論文の概要: Input- and Feature-Space Correction for Cross-Hospital IHC Grading
- arxiv url: http://arxiv.org/abs/2610.22756v1
- Date: Thu, 15 Oct 2026 23:49:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-20 00:56:07.716432
- Title: Input- and Feature-Space Correction for Cross-Hospital IHC Grading
- Title（参考訳）: クロスホスピタルIHCグレーディングにおける入力空間と特徴空間の補正
- Abstract要約: UNI, Virchow2, 3つのICCマーカー, 6つの指向型クロスホスピタルトランスファーを用いて, 凍結FM符号化前の入力画像と凍結FM符号化後の特徴のラベルなし変換をベンチマークした。
提案したFIX法は,修正無しで最大規模のマクロF1改善を実現し,よく知られた染色正規化技術より優れていた。
FIXと特徴量標準化を組み合わせることで、マクロF1と二次重み付きカッパ(QWK)をそれぞれ0.181と0.208に改善し、修正なしの順序誤差を0.209に削減した。
- 参考スコア（独自算出の注目度）: 8.533818951181368
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Pathology foundation models (FMs) are trained predominantly on hematoxylin and eosin (H&E) images but are increasingly used as frozen feature extractors for immunohistochemistry (IHC), where cross-hospital differences can impair grading. However, systematic comparisons of correction methods for cross-hospital IHC grading remain limited. To address this gap, we benchmark label-free transformations applied to input images before frozen-FM encoding and to features after frozen-FM encoding using UNI and Virchow2, three IHC markers, and six directed cross-hospital transfers, yielding 12 settings. Among the evaluated input-space methods, our proposed method FIX achieved the largest macro-F1 improvement over no correction, outperforming well-known stain normalization techniques. Among feature-space methods, a simple feature-wise standardization achieved the best improvement over no correction, outperforming CORAL. Under patient-averaged tile-level evaluation, combining FIX with feature-wise standardization improved macro-F1 and quadratic weighted kappa (QWK) by 0.181 and 0.208, respectively, and reduced ordinal error by 0.209 relative to no correction. These results show that input- and feature-space transformations can provide complementary benefits for cross-hospital IHC grading with frozen pathology FMs.
- Abstract（参考訳）: 病理基盤モデル(FMs)は主にヘマトキシリンとエオシン(H&E)の画像に基づいて訓練されるが、免疫組織化学(IHC)の凍結抽出剤として利用されやすくなっている。
しかし, クロスホスピタルIHCグレーディングにおける補正手法の系統的比較は依然として限られている。
このギャップに対処するため,UNI と Virchow2 を用いたフリーズFM符号化,3 つの IHC マーカー,および6 つの指向型クロスホスピタルトランスファーを用いて,フリーズFM符号化前の入力画像に適用したラベルなし変換をベンチマークし,12 設定を得た。
評価された入力空間法のうち,提案手法のFIXは,補正無しで最大のマクロF1改善を実現し,よく知られた染色正規化技術より優れていた。
特徴空間法のうち、単純な特徴量標準化は補正無しで最高の改善を達成し、コーラルよりも優れていた。
患者平均タイルレベル評価では, FIXとマクロF1, 二次重み付きカッパ(QWK)をそれぞれ0.181, 0.208で改善し, 修正なしの順序誤差を0.209に低減した。
これらの結果から, 入力空間と特徴空間の変換は, 凍結病的FMを用いたクロスホスピタルIHCグレーディングに相補的な利点をもたらすことが示唆された。
関連論文リスト
- Diagnose-to-Generate: Eliminating Structural Distortions in Flow Models via Patch-Level Grounded Alignment [55.60663579540744]
フローベース画像生成装置は強力なセマンティック合成を実現するが、それでも局所的な構造歪みを生じさせる。
textitDiagnose-to-Generate (D2G) は、画像診断と生成最適化を分離する基盤的アライメントフレームワークである。
