論文の概要: With foundation-model features, aggregator complexity does not improve cross-hospital discrimination in gastric whole-slide image classification
- arxiv url: http://arxiv.org/abs/2610.41328v1
- Date: Fri, 30 Oct 2026 06:43:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-02 22:05:31.633776
- Title: With foundation-model features, aggregator complexity does not improve cross-hospital discrimination in gastric whole-slide image classification
- Title（参考訳）: ファンデーションモデルの特徴により、アグリゲーターの複雑さは胃全スライディング画像分類におけるクロスホスピタル識別を改善しない
- Abstract要約: 全身スライディング画像分類器は、通常1つの病院内で開発され、しばしば見えない病院で検査されない。
韓国の5つの病院から5,036haematoxylin-and-eosin-stained stomach slidesを採取した。
位置アライメントと2スケール融合を有する階層型パッチ・リージョン・スライディンググラフアグリゲータ (CHIME-MIL) は, 0.837の受信器動作特性曲線 (AUC) の下で平均値に達した。
- 参考スコア（独自算出の注目度）: 1.4459313380835939
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Whole-slide image classifiers are usually developed within one hospital and often go untested at unseen hospitals. We assembled 5,036 haematoxylin-and-eosin-stained gastric slides from five Korean hospitals, scanned at 20x and 40x, and compared multiple-instance learning aggregators under leave-one-hospital-out validation on frozen pathology foundation-model features. A hierarchical patch-region-slide graph aggregator (CHIME-MIL) with site alignment and two-scale fusion reached a mean area under the receiver operating characteristic curve (AUC) of 0.837, above six conventional attention and transformer aggregators trained without these steps. Under a matched recipe it did not exceed attention-based pooling, and global max pooling given the same alignment and fusion was better (AUC 0.855, P = 0.0002). The alignment, which subtracts each hospital's mean feature vector without labels, onboarded a new hospital from ten unlabelled slides and cost 0.002 AUC without held-out-hospital data, but its accuracy gains were small and inconsistent. The model had low top-label calibration error (0.053) but under-confident malignancy probabilities, and removing its most-attended patches lowered the malignancy probability far more than removing random patches. With these features, more complex aggregators did not improve discrimination; what a deployable system adds is label-free onboarding, calibration checks and auditable evidence.
- Abstract（参考訳）: 全身スライディング画像分類器は、通常1つの病院内で開発され、しばしば見えない病院で検査されない。
韓国の5病院から5,036haematoxylin-and-eosin-stained stomach slidesを採取し,20xおよび40xでスキャンし,凍結病基盤モデルの特徴について,退院1院中における複数インスタンス学習アグリゲータを比較した。
サイトアライメントと2スケール融合を備えた階層型パッチ・リージョン・スライディンググラフアグリゲータ (CHIME-MIL) は, 従来の6つの注意点および変圧器アグリゲータよりも, 0.837の受信動作特性曲線 (AUC) の平均値に達した。
一致したレシピの下では、注意に基づくプーリングを超過せず、同じアライメントと融合が与えられたグローバルマックスプールの方が優れている(AUC 0.855, P = 0.0002)。
ラベル無しで各病院の平均特徴ベクトルを減らしたアライメントは、10個の無ラベルスライドと0.002 AUCの費用で病院に導入されたが、その精度は小さく、矛盾していた。
このモデルでは, トップラベル校正誤差 (0.053) は低いが, 信頼度の低い悪性度確率は低く, 最も注目されるパッチの除去は, ランダムパッチの除去よりもはるかに低かった。
これらの特徴により、より複雑なアグリゲータは差別を改善せず、デプロイ可能なシステムは、ラベルなしのオンボーディング、校正チェック、監査可能な証拠を追加する。
関連論文リスト
- Label-Space Mismatch Distorts Cross-Cohort Evaluation in Breast Cancer Molecular Subtyping [9.078658002826192]
