論文の概要: Pathology foundation models for training-free case retrieval in salivary gland tumors
- arxiv url: http://arxiv.org/abs/2610.22087v1
- Date: Thu, 15 Oct 2026 15:40:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-17 06:09:33.165118
- Title: Pathology foundation models for training-free case retrieval in salivary gland tumors
- Title（参考訳）: 唾液腺腫瘍における無訓練症例検索のための病理基礎モデル
- Abstract要約: 病理学者は、興味のある領域を使ってデジタル化されたアーカイブを問い合わせ、ICD-Oコードと対応するWSIとともに形態学的に類似したケースを検索することができる。
ICD-O型12例を対象に, 唾液腺腫瘍の非平衡データセットを用いて, ケースアウトによるアプローチの評価を行った。
- 参考スコア（独自算出の注目度）: 0.6487995031878866
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In pathology, pattern recognition relies on a frame of reference built through extensive training and experience, which may still fall short when encountering rare cancer subtypes. Archives of previously diagnosed tumors often contain relevant precedents, yet identifying the most relevant cases remains challenging. Here we explore whether content-based retrieval with current pathology foundation models facilitates rare cancer diagnostics without any task-specific training. Pathologists can query a digitized archive using a region of interest (ROI) from a whole slide image (WSI) and retrieve morphologically similar cases, along with their ICD-O codes and corresponding WSIs. The ROI can be selected manually or automatically using a gated attention-based multiple instance learning model. We evaluate our approach by leave-one-case-out on an imbalanced dataset of 137 salivary gland tumor cases spanning 12 ICD-O morphology categories, comparing four pathology foundation models (Atlas2, Atlas2-B, Atlas2-S, and UNI2h). Top-1/3/5 retrieval was 62.5%/76.7%/81.3% for Atlas2, 50.2/66.6/72.9% for UNI2h, 52.3%/71.5%/77.6% for Atlas2-B and 54.4/65.2/73.7% for Atlas2-S. Macro-averaged F1 ranged from 69.0% for the smallest model Atlas2-S to 76.6% for the largest model Atlas2 across the five classes with at least ten cases. Our modified Chamfer similarity separated correct from incorrect matches among the Top-5 more reliably for Atlas2 (AUC 0.754) than for Atlas2-B (0.679, p = 0.020) and Atlas2-S (0.653, p = 0.003), but not UNI2h (0.697, p = 0.196). Requiring no additional training or manual annotation, this approach makes departmental archives searchable with pathology foundation models, providing a low-barrier route to case-based differential diagnosis and extending the individual frame of reference to the collective experience of the department.
- Abstract（参考訳）: 病理学では、パターン認識は広範な訓練と経験を通じて構築された参照のフレームに依存しており、稀ながんの亜型に遭遇しても不足する可能性がある。
これまで診断された腫瘍のアーカイブには、しばしば関連する前例が含まれているが、最も関連する症例を特定することは困難である。
本稿では,現在の病理基盤モデルを用いたコンテンツベース検索が,タスク固有のトレーニングを伴わずに,まれながん診断を促進するかどうかを考察する。
病理学者は、関心領域(ROI)をスライド画像全体(WSI)から検索し、ICD-Oコードと対応するWSIとともに形態的に類似したケースを検索することができる。
ROIは、ゲート付アテンションベースのマルチインスタンス学習モデルを使用して、手動または自動で選択することができる。
我々は,12例のICD-O形態分類にまたがる唾液腺腫瘍137例を対象に,Atlas2,Atlas2,Atlas2-B,Atlas2-S,UNI2hの4つの病態基盤モデルを比較した。
トップ1/3/5はアトラス2の62.5%/76.7%/81.3%、UNI2hの50.2/66.6/72.9%、アトラス2-Bの52.3%/71.5%/77.6%、アトラス2-Sの54.4/65.2/73.7%である。
