論文の概要: Finding Holes: Pathologist Level Performance Using AI for Cribriform Morphology Detection in Prostate Cancer

• arxiv url: http://arxiv.org/abs/2510.13995v1
• Date: Wed, 15 Oct 2025 18:23:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-17 21:15:14.577881
• Title: Finding Holes: Pathologist Level Performance Using AI for Cribriform Morphology Detection in Prostate Cancer
• Title（参考訳）: 前立腺癌におけるCribriform Morphology DetectionのためのAIを用いた病理組織学的評価
• Abstract要約: 前立腺癌におけるクリブリフォーム形態は予後不良を示す組織学的特徴であり,活動的監視を阻害する。 EfficientNetV2-Sエンコーダを用いて、エンド・ツー・エンドの全体スライダー分類のための複数のインスタンス学習を行う深層学習モデルを構築した。
• 参考スコア（独自算出の注目度）: 0.010248177083614802
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Background: Cribriform morphology in prostate cancer is a histological feature that indicates poor prognosis and contraindicates active surveillance. However, it remains underreported and subject to significant interobserver variability amongst pathologists. We aimed to develop and validate an AI-based system to improve cribriform pattern detection. Methods: We created a deep learning model using an EfficientNetV2-S encoder with multiple instance learning for end-to-end whole-slide classification. The model was trained on 640 digitised prostate core needle biopsies from 430 patients, collected across three cohorts. It was validated internally (261 slides from 171 patients) and externally (266 slides, 104 patients from three independent cohorts). Internal validation cohorts included laboratories or scanners from the development set, while external cohorts used completely independent instruments and laboratories. Annotations were provided by three expert uropathologists with known high concordance. Additionally, we conducted an inter-rater analysis and compared the model's performance against nine expert uropathologists on 88 slides from the internal validation cohort. Results: The model showed strong internal validation performance (AUC: 0.97, 95% CI: 0.95-0.99; Cohen's kappa: 0.81, 95% CI: 0.72-0.89) and robust external validation (AUC: 0.90, 95% CI: 0.86-0.93; Cohen's kappa: 0.55, 95% CI: 0.45-0.64). In our inter-rater analysis, the model achieved the highest average agreement (Cohen's kappa: 0.66, 95% CI: 0.57-0.74), outperforming all nine pathologists whose Cohen's kappas ranged from 0.35 to 0.62. Conclusion: Our AI model demonstrates pathologist-level performance for cribriform morphology detection in prostate cancer. This approach could enhance diagnostic reliability, standardise reporting, and improve treatment decisions for prostate cancer patients.
