論文の概要: PathOrchestra: A Comprehensive Foundation Model for Computational Pathology with Over 100 Diverse Clinical-Grade Tasks

• arxiv url: http://arxiv.org/abs/2503.24345v1
• Date: Mon, 31 Mar 2025 17:28:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-01 14:34:56.961708
• Title: PathOrchestra: A Comprehensive Foundation Model for Computational Pathology with Over 100 Diverse Clinical-Grade Tasks
• Title（参考訳）: PathOrchestra: 100以上の多変量臨床研究課題を伴う総合的計算病理基盤モデル
• Authors: Fang Yan, Jianfeng Wu, Jiawen Li, Wei Wang, Jiaxuan Lu, Wen Chen, Zizhao Gao, Jianan Li, Hong Yan, Jiabo Ma, Minda Chen, Yang Lu, Qing Chen, Yizhi Wang, Xitong Ling, Xuenian Wang, Zihan Wang, Qiang Huang, Shengyi Hua, Mianxin Liu, Lei Ma, Tian Shen, Xiaofan Zhang, Yonghong He, Hao Chen, Shaoting Zhang, Zhe Wang,
• Abstract要約: 本稿では,300Kの病理スライドからなるデータセット上で,自己教師型学習を通じて学習した多種多様な病理基盤モデルPathOrchestraを提案する。 このモデルは、61のプライベートデータセットと51のパブリックデータセットを組み合わせて、112の臨床的タスクで厳格に評価された。 PathOrchestraは27,755のWSIと9,415,729のROIで例外的なパフォーマンスを示し、47のタスクで0.950以上の精度を達成した。
• 参考スコア（独自算出の注目度）: 39.97710183184273
• License:
• Abstract: The complexity and variability inherent in high-resolution pathological images present significant challenges in computational pathology. While pathology foundation models leveraging AI have catalyzed transformative advancements, their development demands large-scale datasets, considerable storage capacity, and substantial computational resources. Furthermore, ensuring their clinical applicability and generalizability requires rigorous validation across a broad spectrum of clinical tasks. Here, we present PathOrchestra, a versatile pathology foundation model trained via self-supervised learning on a dataset comprising 300K pathological slides from 20 tissue and organ types across multiple centers. The model was rigorously evaluated on 112 clinical tasks using a combination of 61 private and 51 public datasets. These tasks encompass digital slide preprocessing, pan-cancer classification, lesion identification, multi-cancer subtype classification, biomarker assessment, gene expression prediction, and the generation of structured reports. PathOrchestra demonstrated exceptional performance across 27,755 WSIs and 9,415,729 ROIs, achieving over 0.950 accuracy in 47 tasks, including pan-cancer classification across various organs, lymphoma subtype diagnosis, and bladder cancer screening. Notably, it is the first model to generate structured reports for high-incidence colorectal cancer and diagnostically complex lymphoma-areas that are infrequently addressed by foundational models but hold immense clinical potential. Overall, PathOrchestra exemplifies the feasibility and efficacy of a large-scale, self-supervised pathology foundation model, validated across a broad range of clinical-grade tasks. Its high accuracy and reduced reliance on extensive data annotation underline its potential for clinical integration, offering a pathway toward more efficient and high-quality medical services.
• Abstract（参考訳）: 高解像度の病理像に固有の複雑さと変動性は、計算病理学において重要な課題である。 AIを活用した病理基盤モデルは変革的進歩を触媒する一方で、その開発には大規模なデータセット、かなりのストレージ容量、相当な計算資源が必要である。 さらに、臨床応用性や一般化性を確保するためには、幅広い臨床課題の厳格な検証が必要である。 そこで我々はPathOrchestraを提案する。PathOrchestraは、多施設にまたがる20の組織および臓器タイプから300Kの病理スライドからなるデータセット上で、自己教師付き学習を通して訓練された多種多様な病理基盤モデルである。 このモデルは、61のプライベートデータセットと51のパブリックデータセットを組み合わせて、112の臨床的タスクで厳格に評価された。 これらのタスクには、デジタルスライド前処理、パンがん分類、病変の特定、マルチがんサブタイプ分類、バイオマーカー評価、遺伝子発現予測、構造化レポートの生成が含まれる。 PathOrchestraは27,755 WSIと9,415,729 ROIで異常なパフォーマンスを示し、47のタスクで0.950以上の精度を達成した。 特に、高頻度大腸癌と診断的に複雑化したリンパ腫に対する構造的報告を、基礎モデルによってしばしば対処されるが、大きな臨床的可能性を持つ最初のモデルである。 全体として、PathOrchestraは、幅広い臨床段階のタスクで検証された、大規模で自己監督的な病理基盤モデルの実現可能性と有効性を実証している。 精度が高く、広範囲なデータアノテーションへの依存度も低く、臨床統合の可能性を基盤にしており、より効率的で高品質な医療サービスへの道筋を提供する。

