臨床情報に基づく小児脳腫瘍の解像度全体スライド画像からの変調モデル

arXiv:2604.21060v1 発表タイプ: 新しい 摘要: 解像度全体スライド画像（WSI）を用いた小児脳腫瘍の分類において、深層学習は組織病理学に基づいた正確な診断を達成する際に、深刻なデータ不足、クラス不均衡、および診断的に異なるサブタイプ間で微細な形態論的重叠といったユニークな課題に直面しています。病理学の基礎モデルはパッチレベルの表現学習を前進させましたが、限られたデータ条件下で弱学習済み小児脳腫瘍分類にそれらを効果的に適応させることはまだ探求されていないままです。この研究では、解像度全体スライド画像（WSI）から小児脳腫瘍診断のための専門家の導いた対比微調フレームワークを紹介しました。私たちのアプローチは、ダウンストリーミング微調時に解像度スライドレベルの表現の幾何学的構造を明示的に正規化するために、対比学習をスライドレベルの多例学習（MIL）に統合します。我々は、一般的な上流対比設定と、診断的に混同されるサブタイプを標的とした臨床情報に基づく困難なネガティブサンプルを組み込んだ専門家の導いたバリエーションの両方を提案しました。現実的な低サンプルとクラス不均衡条件下における小児脳腫瘍 WSI クラス分類の包括的な実験を通じて、我々は対比微調が微細な診断的区別において測定可能な改善をもたらすことを示しました。実験的な分析は、異なる対比戦略にわたる補完的な強さを明らかにし、専門家の導いた困難なネガティブサンプルはよりコンパクトなクラス内表現を促進し、クラス間の分離を改善することが示されました。この研究は、データ不足の小児病理環境における堅牢な微細な分類のために、スライドレベルの表現を明示的に整形する重要性を強調しています。

arXiv:2604.21060v1 Announce Type: new Abstract: Accurate diagnosis of pediatric brain tumors, starting with histopathology, presents unique challenges for deep learning, including severe data scarcity, class imbalance, and fine-grained morphologic overlap across diagnostically distinct subtypes. While pathology foundation models have advanced patch-level representation learning, their effective adaptation to weakly supervised pediatric brain tumor classification under limited data remains underexplored. In this work, we introduce an expert-guided contrastive fine-tuning framework for pediatric brain tumor diagnosis from whole-slide images (WSI). Our approach integrates contrastive learning into slide-level multiple instance learning (MIL) to explicitly regularize the geometry of slide-level representations during downstream fine-tuning. We propose both a general supervised contrastive setting and an expert-guided variant that incorporates clinically informed hard negatives targeting diagnostically confusable subtypes. Through comprehensive experiments on pediatric brain tumor WSI classification under realistic low-sample and class-imbalanced conditions, we demonstrate that contrastive fine-tuning yields measurable improvements in fine-grained diagnostic distinctions. Our experimental analyses reveal complementary strengths across different contrastive strategies, with expert-guided hard negatives promoting more compact intra-class representations and improved inter-class separation. This work highlights the importance of explicitly shaping slide-level representations for robust fine-grained classification in data-scarce pediatric pathology settings.