論文の概要: Scalable Bayesian Gaussian Process Classification for Cancer Histopathology: Calibrated Uncertainty Under Distribution Shift
- arxiv url: http://arxiv.org/abs/2611.07127v1
- Date: Wed, 04 Nov 2026 20:51:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-06 21:50:50.450008
- Title: Scalable Bayesian Gaussian Process Classification for Cancer Histopathology: Calibrated Uncertainty Under Distribution Shift
- Title(参考訳): 癌組織学におけるスケーラブルベイズガウス過程の分類 : 分布変化による不確かさの校正
- Abstract要約: スケーラブルなベイズガウスプロセス分類フレームワークを提案する。
凍結病基盤モデル埋め込み(Phikon)で機能する。
低ランクカーネル因子化のためのRandomly Pivoted Cholesky、後続サンプリングのためのハミルトンモンテカルロ、予測のためのピボット・アズ・インジェクション・ポイント・スキームを組み合わせる。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Reliable uncertainty quantification is essential for clinical deployment of cancer diagnosis models, yet neural networks and variational Gaussian process methods can produce overconfident predictions, particularly under the distribution shifts that arise when models trained at one hospital are applied at another. We present a scalable Bayesian Gaussian Process Classification (GPC) framework that operates on frozen pathology foundation model embeddings (Phikon) and combines accelerated Randomly Pivoted Cholesky (RPCholesky) for low-rank kernel factorization, Hamiltonian Monte Carlo (HMC) with non-centered parameterization for posterior sampling, and a pivots-as-inducing-points scheme for prediction. This makes HMC posterior sampling in the low-rank latent representation tractable at N approximately 300,000 training points, enabling HC-based low-rank GPC on substantially larger datasets than prior MCMC-based demonstrations. We evaluate on two histopathology benchmarks for breast cancer metastasis detection: PCam and CAMELYON17-WILDS, where the latter tests calibration under hospital-level distribution shift. Compared to stochastic variational GP and neural network baselines, our method improves calibration and predictive performance - reducing expected calibration error by up to 88% and false negative rate by up to 90% - with the largest gains appearing under distribution shift, suggesting that HMC-based posterior sampling provides more trustworthy uncertainty estimates for cross-site pathology classification.
- Abstract(参考訳): がん診断モデルの臨床的展開には信頼性の高い不確実性定量化が不可欠であるが、ニューラルネットワークと変分ガウス法は、特にある病院で訓練されたモデルが別の病院で適用されたときに生じる分布シフトの下で、過信的な予測を発生させることができる。
本稿では,フリーズド・パスロジー・ファンデーション・モデル・埋め込み(Phikon)をベースとしたスケーラブルなベイズ・ガウシアン・プロセス分類(GPC)フレームワークについて,低ランクカーネル因子化のためのRandomly Pivoted Cholesky(RPCholesky)と,後方サンプリングのための非中心パラメータ化をハミルトン・モンテカルロ(HMC)と組み合わせ,予測のためのピボット・アズ・インジェクション・ポイント・スキームを提案する。
これにより、約30,000のトレーニングポイントで低ランク遅延表現を抽出可能なHMC後部サンプリングが可能となり、HCベースの低ランクGPCを従来のMCMCベースのデモよりもはるかに大きなデータセット上で実現する。
PCamとCAMELYON17-WILDSの2つの病理組織学的診断基準について検討した。
確率的変動型GPとニューラルネットワークベースラインと比較して,提案手法はキャリブレーションと予測性能を改善し,キャリブレーション誤差を最大88%,偽陰性率最大90%削減する。
関連論文リスト
- A Novel Machine Learning Approach for Central Nervous System Tumor Classification from DNA Methylation [0.0]
