Nature Communications· 2026Q1
Prostat Patolojisinde Yeterli Veri Varken Temel Modeller Görev-Özgü Modellerin Gerisinde Kalıyor
Comparative analysis of end-to-end learning and foundation models for clinical-grade prostate pathology
- 13atıf
- Q1SCImago
- 2026yıl
Kısa özet
Prostat patolojisi için geliştirilen temel modeller (FM'ler), yeterli etiketli veri mevcut olduğunda, görev-özgü (TS) modellerle kıyaslanabilir performans gösteriyor ve bazen gerisinde kalıyor; üstelik FM'ler 35 kata kadar daha fazla enerji tüketiyor.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Ana noktalar
- Prostat patolojisinde temel modeller (FM'ler) ve görev-özgü (TS) modeller, yeterli etiketli veri ile benzer performans sergiliyor (karesel Cohen kappa ~0.91).
- TS modeller, tam eğitim verisiyle dış kohortlarda bazı durumlarda FM'leri geride bırakıyor (TS için 0.87, FM'ler için 0.86 ve 0.85).
- Görev-özgü eğitim, yanlış derecelendirmeyi, zor morfolojilerin yanlış teşhisini ve teknik değişkenliği önemli ölçüde azaltıyor.
- FM'ler, TS modellere göre 35 kata kadar daha fazla enerji tüketebiliyor.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Özet (abstract)
Abstract Foundation models (FMs) using self-supervised pre-training are widely advocated as a universal solution for pathology, yet their advantages over task-specific (TS) models remain unclear. Here we show, using over 100,000 prostate biopsies from 6268 patients across 15 sites, that while FMs demonstrate utility in data-scarce scenarios, their performance converges with—and is in some cases surpassed by—TS models with sufficient labeled training data. Concordance with pathologists’ grading reaches quadratic Cohen’s kappas of 0.91 (95% CI 0.90-0.92; all models) on internal and 0.87 (0.86-0.88; TS), 0.86 (0.84-0.87; UNI FM) and 0.85 (0.84-0.86; Virchow2 FM) on external cohorts at full training. Task-specific training markedly reduces misgrading, misdiagnosis of challenging morphologies, and technical variability. Notably, FMs consume up to 35 times more energy. We advocate for considering both FMs and end-to-end learning for robust, resource-efficient, and clinically applicable AI pathology.
Yazarların özeti; kaynağından alınmıştır. Nature Communications, 2026 · DOI ↗
Ücretsiz hesapla devam et
Makaleye Sor ile bu makaleye günde 3 soru ücretsiz; makaleyi kaydet, kaynakçasını al, ilgi alanına göre her gün yeni özetler. Çıkarımlar Premium.
Web'de ücretsiz devam etGoogle ya da Apple hesabınla giriş; kart istemez. Bu makaleye geri dönersin.
Telefonda:
Alan: Yapay Zeka
Artificial IntelligenceComputer Science