乳がんサブタイプ分類器のクロスコホート評価は、ソースおよびターゲットコホートが異なるアノテーション標準を使用する場合、信頼性が低い。
ラベル空間制限は、TCGA-BRCAとGSE21653において支配的な修正である。
このプロトコルは、内部バリデーションがクロスコホート値をオーバーステートする理由を公開する。
論文 参考訳（メタデータ） (2026-10-18T02:25:47Z) - Missingness-Aware Conformal Prediction Under Cross-Hospital Distribution Shift [0.249477940865956]
本稿では,クロスホスピタル分布シフト下での死亡予測のための不備を考慮した共形キャリブレーション手法を提案する。
それは、独立したサンプルの測定を選択し、その測定が記録されているかどうかによって患者をグループ化し、各グループにモンドリアン校正を適用する。
プールキャリブレーションとは対照的に、選択したグループの平均最悪のグループカバレッジギャップを6つの設定すべてで削減する。
論文 参考訳（メタデータ） (2026-09-25T04:04:14Z) - Auditing Bayesian Graph Alignment: Diagnostic Comparisons and Reference Failure [0.0]
3つのサンプルとスコア,限界,指標,カテゴリー,分類器に基づく診断を比較した。
また, 誤差が967に近づいたにもかかわらず, ほぼゼロに一致しない共通開始鎖も示している。
これらの結果は、有限予算の限界、診断ランク、基準合意を精度の証拠として識別しながら、割当感性監査を支援する。
論文 参考訳（メタデータ） (2026-09-19T22:19:09Z) - Open ultrasound foundation model for robust segmentation and clinical measurement across heterogeneous settings [66.3653308198376]
SonoCorpusは、24の臨床応用と17の国にまたがる53のパブリックデータセットから、456,963のイメージと1,626,085のエキスパートマスクを統合するオープンリソースである。
SonoBaseは、事前にトレーニングされたインタラクティブセグメンテーション基盤モデルである。
論文 参考訳（メタデータ） (2026-09-16T15:34:21Z) - Post-Operative Glioma Segmentation via Loss Stabilization, Normalization and Subspace Attention [46.03321798937855]
ドメインシフトの際,GDL(Generalized Dice Loss)が不安定であることを示す。
本稿では,ボトルネック機能を再校正するサブスペース・アウェア・クラス・アテンション(SACA)モジュールを提案し,腫瘍の感度を8%向上させる。
論文 参考訳（メタデータ） (2026-07-23T09:59:30Z) - Modeling Normal Is All You Need: Joint Latent Clustering for Anomaly Detection in Multimodal Cyber-Physical Systems [47.027290803102666]
通常の行動は、多くの不均衡で、曲がりくねった、細い範囲の運営体制の結合である。
我々は正規法則を、共同学習された潜在表現と明示的なガウス混合モードクラスタリングでモデル化する。
ポイント調整のない生のポイントワイドメトリクス、自明な検出困難分割、頻度整合F1、列車正規化のみのキャリブレーションを意図的に評価する。
論文 参考訳（メタデータ） (2026-07-07T10:10:00Z) - A Controlled Audit of Pretraining Contamination in Public Medical Vision-Language Benchmarks [46.43161388634735]
医用視覚言語モデル(VLM)は、画像と質問応答ペアが何年も無料でダウンロードされている公開ベンチマークで評価される。
SLAKE-En,PathVQA,VQA-RAD,および4つの検出器ファミリを用いたOmniMedVQAミラーのオープンVLMを検査した。
論文 参考訳（メタデータ） (2026-06-08T18:40:10Z) - MedFL-Stress: A Systematic Robustness Evaluation of Federated Brain Tumor Segmentation under Cross-Hospital MRI Appearance Shift [0.0]
統合学習は、患者データを共有することなく、病院がセグメンテーションモデルを協調的に訓練することを可能にする。
現在の評価プロトコルでは、クライアント間での平均的なパフォーマンスのみを報告し、個々のサイトの障害をマスキングしている。
MedFL-Stress(リンク)は、この障害モードを正確に公開する、制御されたストレステストフレームワークである。
論文 参考訳（メタデータ） (2026-05-09T16:04:54Z) - Hide-and-Seek Attribution: Weakly Supervised Segmentation of Vertebral Metastases in CT [68.09387763135236]
脊椎レベルの健康・悪性のラベルにのみ、病変マスクを伴わずに訓練を施した弱い指導方法を提案する。
マスクの監視がないにも関わらず,強い爆発・解析性能を達成する。
論文 参考訳（メタデータ） (2025-12-07T14:03:28Z) - MeCaMIL: Causality-Aware Multiple Instance Learning for Fair and Interpretable Whole Slide Image Diagnosis [40.3028468133626]
MIL(Multiple Case Learning)は、コンピュータ病理学における全スライド画像(WSI)解析の主流パラダイムとして登場した。
因果関係を意識したMILフレームワークである textbfMeCaMIL は、構造化因果グラフを通じて、階層的共同創設者を明示的にモデル化する。
MeCaMILは優れた公正性を達成する -- 人口格差の分散は、属性全体の平均で65%以上減少する。
論文 参考訳（メタデータ） (2025-11-14T06:47:21Z)
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。