論文の概要: Role-Guided MOE for Encoder-Level Pathology Representation Learning in WSI Classification

• arxiv url: http://arxiv.org/abs/2609.34897v1
• Date: Mon, 28 Sep 2026 11:03:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:55:01.86268
• Title: Role-Guided MOE for Encoder-Level Pathology Representation Learning in WSI Classification
• Title（参考訳）: WSI分類におけるエンコーダレベル病理表現学習のためのロールガイドMOE
• Abstract要約: 本稿では,効率的なエンコーダレベルの表現学習のための,病的役割誘導型フィードフォワードネットワーク(MoE-FFN)フレームワークを提案する。 パブリックなBRACSデータセットと5つの代表的なバックボーンにわたるプライベートなPAROTID WSIデータセットの実験は、最強のベースラインよりも一貫した改善を示している。
• 参考スコア（独自算出の注目度）: 17.868357405196964
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Whole slide image classification is a fundamental task in computational pathology, where patch representation quality directly affects downstream aggregation and slide-level discriminability. Pathology foundation models are widely adopted as frozen feature extractors for WSI classification; however, their fixed encoders may produce representations insufficiently adapted to target-specific tissue patterns and discriminative cues. Fine-tuning can improve target adaptation, but introduces a trade-off between pathology-specific representation capacity and adaptation efficiency, particularly in data-scarce settings. To address this, we propose a pathology role-guided mixture-of-experts feed-forward network (MoE-FFN) framework for efficient encoder-level representation learning. We design a two-stage training paradigm to establish and adapt pathology-aware expert specialization. In source-domain expert initialization, pathology-specific priors are distilled from a frozen Virchow2 teacher into a lightweight DINOv2-small student, while role prototypes serve as weak pathological anchors to encourage distinct expert functions. MoE-FFN blocks are introduced into selected high-level transformer layers to provide transformation diversity for heterogeneous pathological patterns. In target-domain adaptation, the initialized experts are refined through asymmetric prototype-guided optimization, enhancing task-relevant positive evidence and separating confusable hard negatives. The resulting encoder extracts offline patch representations that can be directly integrated with standard MIL aggregators. Experiments on the public BRACS dataset and a private PAROTID WSI dataset across five representative backbones demonstrate consistent improvements over the strongest baseline.
• Abstract（参考訳）: 全スライド画像分類は、パッチ表現品質が下流の集約とスライドレベルの識別性に直接影響を与える、計算病理学における基本的な課題である。 病理基盤モデルはWSI分類のための凍結抽出器として広く採用されているが、固定エンコーダは標的特異的組織パターンや識別的手がかりに不適合な表現を生成できる。 微調整は、ターゲット適応を改善することができるが、特にデータスカース設定において、病理特異的表現能力と適応効率のトレードオフをもたらす。 そこで本研究では,効率的なエンコーダレベルの表現学習を実現するために,パスロジカルロール誘導型フィードフォワードネットワーク(MoE-FFN)フレームワークを提案する。 我々は、病理知識専門家専門化の確立と適応のために、2段階の訓練パラダイムを設計する。 ソースドメインの専門家の初期化では、病理学固有の前駆体は凍結したVirchow2教師から軽量のDINOv2小学生に蒸留され、一方、ロールプロトタイプは、異なる専門家機能を促進するために弱い病理アンカーとして機能する。 MoE-FFNブロックは選択された高レベルトランス層に導入され、異種病理パターンに対する変換の多様性を提供する。 目標領域適応では、初期化の専門家は非対称なプロトタイプ誘導最適化、タスク関連正の証明の強化、難解なハードネガティブの分離によって洗練される。 その結果、エンコーダは、標準のMILアグリゲータと直接統合できるオフラインのパッチ表現を抽出する。 パブリックなBRACSデータセットと5つの代表的なバックボーンにわたるプライベートなPAROTID WSIデータセットの実験は、最強のベースラインよりも一貫した改善を示している。

