Fugu-MT 論文翻訳(概要): DepViT-CAD: Deployable Vision Transformer-Based Cancer Diagnosis in Histopathology

論文の概要: DepViT-CAD: Deployable Vision Transformer-Based Cancer Diagnosis in Histopathology

arxiv url: http://arxiv.org/abs/2507.10250v1
Date: Mon, 14 Jul 2025 13:17:46 GMT
ステータス: 翻訳完了
システム内更新日: 2025-07-15 20:53:35.153743
Title: DepViT-CAD: Deployable Vision Transformer-Based Cancer Diagnosis in Histopathology
Title（参考訳）: DepViT-CAD: 腫瘍の病理組織学的診断
Authors: Ashkan Shakarami, Lorenzo Nicole, Rocco Cappellesso, Angelo Paolo Dei Tos, Stefano Ghidoni,
Abstract要約: DepViT-CADは、病理組織学における多クラス癌診断のためのデプロイ可能なAIシステムである。 MAViTは、微細な形態パターンを捉えるために設計された新しいマルチアテンション・ビジョン・トランスである。
参考スコア（独自算出の注目度）: 2.579491964930558
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Accurate and timely cancer diagnosis from histopathological slides is vital for effective clinical decision-making. This paper introduces DepViT-CAD, a deployable AI system for multi-class cancer diagnosis in histopathology. At its core is MAViT, a novel Multi-Attention Vision Transformer designed to capture fine-grained morphological patterns across diverse tumor types. MAViT was trained on expert-annotated patches from 1008 whole-slide images, covering 11 diagnostic categories, including 10 major cancers and non-tumor tissue. DepViT-CAD was validated on two independent cohorts: 275 WSIs from The Cancer Genome Atlas and 50 routine clinical cases from pathology labs, achieving diagnostic sensitivities of 94.11% and 92%, respectively. By combining state-of-the-art transformer architecture with large-scale real-world validation, DepViT-CAD offers a robust and scalable approach for AI-assisted cancer diagnostics. To support transparency and reproducibility, software and code will be made publicly available at GitHub.
Abstract（参考訳）: 病理組織学的スライドからの正確なタイムリーながん診断は、効果的な臨床的意思決定に不可欠である。本稿では,病理組織学における多クラス癌診断のためのデプロイ可能なAIシステムであるDepViT-CADを紹介する。 MAViTは、様々な種類の腫瘍の微細な形態パターンを捉えるために設計された、新しいMulti-Attention Vision Transformerである。 MAViTは10のがんと非腫瘍組織を含む11の診断カテゴリをカバーする1008枚の全スライディング画像から専門家に注釈付きパッチをトレーニングした。 DepViT-CADは、The Cancer Genome Atlasの275 WSIと、病理検査室の50の定期的な臨床例の2つの独立したコホートで検証され、それぞれ94.11%と92%の診断感度を得た。最先端のトランスフォーマーアーキテクチャと大規模な実世界の検証を組み合わせることで、DepViT-CADはAI支援がん診断のための堅牢でスケーラブルなアプローチを提供する。透明性と再現性をサポートするため、ソフトウェアとコードはGitHubで公開されている。

関連論文リスト

RadFabric: Agentic AI System with Reasoning Capability for Radiology [61.25593938175618]
RadFabricは、総合的なCXR解釈のための視覚的およびテキスト分析を統合するマルチエージェント、マルチモーダル推論フレームワークである。システムは、病理診断に特殊なCXRエージェント、正確な解剖学的構造に視覚所見をマッピングする解剖学的解釈エージェント、および視覚的、解剖学的、臨床データを透明かつ証拠に基づく診断に合成する大規模なマルチモーダル推論モデルを利用した推論エージェントを使用する。
論文参考訳（メタデータ） (2025-06-17T03:10:33Z)
PathOrchestra: A Comprehensive Foundation Model for Computational Pathology with Over 100 Diverse Clinical-Grade Tasks [39.97710183184273]
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。
論文参考訳（メタデータ） (2025-03-31T17:28:02Z)
GRAPHITE: Graph-Based Interpretable Tissue Examination for Enhanced Explainability in Breast Cancer Histopathology [14.812589661794592]
GRAPHITEは、乳がん組織マイクロアレイ(TMA)解析のために設計された、ポストホックな説明可能なフレームワークである。 140個の腫瘍TMAコアと4個の良性スライド画像から140個の良性サンプルを作成し,53個の病理組織学的TMAサンプルで試験した。平均平均精度(mAP)は0.56、受信機動作特性曲線(AUROC)は0.94、しきい値ロバスト性(ThR)は0.70である。
論文参考訳（メタデータ） (2025-01-08T00:54:43Z)
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)
Towards a Comprehensive Benchmark for Pathological Lymph Node Metastasis in Breast Cancer Sections [21.75452517154339]
我々は1,399枚のスライド画像(WSI)と、Camelyon-16とCamelyon-17データセットのラベルを再処理した。再発腫瘍領域の大きさから,2重複癌検診を4段階に改善した。
論文参考訳（メタデータ） (2024-11-16T09:19:24Z)
Large-scale Long-tailed Disease Diagnosis on Radiology Images [51.453990034460304]
RadDiagは、様々なモダリティと解剖学にわたる2Dおよび3D入力をサポートする基礎モデルである。私たちのデータセットであるRP3D-DiagDSは、5,568の障害をカバーする195,010のスキャンで40,936の症例を含む。
論文参考訳（メタデータ） (2023-12-26T18:20:48Z)
Virchow: A Million-Slide Digital Pathology Foundation Model [34.38679208931425]
本稿では,コンピュータ病理学の基礎モデルであるVirchowを紹介する。 Virchowは、150万のヘマトキシリンとエオシン染色されたスライドイメージに基づいて、632万のパラメータをトレーニングしたビジョントランスフォーマーモデルである。
論文参考訳（メタデータ） (2023-09-14T15:09:35Z)
A Pathologist-Informed Workflow for Classification of Prostate Glands in Histopathology [62.997667081978825]
病理学者は、ガラススライド上の針生検の組織を調べて前立腺がんを診断し、診断する。がんの重症度と転移リスクは、前立腺の組織と形態に基づくスコアであるGleason gradeによって決定される。本稿では,病理学者のtextitmodus operandi に従って,個々の腺のマルチスケールパッチを分離・分類する自動ワークフローを提案する。
論文参考訳（メタデータ） (2022-09-27T14:08:19Z)
Multi-Scale Hybrid Vision Transformer for Learning Gastric Histology: AI-Based Decision Support System for Gastric Cancer Treatment [50.89811515036067]
胃内視鏡検査は、早期に適切な胃癌(GC)治療を判定し、GC関連死亡率を低下させる有効な方法である。本稿では,一般のGC治療指導と直接一致する5つのGC病理のサブ分類を可能にする実用的なAIシステムを提案する。
論文参考訳（メタデータ） (2022-02-17T08:33:52Z)
In-Line Image Transformations for Imbalanced, Multiclass Computer Vision Classification of Lung Chest X-Rays [91.3755431537592]
本研究は、COVID-19 LCXRデータ不足のバランスをとるために画像変換を適用するために、文献の体系を活用することを目的としている。 convolutional neural networks(cnns)のようなディープラーニング技術は、健康状態と疾患状態を区別する特徴を選択することができる。本研究は,CNNアーキテクチャを用いて高速多クラスLCXR分類を94%精度で行う。
論文参考訳（メタデータ） (2021-04-06T02:01:43Z)

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。