論文の概要: FedHisto-PAST: Parameter-Efficient Stain-Aware Federated Learning for Cross-Site Lung Histopathology Classification

• arxiv url: http://arxiv.org/abs/2609.31150v1
• Date: Fri, 25 Sep 2026 11:44:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.367231
• Title: FedHisto-PAST: Parameter-Efficient Stain-Aware Federated Learning for Cross-Site Lung Histopathology Classification
• Title（参考訳）: FedHisto-PAST:クロスサイト肺病理組織分類のためのパラメータ効率の良いステイン・アウェア・フェデレーションラーニング
• Abstract要約: 肺病理組織学のクロスサイト分類は, 染色変化, 非IIDクライアントデータ, 欠落クラス, 大きな病理エンコーダの適応コストを考慮しなければならない。 Adenocarcinoma (ACA) , Normal, squamous cell carcinoma (SCC) の3方向分類におけるFedHisto-PAST v2の有用性について検討した。
• 参考スコア（独自算出の注目度）: 2.1300600088983885
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cross-site lung histopathology classification must account for stain variation, non-IID client data, missing classes, and the cost of adapting large pathology encoders. This study evaluates FedHisto-PAST v2 for three-way classification of adenocarcinoma (ACA), Normal, and squamous cell carcinoma (SCC). FedHisto-PAST v2 combines a frozen HIBOU-B foundation model with parameter-efficient adaptation, stain-conditioned paired-view prediction and feature consistency, reliability-aware prototype learning, and adaptive federated aggregation. Experiments used a five-client, non-IID, raw-data-local simulation with fixed internal evaluation, client-level analysis, component ablations, communication accounting, and a development-influenced exploratory LungHist700 cohort. All principal methods achieved near- ceiling internal performance, which limited discrimination on the fixed split. On LungHist700, FedHisto- PAST v2 achieved a Macro-F1 of 0.728560 and a balanced accuracy of 0.730454. Higher recognition of Normal and SCC was accompanied by lower ACA recall, and calibration remained imperfect. Prediction-level consistency was the only component with a clearly supported independent contribution in the external ablation analysis. Feature consistency and prototype regularization showed no conclusive independent overall gains in Macro-F1. The framework updated 1.253841% of the model parameters. The results provide exploratory cross-dataset evidence for stain-aware, parameter-efficient federation; they do not establish formal privacy, patient-level independence, prospective deployment, or clinical validation.
• Abstract（参考訳）: 肺病理組織学のクロスサイト分類は, 染色変化, 非IIDクライアントデータ, 欠落クラス, 大きな病理エンコーダの適応コストを考慮しなければならない。 Adenocarcinoma (ACA) , Normal, squamous cell carcinoma (SCC) の3方向分類におけるFedHisto-PAST v2の評価を行った。 FedHisto-PAST v2は、凍結したHIBOU-B基盤モデルとパラメータ効率適応、ステンドコンディショニングされたペアビュー予測と特徴整合性、信頼性を考慮したプロトタイプ学習、適応的なフェデレーションアグリゲーションを組み合わせたものである。 実験では、固定内部評価、クライアントレベルの分析、コンポーネントの短縮、通信会計、開発に影響を及ぼすLungHist700コホートを含む、5サイクルで非IIDの生データローカルシミュレーションを使用した。 全ての主要手法は、固定分割の識別を制限したほぼ天井に近い内部性能を達成した。 LungHist700では、FedHisto-PAST v2 は Macro-F1 の 0.728560、バランスの取れた精度 0.730454 を達成した。 健常者, SCC の診断では, ACA のリコールが低値であり, 校正は不完全であった。 予測レベルの整合性は, 外部アブレーション解析において, 独立性を持つ唯一の成分であった。 特徴の整合性とプロトタイプの正則化はマクロF1では決定的な独立性は認められなかった。 フレームワークはモデルパラメータの1.253841%を更新した。 以上の結果から, 公式なプライバシ, 患者レベルの独立性, 将来的な展開, 臨床検証を確立できない, ステンドアウェア, パラメータ効率のよいフェデレーションの探索的クロスデータセット証拠が得られた。