NAメチル化プロファイリングは中枢神経系(CNS)腫瘍の分類において強力なアプローチとなっている。
メチル化をベースとしたCNS腫瘍分類のための,新規かつ方法論的に厳密な機械学習手法を提案する。
この結果から,提案手法は,評価設定において従来よりも常に優れていたことが示唆された。
論文 参考訳(メタデータ) (2026-07-01T16:57:58Z) - Investigating the Impact of Histopathological Foundation Models on Regressive Prediction of Homologous Recombination Deficiency [52.50039435394964]
回帰に基づくタスクの基礎モデルを体系的に評価する。
我々は5つの最先端基礎モデルを用いて、スライド画像全体(WSI)からパッチレベルの特徴を抽出する。
乳房、子宮内膜、肺がんコホートにまたがるこれらの抽出された特徴に基づいて、連続したRDDスコアを予測するモデルが訓練されている。
論文 参考訳(メタデータ) (2026-01-29T14:06:50Z) - Achieving Well-Informed Decision-Making in Drug Discovery: A Comprehensive Calibration Study using Neural Network-Based Structure-Activity Models [4.619907534483781]
薬物と標的の相互作用を予測する計算モデルは、新しい治療薬の開発を加速するための貴重なツールである。
しかし、そのようなモデルはキャリブレーションが不十分であり、信頼性の低い不確実性推定をもたらす。
本研究では,ポストホックキャリブレーション法と不確実な定量化手法を組み合わせることで,モデルの精度とキャリブレーションを向上できることを示す。
論文 参考訳(メタデータ) (2024-07-19T10:29:00Z) - Conformal Approach To Gaussian Process Surrogate Evaluation With
Coverage Guarantees [47.22930583160043]
適応型クロスコンフォーマル予測区間を構築する手法を提案する。
結果として生じる共形予測区間は、ベイズ的信頼性集合に類似した適応性のレベルを示す。
原子炉の蒸気発生器における閉鎖現象の高コスト・評価シミュレータのサロゲートモデリングの文脈において, 本手法の適用可能性を示す。
論文 参考訳(メタデータ) (2024-01-15T14:45:18Z) - Neural parameter calibration and uncertainty quantification for epidemic
forecasting [0.0]
感染パラメータの確率密度を学習する問題に対して,新しい強力な計算手法を適用した。
ニューラルネットワークを用いて、2020年にベルリンで発生した新型コロナウイルスの感染拡大に関するデータにODEモデルを調整します。
本手法は,感染の簡易SIRモデルにおいて,本手法の真の後部への収束を示すとともに,縮小データセット上での学習能力を実証する。
論文 参考訳(メタデータ) (2023-12-05T21:34:59Z) - Semi-supervised ViT knowledge distillation network with style transfer
normalization for colorectal liver metastases survival prediction [1.283897253352624]
本稿では,H&EおよびHPSで染色した組織学的スライドを用いて,自動予後予測のためのエンドツーエンドアプローチを提案する。
まずGAN(Generative Adversarial Network)を用いてスライス正規化を行い、染色のばらつきを低減し、予測パイプラインへの入力として使用される画像の全体的な品質を向上させる。
転移性結節および周囲組織から抽出した特徴を利用して予後モデルを訓練し,同時に知識蒸留フレームワークで視覚変換器(ViT)を訓練し,予後予測の性能を再現し,向上させる。
論文 参考訳(メタデータ) (2023-11-17T03:32:11Z) - Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based
Sparse PCA Network [93.22587316229954]
ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。
我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
論文 参考訳(メタデータ) (2021-10-27T19:28:36Z) - Scalable Marginal Likelihood Estimation for Model Selection in Deep
Learning [78.83598532168256]
階層型モデル選択は、推定困難のため、ディープラーニングではほとんど使われない。
本研究は,検証データが利用できない場合,限界的可能性によって一般化が向上し,有用であることを示す。
論文 参考訳(メタデータ) (2021-04-11T09:50:24Z) - Bayesian optimization assisted unsupervised learning for efficient
intra-tumor partitioning in MRI and survival prediction for glioblastoma
patients [13.263919134911237]
本稿では,クラスタリングアルゴリズムを微調整し,安定したサブリージョンを同定し,信頼性の高い臨床生存予測を行う機械学習フレームワークを提案する。
腫瘍の亜領域を分割し,亜領域の特徴を抽出することにより,腫瘍内不均一性の先行知識を取り入れた。
論文 参考訳(メタデータ) (2020-12-05T20:29:53Z) - Unlabelled Data Improves Bayesian Uncertainty Calibration under
Covariate Shift [100.52588638477862]
後続正則化に基づく近似ベイズ推定法を開発した。
前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
論文 参考訳(メタデータ) (2020-06-26T13:50:19Z)
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。