計算病理学のマルチモーダルモデル：表現学習と画像圧縮

要約: Whole slide imaging (WSI) は、ギガピクセル級の病理組織画像の計算分析を可能にすることで、デジタル病理学を一変させました。最近の基盤モデルの進歩は、計算病理学の進展を加速させ、病理画像、臨床レポート、および構造化データを横断した共同推論を促進しています。これまでの進展にもかかわらず、課題は残っています。WSI の極端な解像度は視覚学習に対する計算上の障害を生み出します。専門家の注釈が限られているため、教師ありアプローチは制約されます。生物学的解釈可能性を保ちながらマルチモーダル情報を統合することは依然として難しく、超長い視覚シーケンスのモデリングの不透明さが臨床の透明性を妨げます。本レビューは、マルチモーダル計算病理学における最近の進歩を網羅的に調査します。私たちは体系的に四つの研究方向を分析します: (1) WSIs の自己教師あり表現学習と構造認識を取り入れたトークン圧縮; (2) マルチモーダルデータ生成と拡張; (3) パラメータ効率の高い適応と推論を強化した few-shot 学習; (4) 信頼性の高い診断のためのマルチエージェント協調推論。特に、トークン圧縮がクロススケールモデリングを可能にする方法と、マルチエージェント機構が病理医の「Chain of Thought（思考の連鎖）」を倍率を跨いでシミュレートし、不確実性を考慮したエビデンス融合を達成する仕組みを検討します。最後に、未解決の課題について議論し、今後の進展は高解像度の視覚データと臨床・生物医学知識を統合する統一的なマルチモーダルフレームワークに依存すると述べ、解釈可能で安全なAI支援診断を支えるものとします。