白血球分類のためのヘッド多様性アンサンブルを用いた病理ファウンデーションモデルのマルチステージ微調整

要旨: 周辺血塗抹標本からの白血球（WBC）の分類は、白血病の診断にとって重要です。しかし、自動化アプローチは依然として、クラス不均衡、ドメインシフト、形態学的連続体の混同といった課題により困難を抱えています。ここでいう形態学的連続体の混同とは、隣接する成熟段階がわずかに重なり合う特徴を示すために識別が難しくなる状況です。本研究では、WBCBench 2026 チャレンジ（ISBI 2026）における13クラスのWBC分類に対して、マルチステージのファインチューニング手法を提案します。最も性能の高いモデルは、ファインチューニングした DINOBloom-base であり、その上で複数の分類器ヘッドのファミリー（線形、コサイン、ならびにマルチレイヤー・パーセプトロン（MLP））を学習します。コサイン・ヘッドは成熟顆粒球の境界（Band neutrophil（BNE）F1 = 0.470）で最も良好な性能を示し、線形ヘッドはより未成熟な顆粒球クラス（Metamyelocyte（MMY）F1 = 0.585）で優れ、MLPヘッドは最も未成熟な顆粒球（Promyelocyte（PMY）F1 = 0.733）で最良となり、クラス固有の専門化が明らかになりました。この専門化に基づいて、ヘッド多様性（head-diverse）のアンサンブルを構築します。ここではMLPヘッドを主要な予測器とし、あらかじめ定義した4つの混同ペアの範囲内におけるその予測は、他の2つのヘッドファミリーが一致した場合に限って置き換えます。さらに、すべてのモデルで一貫して誤分類される症例は、あり得るラベリング誤り、または内在的な形態学的曖昧さのいずれかにより、実質的に多く含まれていることを示します。