MEDICINE & AI

タイトル：When multiple instance learning meets foundation models: Advancing histological whole slide image analysis 雑誌名：Med Image Anal. 2025 Apr; 101: 103456. 概　要： 本研究は、組織学的全スライド画像（WSI）の分類における深層マルチインスタンス学習（MIL）パイプラインの比較を行い、最近のファウンデーションモデル（FM）の利用がどのように影響するかを探求しています。4044人の患者から得られた4種類の癌に関するWSIを用いて、6つのFMと6つの最新のMIL手法を体系的に比較しました。実験の結果、FMは一般的なモデルよりも優れたパッチ埋め込みを提供し、MIL分類の精度とモデルの収束速度を向上させることが示されました。また、オンライン特徴再埋め込みによるインスタンス特徴の微調整がWSI分類性能をさらに向上させる可能性があることも示唆されました。 方　法： 本研究では、4044人の患者から得られたWSIを用い、7つの臨床的に関連する予測タスクにおいて、6つのFMと6つのMIL手法を比較しました。FMとしてはCTransPath、PathoDuet、PLIP、CONCH、UNIを使用し、特徴集約手法として注意ベースのプーリング、トランスフォーマー、動的グラフを検証しました。 結　果： FMの中でUNIは、より多様な組織学的画像で訓練されており、パッチ埋め込みにおいて一般的なモデルを上回り、MIL分類の精度と収束速度を大幅に向上させました。また、オンライン特徴再埋め込みを行うことで、WSI分類性能がさらに改善されることが確認されました。FMは、ピクセルやパッチレベルのアノテーションなしで、癌のグレーディングやバイオマーカーの状態、マイクロサテライト不安定性の予測を可能にしました。 結　論： FMはMILモデルを進化させ、臨床AIのニーズに応じたより普遍的な診断タスクに向けた高度なドメイン特化型FMの開発を促進する可能性があります。これにより、病理学における診断精度の向上が期待されます。