論文の概要: TeamPath: Building MultiModal Pathology Experts with Reasoning AI Copilots
- arxiv url: http://arxiv.org/abs/2511.17652v1
- