論文の概要: HERO: Histology Encoder for Robust Representation in Oncology

• arxiv url: http://arxiv.org/abs/2609.35943v2
• Date: Thu, 01 Oct 2026 20:59:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:29.940832
• Title: HERO: Histology Encoder for Robust Representation in Oncology
• Title（参考訳）: HERO:オンコロジーにおけるロバスト表現のための組織エンコーダ
• Abstract要約: HERO(Histology for Robust Representation in Oncology)は,DINOとiBOTの目標を学習したVT-G/14病理基盤モデルである。 HEROは、最先端基礎モデルの比較において、中心、スキャナー、染色の変動に最も強い堅牢性を示す。
• 参考スコア（独自算出の注目度）: 6.355969537925774
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Foundation models trained on large pathology image corpora now provide strong, transferable representations for computational pathology. Over the past few years a series of such models has been released, each trained on more slides than the last; on standard classification and segmentation benchmarks, the leading models are now separated by small margins. In clinical use, however, the foundation model is applied to images from hospitals, scanners, and staining protocols outside its training data. Encoders generally embed these acquisition factors alongside biological information, which may introduce downstream errors and hinder safe clinical adoption. A pathology foundation model should therefore be robust to acquisition shift without giving up representation quality, yet robustness is seldom the axis along which models are compared. In this report, we introduce HERO (Histology Encoder for Robust Representation in Oncology), a ViT-G/14 pathology foundation model trained with the DINO and iBOT objectives and refined with high-resolution Gram anchoring on a morphology-balanced corpus of 500 million tiles from approximately 575,000 clinical whole-slide images. Across the evaluated public benchmarks, HERO shows the strongest robustness to center, scanner, and stain variation among the compared state-of-the-art foundation models, performs comparably on tile-level classification, segmentation, and gene-expression prediction, ranks first on average across 39 evaluated slide-level clinical tasks, and, under an equal-weighted framework-level analysis, has the best average rank across the six benchmark frameworks.
• Abstract（参考訳）: 大規模な病理画像コーパスに基づいて訓練された基礎モデルは、現在、計算病理学の強力な伝達可能な表現を提供している。 標準分類とセグメンテーションのベンチマークでは、主要なモデルは現在、小さなマージンで分離されている。 しかし、臨床応用においては、基礎モデルはトレーニングデータ以外の病院、スキャナー、染色プロトコルの画像に適用される。 エンコーダは通常、これらの取得因子を生物学的情報と共に埋め込んでおり、下流のエラーを発生させ、安全な臨床導入を妨げる可能性がある。 したがって、病理基盤モデルは、表現品質を諦めることなく、取得シフトに対して堅牢であるべきであるが、モデルの比較する軸にロバスト性は滅多にない。 本報告では,DINOおよびiBOT目標を用いて訓練し,約575,000枚の臨床全スライディング画像から5億個のタイルの形状バランスの取れたコーパスに高分解能グラムアンカーを施したVT-G/14病理基盤モデルであるHERO(Histology Encoder for Robust Representation in Oncology)を紹介する。 評価された公開ベンチマーク全体において、HEROは、比較された最先端基盤モデルの中で、中心、スキャナ、および染色の変動に最も強い堅牢性を示し、タイルレベルの分類、セグメンテーション、遺伝子発現予測で比較可能であり、39の評価されたスライドレベルの臨床タスクで平均1位、同じ重み付きフレームワークレベルの分析では6つのベンチマークフレームワークで最高位である。

関連論文リスト

• DaX: Learning General Pathology Representations Across Scales [11.473742972775455]
  DaXは、DINOv3スタイルの自己教師型学習を全身的な病理組織学に適用する、病理視覚基盤モデルである。 44の公開データセットから161の臨床的意義のあるタスクからなるWSIレベルのベンチマークを構築した。 DaXはタスク間で最高の平均パフォーマンスを達成し、タスクレベルのスコアは一貫して高い。
  論文  参考訳（メタデータ） (2026-06-05T07:21:11Z)
• Investigating the Impact of Histopathological Foundation Models on Regressive Prediction of Homologous Recombination Deficiency [52.50039435394964]
  回帰に基づくタスクの基礎モデルを体系的に評価する。 我々は5つの最先端基礎モデルを用いて、スライド画像全体(WSI)からパッチレベルの特徴を抽出する。 乳房、子宮内膜、肺がんコホートにまたがるこれらの抽出された特徴に基づいて、連続したRDDスコアを予測するモデルが訓練されている。
  論文  参考訳（メタデータ） (2026-01-29T14:06:50Z)
• A Hierarchical Benchmark of Foundation Models for Dermatology [0.39325957466009204]
  皮膚科における現在のベンチマークは、しばしば、複雑な診断分類をフラットな二分分類タスクに還元する。 この過剰な単純化は、モデルが微細な微分診断を行う能力を曖昧にする。 本研究は, 階層型皮膚病変分類のための基礎モデル10から導かれた埋め込みの有用性について検討した。
  論文  参考訳（メタデータ） (2026-01-18T12:38:15Z)
• A Semantically Enhanced Generative Foundation Model Improves Pathological Image Synthesis [82.01597026329158]
  本稿では,組織合成のための相関調整フレームワーク(CRAFTS)について紹介する。 CRAFTSは、生物学的精度を確保するためにセマンティックドリフトを抑制する新しいアライメント機構を組み込んでいる。 本モデルは,30種類の癌にまたがる多彩な病理像を生成する。
  論文  参考訳（メタデータ） (2025-12-15T10:22:43Z)
• Challenges in Deep Learning-Based Small Organ Segmentation: A Benchmarking Perspective for Medical Research with Limited Datasets [1.2648105980808475]
  本研究では,最先端のディープラーニングセグメンテーションモデルの体系的評価について検討する。 その結果, モデル性能はデータ分割に非常に敏感であり, 統計的ノイズによる差は, 真のアルゴリズム上の優越性よりも小さいことがわかった。
  論文  参考訳（メタデータ） (2025-09-07T01:54:20Z)
• A Comprehensive Evaluation of Histopathology Foundation Models for Ovarian Cancer Subtype Classification [1.9499122087408571]
  病理組織学の基礎モデルは、多くのタスクにまたがる大きな約束を示している。 これまでで最も厳格な単一タスクによる病理組織学的基盤モデルの検証を報告した。 病理組織学的基盤モデルは卵巣がんの亜型化に明確な利益をもたらす。
  論文  参考訳（メタデータ） (2024-05-16T11:21:02Z)
• Significantly improving zero-shot X-ray pathology classification via fine-tuning pre-trained image-text encoders [50.689585476660554]
  本稿では,正対損失緩和とランダムな文サンプリングを含む新たな微調整手法を提案する。 提案手法は,胸部X線データセットと3つの事前訓練モデル間のゼロショット病理分類を一貫して改善する。
  論文  参考訳（メタデータ） (2022-12-14T06:04:18Z)

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。