関連論文リスト

• FCA-Guided Counterfactual Explanations for Multi-Modal Breast Cancer Diagnosis: A Framework Achieving Perfect Validity with Emergent Sparsity [0.0]
  FCA-Guided Counterfactual (FCA-CF) フレームワークは、形式概念解析(FCA)の概念格子を反事実探索のハード構造制約として利用する。 Wachter-style CF, DiCE, FACE, NICEの4つの真正の正解法を60の良性予測TCGA-BRCAインスタンスで評価した。 FCA-CFフレームワークは、Validity = 1.0000(100%の反事実が予測を反転させることに成功した)、Sparsity = 2.37の機能変更(すべての有効なメソッドの中で最も多い)、Proximity = 0.900を達成する。
  論文  参考訳（メタデータ） (2026-09-17T11:19:26Z)
• Performance vs Consistency: Evaluating a Foundation Model in Lung-RADS Screening [1.998905700404716]
  肺がん検診では、Lung-RADSのような標準化されたフレームワークにもかかわらず、解釈的変異は持続する。 本研究では,Lung-RADS v2022の評価を行う放射線科医に対して,医療汎用基盤モデルであるMedGemmaの評価を行った。 微調整によりAUCは0.83に大幅に向上し、個々の放射線技師のパフォーマンスの低い範囲にモデルを配置した。
  論文  参考訳（メタデータ） (2026-09-13T02:43:46Z)
• Recovering Clinical Utility Under Differential Privacy: Empirical Validation of Adaptive Federated Aggregation on Heterogeneous Cardiovascular Datasets [0.06372261626436676]
  本研究は、FedCVRフレームワークを利用可能な5つのリアル心臓血管データセット上で検証することで、このギャップに対処する。 その結果、FedCVRは実データに対する適応的な優位性を維持しており、F1スコアは79.2%、AUCは0.96であることがわかった。 実データ上で測定されたプライバシーコストは、合成実験で観察された優雅な劣化パターンを確認する。
  論文  参考訳（メタデータ） (2026-07-07T18:51:13Z)
• Trusting Right Predictions for Wrong Reasons: A LIME Based Analysis of Deep Learning Interpretability in Lung Cancer Diagnosis [0.0]
  肺がんはがん関連死亡の主な原因であり、毎年約250万件の新規感染者と18万件の死亡がある。 評価は主に予測精度に焦点を当てており、意思決定プロセスは十分に検証されていない。 本研究では, IQ-OTH/NCCD肺がんCTデータセットをトレーニングした, 畳み込みニューラルネットワーク(CNN), 事前訓練されたResNet50, ビジョントランスフォーマー(ViT)の3つのモデルを比較した。 ResNet50は98.61%の精度、CNN 97.91%の精度、ViT 93.75%の精度を達成した。
  論文  参考訳（メタデータ） (2026-06-14T22:08:31Z)
• Cascade Classification of Dermoscopic Images of Skin Neoplasms with Controllable Sensitivity and External Clinical Validation [36.94429692322632]
  二段式(悪性/良性)、一段式(良性、MEL、SCC、BCC)、二段式(二段式トリアージ、三段式MEL/SCC/BCC)の3種類を比較した。 すべてのモデルはImageNet-pretrained weightsを使用し、オープンなISICアーカイブデータに1つの拡張プロトコルを使用した。 ISIC MILK10kでは、11級の直接分類により平均級感度0.525が得られる。
  論文  参考訳（メタデータ） (2026-06-11T09:55:57Z)
• GOLDMARK: Governed Outcome-Linked Diagnostic Model Assessment Reference Kit [7.891604152731754]
  CB(Computational Biomarker)は、ヘマトキシリン・エオシン(H&E)全スライディング画像(WSI)から抽出した組織由来のパターンで、治療効果や予後を予測する。 臨床応用可能な OncoKB レベル1-3 バイオマーカーラベルを持つTCGAコーホート上に構築された標準化されたベンチマークフレームワークである GOLDMARK を紹介する。
  論文  参考訳（メタデータ） (2026-03-21T15:09:06Z)
• Suppressing Prior-Comparison Hallucinations in Radiology Report Generation via Semantically Decoupled Latent Steering [94.37535002230504]
  本研究では,Semantically Decoupled Latent Steeringと呼ばれる学習自由な推論時間制御フレームワークを開発した。 提案手法は,大言語モデル (LLM) による意味分解による意味のない介入ベクトルを構築する。 本手法は歴史的幻覚の可能性を著しく低下させることを示す。
  論文  参考訳（メタデータ） (2026-02-27T04:49:01Z)
• Transparent Early ICU Mortality Prediction with Clinical Transformer and Per-Case Modality Attribution [42.85462513661566]
  ICU滞在後48時間から, 生理的時系列測定と非構造的臨床記録とを融合した, 軽量で透明なマルチモーダルアンサンブルを提案する。 ロジスティック回帰モデルは、バイタル用双方向LSTMとノート用微調整された臨床ModernBERT変換器の2つのモード固有モデルからの予測を組み合わせる。 MIMIC-IIIベンチマークでは、遅延融合アンサンブルは、よく校正された予測を維持しながら、最高の単一モデルに対する差別を改善する。
  論文  参考訳（メタデータ） (2025-11-19T20:11:49Z)
• PathBench: A comprehensive comparison benchmark for pathology foundation models towards precision oncology [33.51485504161335]
  病理基盤モデル(PFM)の最初の包括的なベンチマークであるPathBenchを紹介する。 我々のフレームワークは大規模データを組み込んで,PFMの客観的比較を可能にする。 当院では10病院で8,549人の患者から15,888件のWSIを収集し,64件以上の診断・予後調査を行った。
  論文  参考訳（メタデータ） (2025-05-26T16:42:22Z)
• Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
  筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。 iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
  論文  参考訳（メタデータ） (2024-07-10T19:17:23Z)
• A Federated Learning Framework for Stenosis Detection [70.27581181445329]
  本研究は,冠動脈造影画像(CA)の狭窄検出におけるFL(Federated Learning)の使用について検討した。 アンコナのOspedale Riuniti(イタリア)で取得した200人の患者1219枚の画像を含む2施設の異種データセットについて検討した。 データセット2には、文献で利用可能な90人の患者からの7492のシーケンシャルな画像が含まれている。
  論文  参考訳（メタデータ） (2023-10-30T11:13:40Z)

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。