論文の概要: Sparse Autoencoders for Expert-Assisted Interpretation of Histopathology Foundation Model Embeddings

• arxiv url: http://arxiv.org/abs/2610.40905v1
• Date: Thu, 29 Oct 2026 19:26:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 22:05:31.479744
• Title: Sparse Autoencoders for Expert-Assisted Interpretation of Histopathology Foundation Model Embeddings
• Title（参考訳）: 病理基盤モデル埋め込みのエキスパート支援解釈のためのスパースオートエンコーダ
• Abstract要約: 病理組織学の基礎モデルは、リッチな埋め込み表現を学習するが、内部構造を検査することは困難である。 埋め込みにおいてバニラとBatch-TopK SAEの変種をトレーニングし、主要な基礎モデルとしてCONCHを用いる。 再現性, 疎度, コヒーレンス, ラベルの充実, 下流階級の信号保存によって得られた潜伏特性を特徴付ける。
• 参考スコア（独自算出の注目度）: 0.5097809301149341
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Histopathology foundation models learn rich embedding representations, but their internal structure remains difficult to inspect. Concept-level interpretability is particularly relevant in computational pathology because pathologists reason through recurring morphological and tissue-level patterns, including tissue architecture, cellular morphology, staining variation, and artifacts. In this work, we investigate whether sparse autoencoders (SAEs) can decompose embeddings from histopathology foundation models into sparse latent features suitable for expert-assisted interpretation. We train vanilla and Batch-TopK SAE variants on NCT-CRC embeddings, using CONCH as the primary foundation model and UNI2-h as an additional robustness evaluation, and characterize the resulting latent features through reconstruction fidelity, sparsity, coherence, label enrichment, and downstream class-signal preservation. The learned sparse representations preserve most downstream tissue-class information, and their latent features retrieve more coherent and label-concentrated patch groups than raw embedding dimensions or PCA components. Discussions with pathology experts further motivated a WSI-level latent visualization workflow that places feature activations into larger tissue context. Overall, the additional UNI2-h evaluation suggests that the observed behavior is not specific to CONCH, supporting the use of sparse autoencoders for expert-assisted analysis of histopathology foundation-model embeddings, while emphasizing that latent features should be treated as candidate concepts requiring pathological assessment rather than automatically validated histopathological concepts.
• Abstract（参考訳）: 病理組織学の基礎モデルは、リッチな埋め込み表現を学習するが、内部構造を検査することは困難である。 なぜなら、病理学者は組織構造、細胞形態、染色変異、アーティファクトなど、組織学的および組織レベルのパターンを繰り返すことによって推論するからである。 本研究では, スパースオートエンコーダ (SAEs) が, 病理基盤モデルから専門家支援解釈に適したスパース潜在機能への埋め込みを分解できるかどうかを検討する。 NCT-CRC埋め込みにおけるバニラとBatch-TopK SAEの変種をトレーニングし,CONCHを基本モデルとし,UNI2-hを付加ロバスト性評価とし,再現性,空間性,コヒーレンス,ラベルエンリッチメント,下流階級信号保存を特徴付ける。 学習されたスパース表現は、ほとんどの下流組織クラス情報を保存し、潜伏した特徴は、生の埋め込み次元やPCA成分よりも、より一貫性とラベルに集中したパッチ群を回収する。 病理の専門家との議論は、機能アクティベーションをより大きな組織コンテキストに配置するWSIレベルの潜伏可視化ワークフローをさらに動機づけた。 全体として、UNI2-hの評価は、観察された行動はCONCHに固有のものではないことを示唆し、病理組織学の基礎モデル埋め込みのエキスパート支援分析にスパースオートエンコーダの使用をサポートするとともに、病理組織学的概念を自動検証するよりも、病理学的概念を必要とする候補概念として、潜伏した特徴を扱うべきであることを強調している。

関連論文リスト

• Class Visualizations and Activation Atlases for Enhancing Interpretability in Deep Learning-Based Computational Pathology [1.5921492981295717]
  トランスフォーマーベース基礎モデルを用いて, クラスビジュアライゼーション (CV) とアクティベーションアトラス (AA) を評価した。 CVは形態学的に異なる組織に対する認識性を保ったが,重複癌サブクラスに対する分離性は低下した。 組織レベルの粗い概念がコヒーレントな領域を形成したのに対し、より微細なサブクラスは分散と重複を示した。
  論文  参考訳（メタデータ） (2026-03-07T12:23:10Z)
• 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)
• PathoHR: Hierarchical Reasoning for Vision-Language Models in Pathology [3.459714932882085]
  現在の視覚言語(VL)モデルは、構造化された病理報告の解釈に必要な複雑な推論を捉えるのに苦労することが多い。 病理領域内での階層的意味理解と構成的推論におけるVLモデルの能力を評価するために設計された新しいベンチマークであるPathoHR-Benchを提案する。 さらに、マルチモーダルコントラスト学習のための拡張および摂動サンプルを生成する、病理特異的なVLトレーニングスキームを導入する。
  論文  参考訳（メタデータ） (2025-09-07T15:42:38Z)
• MIRROR: Multi-Modal Pathological Self-Supervised Representation Learning via Modality Alignment and Retention [57.044719143401664]
  病理組織学と転写学は、腫瘍学の基本的なモダリティであり、疾患の形態学的および分子的側面を包含している。 モーダルアライメントと保持を両立させる新しいマルチモーダル表現学習法であるMIRRORを提案する。 がんの亜型化と生存分析のためのTCGAコホートに関する広範囲な評価は,MIRRORの優れた性能を浮き彫りにしている。
  論文  参考訳（メタデータ） (2025-03-01T07:02:30Z)
• Conformable Convolution for Topologically Aware Learning of Complex Anatomical Structures [38.20599800950335]
  トポロジ的一貫性を明示するために設計された新しい畳み込み層であるConformable Convolutionを紹介する。 Topological Posterior Generator (TPG)モジュールは、重要なトポロジ的特徴を特定し、畳み込み層をガイドする。 本稿では,構造物の相互接続性維持が重要となるセグメンテーション作業におけるフレームワークの有効性を示す。
  論文  参考訳（メタデータ） (2024-12-29T22:41:33Z)
• Pitfalls of topology-aware image segmentation [81.19923502845441]
  我々は、不適切な接続選択、見過ごされたトポロジカルアーティファクト、評価指標の不適切な使用を含むモデル評価における致命的な落とし穴を同定する。 本稿では,トポロジを意識した医用画像分割手法の公正かつ堅牢な評価基準を確立するための,行動可能なレコメンデーションセットを提案する。
  論文  参考訳（メタデータ） (2024-12-19T08:11:42Z)

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。