論文の概要: Contamination, Prior, or Evidence? Decomposing and Training Evidence Use in Whole-Slide Vision-Language Models

• arxiv url: http://arxiv.org/abs/2609.32185v1
• Date: Sat, 26 Sep 2026 03:19:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-07 19:11:14.770739
• Title: Contamination, Prior, or Evidence? Decomposing and Training Evidence Use in Whole-Slide Vision-Language Models
• Title（参考訳）: 汚染, 優先, エビデンス : 全スライド視覚言語モデルにおけるエビデンス・エビデンス・エビデンス・エビデンス・エビデンス・モデルの構築と訓練
• Abstract要約: 画像および質問側汚染の除去を目的としたTCGAベースのVQAベンチマークを提案する。 Pair-DPOは、同じ質問と情報源から、対実的なスライド対よりも優先的な損失である。 提案手法は,CleanSlideの画像証拠から15.29%を得たが,最も優れたモデルでは2.81%であった。
• 参考スコア（独自算出の注目度）: 15.714715019257149
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Pathology vision-language models (VLMs) are conventionally evaluated by accuracy, but accuracy alone does not measure evidence use: it may conflate dataset contamination, prior knowledge, and image evidence. In a motivating study of lymph-node metastasis prediction, we found that most public pathology VLMs showed minimal differences when changing from feeding the models with whole-slide images, an annotated lesion, or no image at all. To better understand the specific features leveraged by these models, this paper presents two contributions aimed at disentangling these factors. First, we present CleanSlide, a TCGA-based VQA benchmark designed to eliminate image- and question-side contamination. It contains 149K audited multiple-choice questions over 9,985 slides, with patient- and tissue-source-disjoint splits. Every question is audited for option shortcuts, stem leakage, cross-split duplication, and blind solvability. Second, we propose Pair-DPO, a preference loss over counterfactual slide pairs from the same question and source. By controlling for shared confounding factors, Pair-DPO cancels out the question-attributable signal and leaves image evidence as the source of preference. Specifically, each pair consists of two real slides with opposite, verified findings, introducing neither editing artifacts nor unverified labels for diffuse or graded features such as invasion, necrosis, and tumor grade. Experiments show that our method gains 15.29% from image evidence on the CleanSlide, compared with 2.81% for the best published model. On the external CPTAC and BCNB cohorts, our method achieves accuracies of 57.6% and 59.0%, outperforming all other evaluated models by 9.7% and 3.4%, respectively. We will release the benchmark and code.
• Abstract（参考訳）: 病理視覚言語モデル(VLM)は、従来、正確性によって評価されてきたが、正確性だけでは証拠の使用を測定できない。 リンパ節転移予測のモチベーション調査では, 病理組織学的検討の結果, 全身スライディング画像, 注記病変, 全く画像に変化が認められなかった。 本稿では,これらのモデルが活用する特徴をより深く理解するために,これらの要因を解消することを目的とした2つのコントリビューションを提案する。 まず,TCGAをベースとしたVQAベンチマークであるCleanSlideを提案する。 9,985回のスライドで1,99Kの検査結果が得られた。 あらゆる質問は、オプションのショートカット、ステムリーク、クロススプリット重複、ブラインド可解性に対して監査される。 第2に、同じ質問と情報源から、対実的なスライド対よりも優先的な損失であるPair-DPOを提案する。 Pair-DPOは、共起要因を制御することにより、質問帰属シグナルをキャンセルし、画像証拠を好みの源として残す。 具体的には、それぞれのペアは2つの実際のスライドから成り、反対に確認された結果から成り、編集アーティファクトや、浸潤、壊死、腫瘍のグレードなどの拡散またはグレードの特徴を示す未検証ラベルは導入されない。 実験の結果,CleanSlideの画像証拠から15.29%が得られたが,最も優れたモデルでは2.81%であった。 外部CPTACとBCNBコホートでは, 57.6%, 59.0%の精度を達成し, 他の評価モデルの9.7%, 3.4%を上回った。 ベンチマークとコードを公開します。

