Caris Life Sciencesは2026年9月29日(現地時間)、癌の診断における組織病理学画像解析のためのロバストな表現学習エンコーダー「HERO (Histology Encoder for Robust Representation in Oncology)」を発表した。このモデルは、ViT-G/14をベースとした病理基盤モデルであり、DINOとiBOTの学習目標を用いて開発され、高解像度Gram anchoringによって微調整された。約575,000の臨床ホールスライド画像から抽出された5億タイルの形態バランスコーパスで学習が行われた。
HEROは、評価された公開ベンチマークにおいて、センター、スキャナー、染色変動に対するロバスト性（頑健性）が、比較対象の最先端基盤モデルの中で最も高いことを示した。これは、臨床現場で異なる病院、スキャナー、染色プロトコルで取得された画像に基盤モデルを適用する際に生じる可能性のある課題に対応するものである。モデルは、タイルレベルの分類、セグメンテーション、遺伝子発現予測において、他のモデルと同等の性能を発揮した。
HEROは、39の評価済みスライドレベル臨床タスクでは平均で1位を獲得し、6つのベンチマークフレームワーク全体での平均ランクも最も優れていた。近年、より多くのスライドで学習された一連の病理基盤モデルがリリースされてきたが、標準的な分類およびセグメンテーションベンチマークにおいて、主要モデル間の性能差はわずかになっていた。
臨床使用において、基盤モデルは学習データ外の病院、スキャナー、染色プロトコルからの画像に適用される場合がある。エンコーダーは通常、これらの取得要因を生物学的情報と並行して埋め込むため、下流でエラーを引き起こし、安全な臨床導入を妨げる可能性があると指摘されていた。病理基盤モデルは、表現品質を損なうことなく取得シフトに対してロバストであるべきだが、ロバスト性はこれまでモデル比較の主要な軸とはされていなかった。
参考: arXiv cs.CV (アーカイブ) — 2026年9月30日 13:00 (JST)
原文ハイライト"HERO (Histology Encoder for Robust Representation in Oncology), a ViT-G/14 pathology foundation model"