関連論文リスト

• A Knowledge-enhanced Pathology Vision-language Foundation Model for Cancer Diagnosis [58.85247337449624]
  本稿では,疾患知識を階層型セマンティックグループ内のアライメントに組み込む知識強化型視覚言語事前学習手法を提案する。 KEEPはゼロショット癌診断タスクにおいて最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-12-17T17:45:21Z)
• Multimodal Whole Slide Foundation Model for Pathology [9.46103337205135]
  我々は,視覚的自己教師型学習と,病理報告と視覚言語アライメントを用いて事前学習したスライド基礎モデルであるTITANを提案する。 TITANは、汎用的なスライド表現を抽出し、リソース限定の臨床シナリオに一般化する病理報告を生成する。
  論文  参考訳（メタデータ） (2024-11-29T12:39:57Z)
• Anatomy-Guided Radiology Report Generation with Pathology-Aware Regional Prompts [3.1019279528120363]
  生成AIを報告する放射線学は、臨床ワークロードを緩和し、医療を合理化するための大きな可能性を秘めている。 既存のシステムは、固定サイズ、パッチレベルの画像特徴、病理情報の組み入れが不十分なため、しばしば不足する。 本稿では,病的・病態的情報を多種多様な尺度で明確に統合するために,病理学的に認識された地域的プロンプトを活用する革新的なアプローチを提案する。
  論文  参考訳（メタデータ） (2024-11-16T12:36:20Z)
• PathInsight: Instruction Tuning of Multimodal Datasets and Models for Intelligence Assisted Diagnosis in Histopathology [7.87900104748629]
  6つの異なるタスクをカバーする約45,000のケースのデータセットを慎重にコンパイルしました。 特にLLaVA, Qwen-VL, InternLMを微調整したマルチモーダル大規模モデルで, このデータセットを用いて命令ベースの性能を向上させる。
  論文  参考訳（メタデータ） (2024-08-13T17:05:06Z)
• A Lung Nodule Dataset with Histopathology-based Cancer Type Annotation [12.617587827105496]
  本研究は,医療診断用データセットと信頼性ツールを提供することにより,このギャップを埋めることを目的としている。 330個の注記結節(結節は束縛箱とラベル付けされている)を95名の別患者から抽出し,CT画像の多彩なデータセットを収集した。 これらの有望な結果は、データセットが実現可能であり、さらにインテリジェントな補助診断を容易にすることを証明している。
  論文  参考訳（メタデータ） (2024-06-26T06:39:11Z)
• ChatRadio-Valuer: A Chat Large Language Model for Generalizable Radiology Report Generation Based on Multi-institution and Multi-system Data [115.0747462486285]
  ChatRadio-Valuerは、一般化可能な表現を学習する自動放射線学レポート生成のための調整されたモデルである。 本研究で利用した臨床データセットは,textbf332,673の顕著な総計を含む。 ChatRadio-Valuerは、最先端のモデル、特にChatGPT(GPT-3.5-Turbo)やGPT-4などより一貫して優れている。
  論文  参考訳（メタデータ） (2023-10-08T17:23:17Z)
• A General-Purpose Self-Supervised Model for Computational Pathology [9.505290216109609]
  UNIは,10万以上の診断ヘマトキシリンおよびエオシンWSIから1億以上の組織パッチを事前訓練した,病理の汎用的自己管理モデルである。 CPathにおける新しいモデリング機能として,分解能診断組織分類,数発のクラスプロトタイプを用いたスライド分類,最大108種類のがんの分類における疾患サブタイプ一般化などを紹介した。
  論文  参考訳（メタデータ） (2023-08-29T17:52:10Z)
• A Transformer-based representation-learning model with unified processing of multimodal input for clinical diagnostics [63.106382317917344]
  本稿では,マルチモーダル入力を統一的に処理する臨床診断支援として,トランスフォーマーを用いた表現学習モデルについて報告する。 統一モデルは, 肺疾患の同定において, 画像のみのモデル, 非統一型マルチモーダル診断モデルより優れていた。
  論文  参考訳（メタデータ） (2023-06-01T16:23:47Z)
• WSSS4LUAD: Grand Challenge on Weakly-supervised Tissue Semantic Segmentation for Lung Adenocarcinoma [51.50991881342181]
  この課題には10,091個のパッチレベルのアノテーションと1300万以上のラベル付きピクセルが含まれる。 第一位チームは0.8413mIoUを達成した(腫瘍:0.8389、ストーマ:0.7931、正常:0.8919)。
  論文  参考訳（メタデータ） (2022-04-13T15:27:05Z)
• Weakly supervised multiple instance learning histopathological tumor segmentation [51.085268272912415]
  スライド画像全体のセグメント化のための弱教師付きフレームワークを提案する。 トレーニングモデルに複数のインスタンス学習スキームを利用する。 提案するフレームワークは,The Cancer Genome AtlasとPatchCamelyonデータセットのマルチロケーションとマルチ中心公開データに基づいて評価されている。
  論文  参考訳（メタデータ） (2020-04-10T13:12:47Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。