全スライド画像予後推定のための効率的な知識移転を実現するハイパーネットワークを用いた疎なタスクベクトルミックスアップ

要旨： 全スライド画像（WSIs）は、がん患者の予後を推定するために広く用いられている。現在の研究は一般にがん種特異的な学習パラダイムに従う。しかし、病理学分野におけるあるがん種の訓練サンプルは通常乏しく、その結果、モデルは一般化可能な知識を学習するのが難しく、固有の高い異質性を持つ腫瘍サンプルに対して性能が低下する。マルチがん種の共同学習や知識移転アプローチは最近検討されているが、それらは大規模な共同訓練や複数モデル間を跨る広範な推論に依存するため、計算効率の新たな課題を生じさせる。これに対処するため、本論文は新しいスキームSparse Task Vector Mixup with Hypernetworks（STEPH）を提案する。従来の手法とは異なり、ターゲットのために他のがんから一般化可能な知識を効率的に取り込み、モデルの統合を通じて実現する：i) 各ソース-ターゲットペアにタスクベクトルのミックスアップを適用し、ii) ハイパーネットワークにより推進されるタスクベクトル混合を疎に集約して改良されたターゲットモデルを得る。13のがんデータセットを用いた広範な実験は、STEPHががん種特異的学習を5.14%、既存の知識移転ベースラインを2.01%上回ることを示している。さらに、大規模な共同訓練や広範なマルチモデル推論を必要とせず、他のがん種から予後知識を学習するためのより効率的な解決策となる。著者らはGitHubで公開コードを提供している（https://github.com/liupei101/STEPH）。