論文の概要: AdaptMIL: Domain Adaptation for Multiple Instance Learning in Digital Pathology

• arxiv url: http://arxiv.org/abs/2610.28007v1
• Date: Tue, 20 Oct 2026 10:52:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.774632
• Title: AdaptMIL: Domain Adaptation for Multiple Instance Learning in Digital Pathology
• Title（参考訳）: AdaptMIL: デジタル病理学における複数インスタンス学習のためのドメイン適応
• Abstract要約: 本稿では,ドメイン適応をMILトレーニングに統合するためのトレーニング戦略であるAdaptMILを提案する。 本稿では,AdaptMILがクロスホスピタル性能を改善し,代替適応法より優れていることを示す。
• 参考スコア（独自算出の注目度）: 46.427480982328454
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Pathology foundation models (PFMs) support a wide range of histopathology tasks on whole-slide images through multiple instance learning (MIL). Despite recent progress, these models remain sensitive to cross-hospital distribution shifts: performance often degrades when a task head (e.g., classification) is trained on data from one hospital and then used on data from another hospital. To address this challenge, we propose AdaptMIL, a training strategy for integrating domain adaptation into MIL training. AdaptMIL is motivated by our finding that directly applying domain adaptation objectives during MIL training can interfere with MIL aggregation learning, often resulting in performance degradation over standard training. AdaptMIL resolves this by decoupling representation-level domain alignment learning from MIL aggregation learning through a two-stage training procedure. We show that AdaptMIL improves cross-hospital performance and outperforms alternative adaptation methods across experiments spanning multiple WSI datasets, tasks, PFMs, MIL architectures, and domain adaptation objectives. AdaptMIL's code will be released upon publication.
• Abstract（参考訳）: 病理基盤モデル (PFMs) は、MIL (Multiple instance learning) を通して、スライディング画像全体に対する幅広い病理学タスクをサポートする。 近年の進歩にもかかわらず、これらのモデルは病院間分布の変化に敏感であり、ある病院のデータに基づいてタスクヘッド(例えば分類)が訓練され、別の病院のデータで使用されると、パフォーマンスは劣化することが多い。 この課題に対処するために、ドメイン適応をMILトレーニングに統合するためのトレーニング戦略であるAdaptMILを提案する。 AdaptMILは、MILトレーニング中にドメイン適応目的を直接適用することで、MIL集約学習を阻害し、多くの場合、標準トレーニングよりもパフォーマンスが劣化する。 AdaptMILは、表現レベルのドメインアライメント学習とMILアグリゲーション学習を2段階のトレーニング手順で分離することで、この問題を解決する。 本稿では、複数のWSIデータセット、タスク、PFM、MILアーキテクチャ、ドメイン適応目標にまたがる実験において、AdaptMILがクロスホスピタル性能を改善し、代替適応手法よりも優れていることを示す。 AdaptMILのコードは公開時に公開される。

関連論文リスト

• Do Multiple Instance Learning Models Transfer? [7.766368937536295]
  マルチ・インスタンス・ラーニング(MIL)は計算病理学における基礎的アプローチである MILはしばしば、小さく、弱く管理された臨床データセットと競合する。 本研究では,事前学習型MILモデルの伝達学習能力を評価する。
  論文  参考訳（メタデータ） (2025-06-10T17:50:04Z)
• A Spatially-Aware Multiple Instance Learning Framework for Digital Pathology [4.012490059423154]
  マルチプル・インスタンス・ラーニング (MIL) は、スライド画像全体を用いた病理学における弱い教師付き分類のための有望なアプローチである。 トランスフォーマーベースMIL(Transformer Based MIL)のような最近の進歩は、空間的コンテキストとパッチ間関係を取り入れている。 本研究では,この問題に対処するための対話対応表現を統合することで,ABMILフレームワークを強化する。
  論文  参考訳（メタデータ） (2025-04-24T08:53:46Z)
• Pathological Prior-Guided Multiple Instance Learning For Mitigating Catastrophic Forgetting in Breast Cancer Whole Slide Image Classification [50.899861205016265]
  乳癌のWSI分類における破滅的忘れを緩和する新しい枠組みであるPaGMILを提案する。 私たちのフレームワークでは、共通のMILモデルアーキテクチャに2つの重要なコンポーネントを導入しています。 複数の乳がんデータセットを対象としたPaGMILの連続学習性能の評価を行った。
  論文  参考訳（メタデータ） (2025-03-08T04:51:58Z)
• MamMIL: Multiple Instance Learning for Whole Slide Images with State Space Models [56.37780601189795]
  本稿では,WSI分析のためのフレームワークMamMILを提案する。 私たちは各WSIを非指向グラフとして表現します。 マンバが1次元シーケンスしか処理できない問題に対処するために、トポロジ対応の走査機構を提案する。
  論文  参考訳（メタデータ） (2024-03-08T09:02:13Z)
• PDL: Regularizing Multiple Instance Learning with Progressive Dropout Layers [2.069061136213899]
  多重インスタンス学習(MIL)は、バッグとして知られるインスタンスのコレクションにバイナリクラスラベルを割り当てようとする、弱い教師付き学習アプローチである。 本稿では,複雑な特徴表現の発見において,MILモデルの過度な適合と強化を図るために,プログレッシブ・ドロップアウト・レイヤ(PDL)という手法を提案する。
  論文  参考訳（メタデータ） (2023-08-19T21:20:30Z)
• Divide and Adapt: Active Domain Adaptation via Customized Learning [56.79144758380419]
  対象インスタンスを成層化可能な4つのカテゴリに分割する新しいADAフレームワークであるDiaNA(Divide-and-Adapt)を提案する。 不確実性とドメイン性に基づく新しいデータ分割プロトコルにより、DiaNAは最も有利なサンプルを正確に認識することができる。 の精神のおかげで、DiaNAはドメインギャップの大きなバリエーションでデータを処理できる。
  論文  参考訳（メタデータ） (2023-07-21T14:37:17Z)
• Learning Instance-Specific Adaptation for Cross-Domain Segmentation [79.61787982393238]
  クロスドメイン画像セグメンテーションのためのテスト時間適応法を提案する。 テスト時に新しい目に見えないインスタンスが与えられると、インスタンス固有のBatchNormキャリブレーションを実行することで、事前トレーニングされたモデルを適用します。
  論文  参考訳（メタデータ） (2022-03-30T17:59:45Z)

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。