関連論文リスト

• MoASE++: Mixture of Activation Sparsity Experts with Domain-Adaptive On-policy Distillation for Continual Test Time Adaptation [65.068801413044]
  連続的なテスト時間適応は、非定常な未ラベルのターゲットストリームにソース予測モデルを適用する。 ドメインに依存しない構造をドメイン固有のテクスチャから切り離す。
  論文  参考訳（メタデータ） (2026-05-18T01:52:12Z)
• Cross-Modal Semantic-Enhanced Diffusion Framework for Diabetic Retinopathy Grading [7.923081487850825]
  そこで本研究では,糖尿病網膜症(DR)に適応した視覚言語モデルを提案する。 画像特徴と各DRグレードのテキスト記述特徴との間のドット積を計算し、モーダルなセマンティックコンディショニングベクトルを構築する。 APTOS 2019データセットの実験では、提案手法は87.5%の精度で、マクロ平均F1スコアは0.731であり、様々な代表的手法よりも優れていた。
  論文  参考訳（メタデータ） (2026-05-10T00:58:17Z)
• Uncertainty-Guided Selective Adaptation Enables Cross-Platform Predictive Fluorescence Microscopy [65.15943255667733]
  自動深度選択機能付きサブネットワーク画像翻訳ADDA(SIT-ADDA-Auto)について紹介する。 より深い層を凍結しながら、最も初期の畳み込み層のみを適応させることで、信頼できる転送が得られることを示す。 この結果から,マイクロスコープにおけるラベルなし適応の設計規則とフィールド設定のレシピが提供され,コードが公開されている。
  論文  参考訳（メタデータ） (2025-11-15T03:01:05Z)
• FSP-DETR: Few-Shot Prototypical Parasitic Ova Detection [6.732071883787906]
  FSP-DETRは,ロバストな数発検出,オープンセット認識,バイオメディカルタスクの一般化を可能にする統合検出フレームワークである。 本手法は,クラスに依存しないDETRバックボーン上に構築され,元のサポートイメージからクラスプロトタイプを構築し,拡張ビューと軽量トランスフォーマーデコーダを用いて埋め込み空間を学習する。 卵巣、血液細胞、マラリア検出タスクにわたるテストでは、FSP-DETRは以前の数発およびプロトタイプベースの検出器よりも大幅に優れていた。
  論文  参考訳（メタデータ） (2025-10-10T17:38:40Z)
• Ensemble of Pathology Foundation Models for MIDOG 2025 Track 2: Atypical Mitosis Classification [0.0]
  病理基盤モデル(PFM)を大規模病理組織学データセットで事前訓練した。 我々はPFMを補完するために、最先端の畳み込みニューラルネットワークアーキテクチャであるConvNeXt V2を組み込んだ。 我々は,相補的な形態的洞察を統合するために複数のPFMをアンサンブルし,予備評価フェーズデータセット上でバランスの取れた精度を実現した。
  論文  参考訳（メタデータ） (2025-08-29T03:24:57Z)
• 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)
• PathSegDiff: Pathology Segmentation using Diffusion model representations [63.20694440934692]
  そこで我々は,Latent Diffusion Models (LDMs) を事前学習した特徴抽出器として活用する,病理組織像分割の新しい手法であるPathSegDiffを提案する。 本手法は,H&E染色組織像から多彩な意味情報を抽出するために,自己教師型エンコーダによって誘導される病理特異的LCMを用いる。 本実験は,BCSSおよびGlaSデータセットにおける従来の手法よりも大幅に改善されたことを示す。
  論文  参考訳（メタデータ） (2025-04-09T14:58:21Z)
• LoRKD: Low-Rank Knowledge Decomposition for Medical Foundation Models [59.961172635689664]
  知識分解」は、特定の医療課題のパフォーマンス向上を目的としている。 我々はLow-Rank Knowledge Decomposition(LoRKD)という新しいフレームワークを提案する。 LoRKDは、低ランクのエキスパートモジュールと効率的な知識分離畳み込みを組み込むことで、グラデーションを異なるタスクから明確に分離する。
  論文  参考訳（メタデータ） (2024-09-29T03:56:21Z)
• Understanding Token-level Topological Structures in Transformer-based Time Series Forecasting [52.364260925700485]
  Transformer-based method has achieved state-of-the-art performance in time series forecasting (TSF) 既存のトランスフォーマーが中間層全体を通してトークン間の固有位相構造を完全に活用しているかどうかは不明である。 トークンレベルのトポロジを明示的にかつ適応的に保存するトランスフォーマーベースの新しいTSF手法であるトポロジ拡張法(TEM)を提案する。
  論文  参考訳（メタデータ） (2024-04-16T07:21:39Z)
• G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for Biomarker Identification and Disease Classification [49.53651166356737]
  診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。 2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
  論文  参考訳（メタデータ） (2021-01-27T19:28:04Z)

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。