論文の概要: NOVA: An Agentic Framework for Automated Histopathology Analysis and Discovery

• arxiv url: http://arxiv.org/abs/2511.11324v1
• Date: Fri, 14 Nov 2025 14:01:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-17 22:42:18.64475
• Title: NOVA: An Agentic Framework for Automated Histopathology Analysis and Discovery
• Title（参考訳）: NOVA: 病理組織分析と発見を自動化するエージェントフレームワーク
• Authors: Anurag J. Vaidya, Felix Meissen, Daniel C. Castro, Shruthi Bannur, Tristan Lazard, Drew F. K. Williamson, Faisal Mahmood, Javier Alvarez-Valle, Stephanie L. Hyland, Kenza Bouzid,
• Abstract要約: NOVAはPythonコードを反復的に生成して実行することで、科学的なクエリを実行可能な分析パイプラインに変換する。 NOVAは、オープンソースソフトウェア上に構築された49のドメイン固有ツールを統合し、アドホックな新しいツールを作成することもできる。 データ処理、定量的分析、仮説テストにまたがるベンチマークであるSlideQuestを紹介する。
• 参考スコア（独自算出の注目度）: 12.069723276652882
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Digitized histopathology analysis involves complex, time-intensive workflows and specialized expertise, limiting its accessibility. We introduce NOVA, an agentic framework that translates scientific queries into executable analysis pipelines by iteratively generating and running Python code. NOVA integrates 49 domain-specific tools (e.g., nuclei segmentation, whole-slide encoding) built on open-source software, and can also create new tools ad hoc. To evaluate such systems, we present SlideQuest, a 90-question benchmark -- verified by pathologists and biomedical scientists -- spanning data processing, quantitative analysis, and hypothesis testing. Unlike prior biomedical benchmarks focused on knowledge recall or diagnostic QA, SlideQuest demands multi-step reasoning, iterative coding, and computational problem solving. Quantitative evaluation shows NOVA outperforms coding-agent baselines, and a pathologist-verified case study links morphology to prognostically relevant PAM50 subtypes, demonstrating its scalable discovery potential.
• Abstract（参考訳）: ジジタイズされた病理組織学分析には、複雑で時間集約的なワークフローと専門的な専門知識が含まれ、アクセシビリティを制限している。 我々は,Pythonコードを反復的に生成して実行することで,科学的なクエリを実行可能な分析パイプラインに変換するエージェントフレームワークであるNOVAを紹介した。 NOVAは、オープンソースソフトウェア上に構築された49のドメイン固有のツール(例えば、核セグメンテーション、全スライディングエンコーディング)を統合し、新しいツールのアドホックを作成することもできる。 このようなシステムを評価するために、病理学者やバイオメディカルサイエンティストによって検証された90のクエストベンチマークであるSlideQuestを、データ処理、定量的分析、仮説テストにまたがって提示する。 知識リコールや診断QAに焦点を当てた以前のバイオメディカルベンチマークとは異なり、SlideQuestは多段階推論、反復コーディング、計算問題の解決を必要とする。 定量的評価では、NOVAはコーディング・エージェント・ベースラインより優れており、病理学者によって検証されたケーススタディでは、形態学と予後に関連のあるPAM50サブタイプをリンクし、そのスケーラブルな発見可能性を示している。

