日本語のタイトル#
病院不変の対抗特徴学習による WSI パッチ分類
英文タイトル#
Adversarial Hospital-Invariant Feature Learning for WSI Patch Classification
日本語の要約#
病理学基盤モデル（PFMs）は、全スライド画像（WSI）診断において顕著な可能性を示しています。しかし、異なる病院からの病理画像は、スキャンハードウェアや前処理スタイルの違いにより異なることが多く、これが PFMs に病院特有の特徴を無意識に学習させ、臨床での展開にリスクをもたらす可能性があります。本研究では、病院の出所特性から生じる PFM のドメインバイアスに関する初の体系的研究を提示します。具体的には、（1）PFM のドメインバイアスを定量化するためのパイプラインを構築し、（2）複数のモデルの性能を評価・比較し、（3）エンコーダ自体を修正することなく、凍結された表現から潜在的な病院特有の特徴を除去する軽量な対抗フレームワークを提案します。訓練可能なアダプタと勾配反転層（GRL）を介して接続されたドメイン分類器を導入することで、我々の方法はタスクに特化しつつもドメイン不変な表現を学習します。マルチセンター組織病理学データセットでの実験は、我々のアプローチがドメインの予測可能性を大幅に低下させながら、病気分類性能を維持または向上させることを示しています。さらなる分析、病院検出や特徴空間の可視化を含む、我々の方法が病院バイアスを軽減する効果を確認しました。受理に基づいて我々のコードを提供します。
英文要約#
Pathology foundation models (PFMs) have demonstrated remarkable potential in whole-slide image (WSI) diagnosis. However, pathology images from different hospitals often vary due to differences in scanning hardware and preprocessing styles, which may lead PFMs to inadvertently learn hospital-specific features, posing risks for clinical deployment. In this work, we present the first systematic study of domain bias in PFMs arising from hospital source characteristics. Specifically, we (1) construct a pipeline for quantifying domain bias in PFMs, (2) evaluate and compare the performance of multiple models, and (3) propose a lightweight adversarial framework that removes latent hospital-specific features from frozen representations without modifying the encoder itself. By introducing a trainable adapter and a domain classifier connected through a gradient reversal layer (GRL), our method learns task-discriminative yet domain-invariant representations. Experiments on multi-center histopathology datasets demonstrate that our approach substantially reduces domain predictability while maintaining or even improving disease classification performance, particularly in out-of-domain (unseen hospital) scenarios. Further analyses, including hospital detection and feature space visualization, confirm the effectiveness of our method in mitigating hospital bias. We will provide our code based on acceptance.
文章ページ#
PDF 取得#
抖音でスキャンしてさらに素晴らしいコンテンツを見る