論文の概要: AutoMIL: Automated Multiple Instance Learning for Whole-Slide Image Classification
- arxiv url: http://arxiv.org/abs/2610.32452v1
- Date: Fri, 23 Oct 2026 10:17:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 01:38:06.492419
- Title: AutoMIL: Automated Multiple Instance Learning for Whole-Slide Image Classification
- Title（参考訳）: AutoMIL: 全スライド画像分類のための複数インスタンスの自動学習
- Abstract要約: AutoMILはオープンソースのフレームワークで、前処理やトレーニング、評価などのパイプラインステップを自動化する。
ベンチマーク評価において、AutoMILはUBC-OCEANで0.94点、PCamで0.99点、TCGA-NSCLCサブセットで0.93-0.96点に達した。
- 参考スコア（独自算出の注目度）: 0.04248174417624451
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Developing multiple instance learning pipelines for the classification of whole-slide images involves many interdependent design decisions and expertise in both pathology and machine learning. We present AutoMIL, an open-source framework that applies principles from the field of automated machine learning to tackle this task by automating integral pipeline steps, such as preprocessing, training and evaluation. In a benchmark evaluation with default settings, AutoMIL reached ROC-AUC scores of 0.94 on UBC-OCEAN, 0.99 on PCam and 0.93-0.96 on a TCGA-NSCLC subset, comparable to specialised pipelines in related work. Ensembling mainly improved performance on imbalanced data, showing that an automated pipeline must adapt to dataset characteristics. AutoMIL thus provides an accessible baseline for whole-slide image classification without manual pipeline configuration.
- Abstract（参考訳）: スライディング画像の分類のための複数のインスタンス学習パイプラインの開発には、病理学と機械学習の両方において、多くの相互依存的な設計決定と専門知識が含まれる。
我々は、自動機械学習の分野から原則を適用したオープンソースのフレームワークAutoMILについて、前処理やトレーニング、評価といったパイプラインステップの自動化によって、この課題に対処する。
デフォルト設定によるベンチマーク評価では、AutoMILはUBC-OCEANで0.94点、PCamで0.99点、TCGA-NSCLCサブセットで0.93-0.96点に達した。
不均衡なデータのパフォーマンスを主に向上させ、自動パイプラインがデータセットの特性に適応する必要があることを示す。
これによりAutoMILは、手動のパイプライン構成なしで、全スライド画像分類のためのアクセス可能なベースラインを提供する。
関連論文リスト
- ScalerEval: Automated and Consistent Evaluation Testbed for Auto-scalers in Microservices [7.4883371370599585]
ScalerEvalは、研究者のオートスケーラのためのエンドツーエンドの自動化と一貫性のあるテストベッドである。
オートスケーラの実装に必要な基本的なインターフェースを統合し、研究者のワンクリック評価をさらに強化する。
論文 参考訳（メタデータ） (2025-04-11T07:18:53Z) - AutoAct: Automatic Agent Learning from Scratch for QA via Self-Planning [54.47116888545878]
AutoActはQAのための自動エージェント学習フレームワークである。
大規模アノテートデータやクローズドソースモデルからの合成計画軌道は依存していない。
論文 参考訳（メタデータ） (2024-01-10T16:57:24Z) - Self-Supervised Representation Learning from Temporal Ordering of
Automated Driving Sequences [49.91741677556553]
本研究では、認識タスクのための地域レベルの特徴表現を事前学習するための時間順述前文タスクであるTempOを提案する。
我々は各フレームを、オブジェクト検出やトラッキングシステムにとって自然な表現である、未順序な特徴ベクトルのセットで埋め込む。
BDD100K、nu Images、MOT17データセットの大規模な評価は、私たちのTempO事前学習アプローチがシングルフレームの自己教師型学習方法よりも優れていることを示している。
論文 参考訳（メタデータ） (2023-02-17T18:18:27Z) - ARLO: A Framework for Automated Reinforcement Learning [36.91138310444942]
本稿では,AutoRLの自動パイプライン構築のためのフレームワーク,すなわちARLO: Automated Reinforcement Learningを提案する。
我々はそのようなパイプラインのPython実装を提供し、オープンソースライブラリとしてリリースしています。
我々の実装は、実証的なLQGドメインと古典的な MuJoCo 環境でテストされている。
論文 参考訳（メタデータ） (2022-05-20T19:16:04Z) - Auto-PyTorch Tabular: Multi-Fidelity MetaLearning for Efficient and
Robust AutoDL [53.40030379661183]
Auto-PyTorchは、完全に自動化されたディープラーニング(AutoDL)を実現するフレームワーク
ディープニューラルネットワーク(DNN)のウォームスタートとアンサンブルのためのマルチフィデリティ最適化とポートフォリオ構築を組み合わせる。
Auto-PyTorchは、いくつかの最先端の競合製品よりもパフォーマンスが良いことを示す。
論文 参考訳（メタデータ） (2020-06-24T15:15:17Z) - Testing the Robustness of AutoML Systems [5.942234058526296]
本稿では,3つのAutoMLシステム,TPOT,H2O,AutoKerasで生成された機械学習パイプラインの堅牢性について検討する。
特に、汚いデータによる精度への影響について検討し、汚いトレーニングデータの使用がより堅牢なソリューションの創出にどう役立つかを考察する。
論文 参考訳（メタデータ） (2020-05-06T08:20:03Z) - AutoFIS: Automatic Feature Interaction Selection in Factorization Models
for Click-Through Rate Prediction [75.16836697734995]
自動特徴相互作用選択(AutoFIS)と呼ばれる2段階のアルゴリズムを提案する。
AutoFISは、目標モデルを収束させるためにトレーニングするのと同等の計算コストで、因子化モデルに対する重要な特徴的相互作用を自動的に識別することができる。
AutoFISはHuawei App Storeレコメンデーションサービスのトレーニングプラットフォームにデプロイされている。
論文 参考訳（メタデータ） (2020-03-25T06:53:54Z)
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。