論文 参考訳（メタデータ） (2026-10-13T07:37:52Z) - CRISP: Constrained Refinement via Iterative Squeezing Process for Robust Medical Image Segmentation under Domain Shift [7.9644155369405665]
正の領域のランク安定性」は、分布シフトの下で働く仮定である。
テスト時間パラメータの更新やターゲットドメインデータの更新を必要としないモデルに依存しないフレームワークであるCRISPを提案する。
CRISP は HD95 を最大 0.14 に減らして最先端の手法を著しく上回っている。
論文 参考訳（メタデータ） (2026-07-16T17:32:26Z) - Parameter-efficient Prompt Tuning of Vision Foundation Model With Adaptive Focal Loss for Interpretable MCI Screening [1.0195618602298684]
本稿では,3つのモダリティ固有の学習可能なプロンプトトークンによって適応された凍結DINOv2適応モデルを用いたパラメータ効率のよいフレームワークを提案する。
提案したアーキテクチャでは、MCI級F1が0.641、AUCが0.795となり、計算上より重いResViTベースラインのMCI級F1では0.110を上回った。
論文 参考訳（メタデータ） (2026-07-16T14:26:22Z) - Graph Diffusion Residuals for Control-Function Instrumental Variables [82.39671985893028]
高容量の第1段階は治療を補間し、結果方程式の残余情報はほとんど残らない。
フレキシブル制御機能のための決定論的グラフ拡散残差抽出器であるAdaptive Anisotropic Instrumental Heat Flow (A-IHF) について検討した。
A-IHFは、処理を第一段階の特徴のグラフ上の信号として扱い、パイロット拡散を用いて大きな処理ジャンプを検出し、それらのジャンプのコンダクタンスを減衰させ、スパースグラフ分解剤で生成された制御を計算する。
論文 参考訳（メタデータ） (2026-06-12T17:02:53Z) - scHelix: Asymmetric Dual-Stream Integration via Explicit Gene-Level Disentanglement [84.88065404629079]
scHelixは、機能がどのように処理されるかを根本的に変更するデータセット適応フレームワークである。
scHelixは、停止段階のグラフキャッシュを備えたデュアルストリームスパース拡散エンコーダを使用する。
scHelixは最先端のメソッドより優れています。
論文 参考訳（メタデータ） (2026-05-18T15:55:13Z) - 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) - MB-DSMIL-CL-PL: Scalable Weakly Supervised Ovarian Cancer Subtype Classification and Localisation Using Contrastive and Prototype Learning with Frozen Patch Features [0.4094848360328623]
本研究では, 卵巣癌組織像の亜型分類と局所化のための新しいアプローチを提案する。
本手法は,F1得点のインスタンスレベルとスライドレベルをそれぞれ70.4%,F1得点の15.3%,AUC値の16.9%,スライドレベルを2.3%,それぞれ改善した。
論文 参考訳（メタデータ） (2026-02-16T19:33:33Z) - Function-Space Decoupled Diffusion for Forward and Inverse Modeling in Carbon Capture and Storage [65.51149575007149]
本稿では,Fun-DDPSについて述べる。Fun-DDPSは,関数空間拡散モデルと微分可能なニューラル演算子サロゲートを結合した生成フレームワークである。
Fun-DDPSは、ジョイントステートベースラインで観察される高周波アーティファクトから、物理的に一貫した実現をもたらす。
論文 参考訳（メタデータ） (2026-02-12T18:58:12Z) - Benchmarking Dimensionality Reduction Techniques for Spatial Transcriptomics [0.0]
本研究では,空間転写学における次元削減手法の評価のための統一的な枠組みを提案する。
胆管癌Xeniumデータセット上に,PCA,NMF,オートエンコーダ,VAE,ハイブリッド埋め込みの6つの手法をベンチマークした。
論文 参考訳（メタデータ） (2025-09-12T17:27:34Z) - Distilling High Diagnostic Value Patches for Whole Slide Image Classification Using Attention Mechanism [11.920941310806558]
MIL(Multiple Instance Learning)はWSI(Whole Slide Image)分類の分野で広く注目を集めている。
バッグレベルのMILメソッドの欠点は、より冗長なパッチの導入であり、干渉につながる。
我々は,高い診断値のパッチを抽出するAFD-MIL (Feature Respiration Multi-Instance Learning) アプローチを開発した。
論文 参考訳（メタデータ） (2024-07-29T09:14:21Z) - Improving Covariance Conditioning of the SVD Meta-layer by Orthogonality [65.67315418971688]
最寄り直交勾配(NOG)と最適学習率(OLR)を提案する。
視覚認識実験は,共分散条件と一般化を同時に改善できることを実証した。
論文 参考訳（メタデータ） (2022-07-05T15:39:29Z)
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。