• Abstract（参考訳）: 前立腺癌におけるクリブリフォーム形態は予後不良を示す組織学的特徴であり,活動的監視を阻害する。 しかし、まだ報告されていないため、病理学者の間ではかなりのサーバ間変動が起きている。 我々は,知的パターン検出を改善するAIベースのシステムを開発し,検証することを目的とした。 Methods: EfficientNetV2-Sエンコーダを用いて、エンドツーエンドの全体スライディング分類のための複数のインスタンス学習を行う深層学習モデルを作成しました。 3つのコホートで収集した430人の患者から640個の前立腺針生検を行った。 内部検査は171例中261例, 外部検査は266例, 独立コホート3例中104例であった。 内部の検証コホートには開発現場の研究所やスキャナーが含まれ、外部のコホートは完全に独立した機器や研究室を使用した。 アノテーションは3人の専門の超音波医によって提供され、高い一致が知られている。 さらに, 内的検証コホートから88スライドにおいて, モデルの性能を専門医9名と比較した。 結果: モデルは強力な内部検証性能(AUC: 0.97, 95% CI: 0.95-0.99, コーエンのカッパ: 0.81, 95% CI: 0.72-0.89)と堅牢な外部検証(AUC: 0.90, 95% CI: 0.86-0.93, コーエンのカッパ: 0.55, 95% CI: 0.45-0.64)を示した。 解析では, コーエンのカッパが0.35から0.62の範囲であった9人の病理学者に対して, 最も高い平均一致(コーエンのカッパ: 0.66, 95% CI: 0.57-0.74)を達成した。 結論:我々のAIモデルは前立腺癌におけるクリブリフォームな形態検出のための病理学レベルのパフォーマンスを実証する。 このアプローチは、診断信頼性を高め、報告を標準化し、前立腺がん患者の治療決定を改善する可能性がある。

関連論文リスト

• Auditable agentic AI for evidence-grounded thyroid ultrasound diagnosis and reporting [59.709162055944915]
  ThyroidXAgentは、特殊な診断ツールをコーディネートし、その出力を監査可能なケースレベルの証拠記録として保存するエージェントAIシステムである。 NHC-MISD-TUSコホート内35施設8,721件を含む,重複しない28,458件の検査を行った。 セグメンテーションでは平均Diceスコアが87.21パーセント、良悪性分類では平均AUROCが0.9466だった。
  論文  参考訳（メタデータ） (2026-08-12T21:02:59Z)
• A Pathology Foundation Model for Gastric Cancer with Real-World Validation [47.19073124722865]
  本稿では,実世界評価と臨床dEcision支援のための,胃科固有の基礎モデルであるGRACEについて述べる。 GRACEは, 症例37,493例のHE-stained whole-slide画像を中心に, 48,364例の多施設で開発された。 高齢の病理医に非劣性パフォーマンスを維持するように調整された場合、AI支援のワークフローは萎縮の60.7%、腸転移の82.7%をトリアージする可能性がある。
  論文  参考訳（メタデータ） (2026-06-03T12:18:06Z)
• A Breast Vision Pathology Foundation Model for Real-world Clinical Utility [65.57568187389113]
  a bfBRAVE, a breast-adaptive pathology foundation model developed and evaluation using a total resources of 101,638 breast wholeslide images。 臨床ワークフローにおけるBRAVEの実践的役割は、通常のAI支援による第2レビューから低リスクのケースを安全に排除すること、そしてさらなる評価のためのケースの優先順位付けなどである。
  論文  参考訳（メタデータ） (2026-05-06T07:44:39Z)
• DeepFAN, a transformer-based deep learning model for human-artificial intelligence collaborative assessment of incidental pulmonary nodules in CT scans: a multi-reader, multi-case trial [35.165807838511064]
  DeepFANは10K以上の病理確認ノジュールに基づいてトレーニングされたトランスフォーマーベースのモデルである。 結節レベルの読取者間診断の整合性は公正から中等度に改善した。 DeepFANは、中等放射線科医を効果的に支援し、診断品質の均質化を支援する。
  論文  参考訳（メタデータ） (2026-03-26T16:24:56Z)
• Explainable Admission-Level Predictive Modeling for Prolonged Hospital Stay in Elderly Populations: Challenges in Low- and Middle-Income Countries [65.4286079244589]
  長期滞在期間 (pLoS) は, 院内感染のリスクに関連する重要な要因である。 入院レベルの患者と病院の診療データを用いて, pLosの予測モデルを開発し, 解説する。
  論文  参考訳（メタデータ） (2026-01-07T23:35:24Z)
• Development and validation of an AI foundation model for endoscopic diagnosis of esophagogastric junction adenocarcinoma: a cohort and deep learning study [33.84976409983329]
  食道接合腺癌 (EGJA) の早期発見は, 予後改善に重要であるが, 術者に依存している。 本稿では,内視鏡画像を用いたEGJAのスクリーニングとステージング診断のための人工知能基盤モデルの開発を初めて試みる。
  論文  参考訳（メタデータ） (2025-09-22T12:03:40Z)
• HistoART: Histopathology Artifact Detection and Reporting Tool [37.31105955164019]
  ワイルスライドイメージング(WSI)は、組織標本の詳細な高分解能検査のために広く用いられている。 WSIは、スライドの準備とスキャンの間に導入されたアーティファクトに弱いままです。 本稿では,WSIに対する3つのロバストなアーティファクト検出手法を提案し,比較する。
  論文  参考訳（メタデータ） (2025-06-23T17:22:19Z)
• Explainable Anatomy-Guided AI for Prostate MRI: Foundation Models and In Silico Clinical Trials for Virtual Biopsy-based Risk Assessment [3.5408411348831232]
  MRIによる前立腺癌(PCa)のリスク階層化のための,完全に自動化された,解剖学的に指導されたディープラーニングパイプラインを提案する。 パイプラインは、前立腺とそのゾーンを軸方向のT2強調MRI上にセグメント化するためのnnU-Netモジュール、オプションの解剖学的先行と臨床データで3Dパッチに微調整されたDiceedPT Swin Transformer基盤モデルに基づく分類モジュール、決定駆動画像領域をローカライズする反ファクトなヒートマップを生成するVAE-GANフレームワークの3つの重要なコンポーネントを統合する。
  論文  参考訳（メタデータ） (2025-05-23T14:40:09Z)
• ECTIL: Label-efficient Computational Tumour Infiltrating Lymphocyte (TIL) assessment in breast cancer: Multicentre validation in 2,340 patients with breast cancer [17.91294880294883]
  腫瘍浸潤リンパ球のレベル(TILs)は、(三重複陰性)乳癌の予後因子である。 現在の計算的TILアセスメント(CTA)モデルは、多くの詳細なアノテーションに依存している。 我々は,100倍少ない病理学アノテーションで10分で学習できる,根本的にシンプルなディープラーニングベースモデルを提案する。
  論文  参考訳（メタデータ） (2025-01-24T10:28:05Z)
• Multi-modal AI for comprehensive breast cancer prognostication [18.691704371847855]
  我々は、デジタル病理と臨床データを統合する新しい人工知能(AI)ベースのアプローチを開発した。 この検査は15のコホートで計8,161人の乳がん患者のデータを用いて開発・評価された。 以上の結果から,我々のAIテストは既存の予後検査の精度を改善しつつ,幅広い患者に適用可能であることが示唆された。
  論文  参考訳（メタデータ） (2024-10-28T17:54:29Z)
• Artificial Intelligence-Based Triaging of Cutaneous Melanocytic Lesions [0.8864540224289991]
  患者数の増加とより包括的な診断の必要性により、病理学者は作業負荷の増大に直面している。 われわれは,全スライド画像に基づいて皮膚メラノサイト性病変をトリアージする人工知能(AI)モデルを開発した。
  論文  参考訳（メタデータ） (2024-10-14T13:49:04Z)
• Detection of subclinical atherosclerosis by image-based deep learning on chest x-ray [86.38767955626179]
  460胸部X線で冠状動脈カルシウム(CAC)スコアを予測する深層学習アルゴリズムを開発した。 AICACモデルの診断精度は, 曲線下領域(AUC)で評価された。
  論文  参考訳（メタデータ） (2024-03-27T16:56:14Z)
• Vision Transformer-Based Deep Learning for Histologic Classification of Endometrial Cancer [0.7228984887091693]
  子宮内膜癌(英: Endometrial cancer)は、アメリカ合衆国の女性で4番目に多いがんであり、この疾患を発症するリスクは約2.8%である。 本研究では,畳み込みニューラルネットワークを用いて組織学的特徴を抽出し,その視覚的特徴に基づいてスライドを高次・低次に分類するEndoNetを紹介する。 このモデルは、ダートマス・ヘルスにおける子宮内膜癌に対する929のデジタル化ヘマトキシリンとエオシン染色による全スライディング画像に基づいて訓練された。
  論文  参考訳（メタデータ） (2023-12-13T19:38:50Z)
• Neural Network-Based Histologic Remission Prediction In Ulcerative Colitis [38.150634108667774]
  潰瘍性大腸炎(UC)の新しい治療標的としての組織学的寛解 内視鏡(Endocytoscopy、EC)は、新しい超高倍率内視鏡技術である。 本稿では,心電図の組織学的疾患活動を評価するニューラルネットワークモデルを提案する。
  論文  参考訳（メタデータ） (2023-08-28T15:54:14Z)
• Deep-Learning Tool for Early Identifying Non-Traumatic Intracranial Hemorrhage Etiology based on CT Scan [40.51754649947294]
  深層学習モデルは、2011年1月から2018年4月までに収集された非外傷性ICHを用いた1868個のNCCTスキャンを用いて開発された。 診断成績は臨床医の成績と比較した。 臨床医は, システム拡張による特定の出血エチオロジーの感度, 特異性, 精度を著しく改善した。
  論文  参考訳（メタデータ） (2023-02-02T08:45:17Z)
• Advancing COVID-19 Diagnosis with Privacy-Preserving Collaboration in Artificial Intelligence [79.038671794961]
  我々はUCADI(Unified CT-COVID AI Diagnostic Initiative)を立ち上げ、各ホスト機関でAIモデルを分散的にトレーニングし、独立して実行することができる。 本研究は,中国とイギリスに所在する23の病院で採取した3,336例の胸部CT9,573例について検討した。
  論文  参考訳（メタデータ） (2021-11-18T00:43:41Z)

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。