関連論文リスト

• TusoAI: Agentic Optimization for Scientific Methods [16.268579802762247]
  大規模言語モデル(LLM)は、文学の合成、経験的データによる推論、ドメイン固有コードの生成において強力な能力を示している。 本稿では,評価機能を備えた科学的タスク記述を行うエージェントAIシステムであるTusoAIを紹介する。 TusoAIはドメイン知識を知識ツリー表現に統合し、反復的でドメイン固有の最適化とモデル診断を行う。
  論文  参考訳（メタデータ） (2025-09-28T17:30:44Z)
• OpenLens AI: Fully Autonomous Research Agent for Health Infomatics [22.16210485266852]
  OpenLens AIは、健康情報学に適した完全に自動化されたフレームワークである。 文献レビュー、データ分析、コード生成、原稿作成のための特殊エージェントを統合している。 このフレームワークは研究パイプライン全体を自動化し、出版可能な原稿を生成する。
  論文  参考訳（メタデータ） (2025-09-18T09:25:57Z)
• From Web Search towards Agentic Deep Research: Incentivizing Search with Reasoning Agents [96.65646344634524]
  推論とエージェント能力を備えた大規模言語モデル(LLM)は、エージェントディープリサーチ(Agenic Deep Research)と呼ばれる新しいパラダイムを取り入れている。 静的なWeb検索から,計画,探索,学習を行う対話型エージェントベースのシステムへの進化を辿ります。 我々はエージェントディープリサーチが既存のアプローチを著しく上回るだけでなく、将来の情報探索において支配的なパラダイムになることを実証する。
  論文  参考訳（メタデータ） (2025-06-23T17:27:19Z)
• Deep Research Agents: A Systematic Examination And Roadmap [109.53237992384872]
  Deep Research (DR) エージェントは複雑な多ターン情報研究タスクに取り組むように設計されている。 本稿では,DRエージェントを構成する基礎技術とアーキテクチャコンポーネントの詳細な分析を行う。
  論文  参考訳（メタデータ） (2025-06-22T16:52:48Z)
• PyTDC: A multimodal machine learning training, evaluation, and inference platform for biomedical foundation models [59.17570021208177]
  PyTDCは、マルチモーダルな生物学的AIモデルのための合理化されたトレーニング、評価、推論ソフトウェアを提供する機械学習プラットフォームである。 本稿では、PyTDCのアーキテクチャの構成要素と、我々の知る限り、導入したシングルセルドラッグターゲットMLタスクにおける第一種ケーススタディについて論じる。
  論文  参考訳（メタデータ） (2025-05-08T18:15:38Z)
• LLM Agent Swarm for Hypothesis-Driven Drug Discovery [2.7036595757881323]
  ファーマシュワーム(PharmaSwarm)は、新規な薬物標的および鉛化合物の仮説を提唱し、検証し、洗練するために、特殊な「エージェント」を編成する統合マルチエージェントフレームワークである。 PharmaSwarmはAIの副操縦士として機能することで、翻訳研究を加速し、従来のパイプラインよりも効率的に高信頼の仮説を提供することができる。
  論文  参考訳（メタデータ） (2025-04-24T22:27:50Z)
• STRICTA: Structured Reasoning in Critical Text Assessment for Peer Review and Beyond [68.47402386668846]
  本研究では,テキストアセスメントをステップワイド推論プロセスとしてモデル化するために,Structured Reasoning In Critical Text Assessment (STRICTA)を導入する。 STRICTAは、因果性理論に基づく相互接続推論ステップのグラフに評価を分解する。 約40人のバイオメディカル専門家が20以上の論文について4000以上の推論ステップのデータセットにSTRICTAを適用した。
  論文  参考訳（メタデータ） (2024-09-09T06:55:37Z)
• Enhancing Spectral Knowledge Interrogation: A Reliable Retrieval-Augmented Generative Framework on Large Language Models [0.0]
  大規模言語モデル(LLM)は、自然言語処理(NLP)タスクにおいて、一般領域内で大きな成功を収めている。 本稿では,SDAAP(Spectral Detection and Analysis Based Paper)データセットを紹介する。 また、SDAAPデータセットに基づく自動Q&Aフレームワークを設計し、関連する知識を検索し、高品質な応答を生成する。
  論文  参考訳（メタデータ） (2024-08-21T12:09:37Z)
• PyRCA: A Library for Metric-based Root Cause Analysis [66.72542200701807]
  PyRCAは、AIOps(AIOps)のためのRoot Cause Analysis(RCA)のオープンソースの機械学習ライブラリである。 複雑なメトリクス因果依存性を明らかにし、インシデントの根本原因を自動的に特定する、包括的なフレームワークを提供する。
  論文  参考訳（メタデータ） (2023-06-20T09:55:10Z)

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。