RudolfV: A Foundation Model by Pathologists for Pathologists

要約

人工知能は、臨床診断や生物医学研究に影響を与える組織病理学を変革し始めています。
しかし、多くの計算病理学的アプローチが提案されている一方で、現在のほとんどの AI モデルは、一般化、アプリケーションの多様性、および希少疾患の処理の点で制限されています。
最近の取り組みでは、これらの課題に対処するために自己教師あり基礎モデルが導入されましたが、既存のアプローチは設計上、病理学者の知識を活用していません。
この研究では、病理学者の専門知識、半自動データキュレーション、58の組織タイプを含む15以上の研究室からの多様なデータセットを組み込み、129の異なる組織化学的および免疫組織化学的染色モダリティを網羅する、計算病理学の基礎モデルを設計する新しいアプローチを紹介します。
。
われわれは、当社のモデル「RudolfV」が、腫瘍微小環境プロファイリング、バイオマーカー評価、参照症例検索に焦点を当てたさまざまなベンチマークにわたって、既存の最先端の基礎モデルを超え、良好な堅牢性特性を示していることを実証します。
私たちの研究は、ドメイン固有の知識がどのように病理学基礎モデルの効率とパフォーマンスを向上させ、新しい応用分野を可能にするかを示しています。

要約(オリジナル)

Artificial intelligence has started to transform histopathology impacting clinical diagnostics and biomedical research. However, while many computational pathology approaches have been proposed, most current AI models are limited with respect to generalization, application variety, and handling rare diseases. Recent efforts introduced self-supervised foundation models to address these challenges, yet existing approaches do not leverage pathologist knowledge by design. In this study, we present a novel approach to designing foundation models for computational pathology, incorporating pathologist expertise, semi-automated data curation, and a diverse dataset from over 15 laboratories, including 58 tissue types, and encompassing 129 different histochemical and immunohistochemical staining modalities. We demonstrate that our model ‘RudolfV’ surpasses existing state-of-the-art foundation models across different benchmarks focused on tumor microenvironment profiling, biomarker evaluation, and reference case search while exhibiting favorable robustness properties. Our study shows how domain-specific knowledge can increase the efficiency and performance of pathology foundation models and enable novel application areas.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google