関連論文リスト

• PathAgentBench: Benchmarking Evidence-Seeking Vision-Language Models on Whole-Slide Pathology Image [16.376573433449458]
  全スライディング画像(WSI)の診断には、診断に関係のある領域を特定し、倍率で調べ、マルチスケールのエビデンスを統合する必要がある。 既存のほとんどの病理ベンチマークは、プリクロップされたパッチや抽出済みのスライド機能に関するモデルを評価し、ギガピクセルのWSIから直接証拠を取得する能力は、ほとんどテストされていない。 PathAgentBenchは,視覚言語モデル(VLM)を4つの補完機能で評価するためのベンチマークである。
  論文  参考訳（メタデータ） (2026-07-21T16:33:44Z)
• Before the Action: Benchmarking LLMs on Prospective Hypothesis Discovery [95.44432473367836]
  大規模言語モデル(LLM)は、事前に特定された質問に答える能力に優れるが、未解決の未解決段階をナビゲートする能力はほとんど測定されていない。 仮説探索(PHD)を導入し,不確定な証拠から,仮説空間を自律的に構築することをモデルに求める。 本稿では,6つの科学的・分析的領域にわたる988ケースのベンチマークであるHypoArenaと,オープンエンド仮説セットの評価フレームワークであるHypoEvalを紹介する。
  論文  参考訳（メタデータ） (2026-07-17T08:56:43Z)
• Model Confidence-Guided Multi-Image Fusion of Fundus Images for Diabetic Retinopathy Diagnosis [0.0]
  医療へのアクセスが制限されている低所得国や中所得国では、早期の眼病検診が重要である。 信頼性誘導型多像性糖尿病網膜症診断フレームワークが画像フィルタリングと信頼度認識予測を統合できるかどうかを検討した。
  論文  参考訳（メタデータ） (2026-07-03T23:48:32Z)
• Medical thinking with multiple images [44.04557445622649]
  我々はMedThinkVQAを紹介した。MedThinkVQAは、複数の画像で考えるためのエキスパートアノテーション付きベンチマークである。 データセットは720のテストケースを含む8,067ケースを含み、1ケースあたり平均6.62イメージである。 テストセットでは、最高のクローズドソースモデルであるClaude-4.6-Opus、Gemini-3-Pro、GPT-5.2-xhighは57.2%、55.3%、54.9%の精度しか達成できなかった。
  論文  参考訳（メタデータ） (2026-04-14T18:51:07Z)
• GRASP-PsONet: Gradient-based Removal of Spurious Patterns for PsOriasis Severity Classification [0.0]
  本稿では,突発的な相関を導入し,問題のあるトレーニングイメージを自動的にフラグするフレームワークを提案する。 フラグ付き画像の8.2%は、保持されたテストセットでモデルAUC-ROCを5%(85%から90%)改善する。 2人の皮膚科医によって評価された訓練データのサブセットに適用した場合、この方法は、レイター間不一致の90%以上を識別する。
  論文  参考訳（メタデータ） (2025-06-27T03:42:09Z)
• DiffDoctor: Diagnosing Image Diffusion Models Before Treating [57.82359018425674]
  DiffDoctorは2段階のパイプラインで、画像拡散モデルがより少ないアーティファクトを生成するのを支援する。 我々は100万以上の欠陥のある合成画像のデータセットを収集し、効率的なHuman-in-the-loopアノテーションプロセスを構築した。 次に、学習したアーティファクト検出器が第2段階に関与し、ピクセルレベルのフィードバックを提供することで拡散モデルを最適化する。
  論文  参考訳（メタデータ） (2025-01-21T18:56:41Z)
• Brain Tumor Classification on MRI in Light of Molecular Markers [56.99710477905796]
  1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。 本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
  論文  参考訳（メタデータ） (2024-09-29T07:04:26Z)

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。