要旨: 小児の脳腫瘍について、組織病理学から始めて正確に診断することは、深層学習に特有の課題を伴う。すなわち、深刻なデータ不足、クラス不均衡、そして診断学的に異なるサブタイプ間での微細な形態学的な重なりが挙げられる。病理基盤モデルはパッチレベルの表現学習を進展させてきたものの、限られたデータのもとで弱教師ありの小児脳腫瘍分類に対してそれらを効果的に適応させることは、いまだ十分に検討されていない。本研究では、全スライド画像（WSI）から小児脳腫瘍診断を行うための、専門家ガイドによるコントラスト学習の微調整フレームワークを提案する。我々のアプローチは、コントラスト学習をスライドレベルの多重インスタンス学習（MIL）に統合し、下流の微調整においてスライドレベル表現の幾何学的性質を明示的に正則化することを目的とする。一般的な教師ありコントラスト学習の設定と、さらに臨床的に裏付けられた診断上紛らわしいサブタイプを狙うハードネガティブを組み込む専門家ガイド型の変種の、双方を提案する。現実的な低サンプル条件およびクラス不均衡条件のもとでの、小児脳腫瘍WSI分類に関する包括的な実験を通じて、コントラスト学習の微調整が微細な診断上の識別に対して測定可能な改善をもたらすことを示す。実験的分析では、異なるコントラスト戦略間で補完的な強みがあることが明らかになり、専門家ガイドによるハードネガティブが、よりコンパクトなクラス内表現と、改善されたクラス間分離を促進する。これにより、本研究は、データが乏しい小児病理の状況で頑健な微細分類を実現するためには、スライドレベル表現を明示的に形作ることの重要性を強調する。
弱教師あり全スライド病理画像による小児脳腫瘍分類のための臨床的に情報付けされたモデリング
arXiv cs.CV / 2026/4/24
📰 ニュースDeveloper Stack & InfrastructureModels & Research
要点
- 本論文は、小児脳腫瘍の診断を全スライドのヒストパソロジー画像から行うことを扱い、データ不足・クラス不均衡・診断上区別される亜型間の微細な形態の重なりといった深層学習の課題に焦点を当てています。
- 専門家に導かれたコントラスト学習によるファインチューニング手法として、スライドレベルのMultiple Instance Learning（MIL）にコントラスト学習を統合し、下流での学習中にスライド表現の幾何（geometry）を正則化する枠組みを提案しています。
- 一般的な教師ありコントラスト学習設定に加えて、臨床的に情報付けられた「難しいネガティブ（hard negatives）」を用いて、診断上混同されやすい亜型を狙う専門家ガイド版も提示しています。
- 現実的な少数サンプル条件およびクラス不均衡条件での実験により、コントラスト・ファインチューニングが微細なサブタイプ識別を改善することが示され、特に専門家ガイドのhard negativesはクラス内表現をよりコンパクトにし、クラス間の分離を高めることが分かりました。
- 結論として、データが乏しい小児病理領域における微細分類の頑健性を高めるには、スライドレベルの表現を明示的に形成することが重要であると強調しています。