マクロ平均F1は最小モデルのAtlas2-Sでは69.0%、最大モデルのAtlas2では76.6%であった。
修正されたシャンファー類似性は、Atlas2-B (0.679, p = 0.020) やAtlas2-S (0.653, p = 0.003) よりも、Atlas2-B (0.697, p = 0.196) に対して、Top-5 の不正一致と正しく区別されているが、UNI2h (0.697, p = 0.196) ではない。
追加のトレーニングや手動のアノテーションを必要とせず,病的基盤モデルを用いて部署のアーカイブを検索可能とし,ケースベースの鑑別診断への低障壁経路を提供し,部署の総合的な経験に言及する個々のフレームを拡張する。
関連論文リスト
- Morphology-aware deep learning predicts colorectal cancer survival from whole-slide images [3.1412310645948174]
ヘマトキシリンとエオシンの全スライディング画像からの5年間の生存予測は、リスク階層化を支持する可能性がある。
MorphContrastは、モルフォロジーを意識したマルチインスタンス学習フレームワークである。
形態学固有のモデルは、弱いが分布する予後の識別を示す。
論文 参考訳（メタデータ） (2026-10-13T02:22:42Z) - WASP: Weakly Aligned Spatiotemporal Pairs for Fetal Brain MRI-Ultrasound Learning [46.24086098046692]
Weakly Aligned Spatiotemporal Pairs (WASP) は、エントロピー最適輸送問題としてクロスモーダル対応を定式化するためのフレームワークである。
プレトレーニング中にMRIがモデルに見当たらない場合,WASPは最大の利得が得られることを示す。
論文 参考訳（メタデータ） (2026-10-03T15:41:00Z) - Toward Multi-Modal Deep Learning for Pulmonary Disease Classification: A Texture-Based Machine Learning Pilot Study on Public Chest X-Ray Data [0.0]
本稿では, 従来のテクスチャと勾配に基づく特徴表現を用いて, 新型コロナウイルスと他の種類の肺炎を区別する試験的検討を行った。
最良平均精度は75.4%、AUCは0.755であり、71.6%の多数派ベースラインをわずかに上回っている。
これらの結果は,制約を含む透過的に報告し,提案するマルチモーダルディープラーニングアーキテクチャのモチベーションとスコープ化に使用する。
論文 参考訳（メタデータ） (2026-07-29T14:27:26Z) - RareLens: Towards End-to-End Rare Disease Care via Aligning Divergent Large Language Model Reasoning [42.80742579670377]
RareLensは、まれな疾患の軌跡全体にわたる臨床的意思決定を支援するシステムである。
RareBenchは、33のOrphanetカテゴリと7000以上の条件にまたがる157,525件の実際のデータセットである。
検診で0.917、診断と治療で65.5%、89.8%の成績を収めた。
論文 参考訳（メタデータ） (2026-07-25T16:58:10Z) - Atlas 2 - Foundation models for clinical deployment [58.17064730809252]
我々はAtlas 2とAtlas 2-BとAtlas 2-Sを提示する。
我々のモデルは、これまでで最大の病理基盤モデルデータセットでトレーニングされ、スライド画像全体の550万の病理組織学で構成された。
論文 参考訳（メタデータ） (2026-01-08T17:37:00Z) - Atlas: A Novel Pathology Foundation Model by Mayo Clinic, Charité, and Aignostics [61.0008867391683]
本稿では,RudolfVアプローチに基づく新しい視覚基盤モデルであるAtlasを紹介する。
本モデルでは、120万の病理組織像からなるデータセットを用いてトレーニングを行った。
論文 参考訳（メタデータ） (2025-01-09T18:06:45Z) - Problems and shortcuts in deep learning for screening mammography [2.9033848132822726]
この研究は、ディープラーニングモデルの性能と一般化性に関する未解明の課題を明らかにする。
私たちは2008年から2017年にかけて取得された120,112の米国立試験(3,467のがん)の振り返りデータセットに基づいて、がんを分類するAIモデルを訓練した。
11,593人(がん102人,女性7,594人,女性57.1人,女性11.0人),英国1,880人(がん590人,女性1,745人,女性63.3人,女性7.2人)を対象に検診を行った。
論文 参考訳（メタデータ） (2023-03-29T02:50:59Z) - Deep-Learning Tool for Early Identifying Non-Traumatic Intracranial
Hemorrhage Etiology based on CT Scan [40.51754649947294]
深層学習モデルは、2011年1月から2018年4月までに収集された非外傷性ICHを用いた1868個のNCCTスキャンを用いて開発された。
診断成績は臨床医の成績と比較した。
臨床医は, システム拡張による特定の出血エチオロジーの感度, 特異性, 精度を著しく改善した。
論文 参考訳（メタデータ） (2023-02-02T08:45:17Z) - 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) - Deep Learning to Quantify Pulmonary Edema in Chest Radiographs [7.121765928263759]
肺浮腫の重症度を胸部X線写真で分類する機械学習モデルを開発した。
深層学習モデルは、大きな胸部X線写真データセットで訓練された。
論文 参考訳（メタデータ） (2020-08-13T15:45:44Z)
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。