:11:29Z)
• Thinking in Scales: Accelerating Gigapixel Pathology Image Analysis via Adaptive Continuous Reasoning [52.41928980786654]
  スライド画像全体に対してトークン効率のよいスケール空間連続推論を可能にするPathCTMを提案する。 PathCTMは診断推論を動的逐次情報追跡として定式化する。 必要な画像パッチの数を95.95%削減し、推論時間を約95.62%短縮し、AUCを劣化せずに維持する。
  論文  参考訳（メタデータ） (2026-05-19T07:46:44Z)
• MOC: Meta-Optimized Classifier for Few-Shot Whole Slide Image Classification [8.74505335529696]
  メタ言語基盤モデル(VLFM)は、ゼロショット適応による全スライド画像(WSI)分類において、データの不足に対処する上で有望であることを示す。 これらの手法は、大規模なデータセットで訓練された従来のマルチインスタンス学習(MIL)アプローチよりも優れています。 既存の少数ショット法では、限定アノテーションによる診断精度が向上しているが、従来の分類器の設計に依存しているため、データの不足に重大な脆弱性が生じる。
  論文  参考訳（メタデータ） (2025-08-13T17:32:42Z)
• AHDMIL: Asymmetric Hierarchical Distillation Multi-Instance Learning for Fast and Accurate Whole-Slide Image Classification [51.525891360380285]
  AHDMILは非対称な階層的蒸留マルチインスタンス学習フレームワークである。 2段階のトレーニングプロセスを通じて、無関係なパッチを排除します。 分類性能と推論速度の両方において、従来の最先端手法を一貫して上回っている。
  論文  参考訳（メタデータ） (2025-08-07T07:47:16Z)
• On the Convergence of DP-SGD with Adaptive Clipping [56.24689348875711]
  勾配クリッピングによるグラディエントDescentは、微分プライベート最適化を実現するための強力な技術である。 本稿では,量子クリッピング(QC-SGD)を用いたSGDの総合収束解析について述べる。 本稿では,QC-SGDが一定閾値クリッピングSGDに類似したバイアス問題にどのように悩まされているかを示す。
  論文  参考訳（メタデータ） (2024-12-27T20:29:47Z)
• Model Inversion Attacks Through Target-Specific Conditional Diffusion Models [54.69008212790426]
  モデル反転攻撃(MIA)は、ターゲット分類器のトレーニングセットからプライベートイメージを再構築することを目的としており、それによってAIアプリケーションにおけるプライバシー上の懸念が高まる。 従来のGANベースのMIAは、GANの固有の欠陥と潜伏空間における最適化の偏りにより、劣った遺伝子的忠実度に悩まされる傾向にある。 これらの問題を緩和するために拡散モデル反転(Diff-MI)攻撃を提案する。
  論文  参考訳（メタデータ） (2024-07-16T06:38:49Z)
• Patient-level Microsatellite Stability Assessment from Whole Slide Images By Combining Momentum Contrast Learning and Group Patch Embeddings [6.40476282000118]
  現在のアプローチでは、WSIから抽出された小さなパッチを最初に分類することで、WSIの高分解能をバイパスしている。 本稿では,WSI の高分解能情報を活用したパッチ埋め込みのモーメントコントラスト学習手法を提案する。 本手法は, パッチレベルの分類法や患者レベルの集計法と比較して, 最大で7.4%精度が向上する。
  論文  参考訳（メタデータ） (2022-08-22T16:31:43Z)
• Efficient and Differentiable Conformal Prediction with General Function Classes [96.74055810115456]
  本稿では,複数の学習可能なパラメータに対する共形予測の一般化を提案する。 本研究は, クラス内において, ほぼ有効な人口被覆率, ほぼ最適効率を実現していることを示す。 実験の結果,提案アルゴリズムは有効な予測セットを学習し,効率を著しく向上できることがわかった。
  論文  参考訳（メタデータ） (2022-02-22T18:37:23Z)

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。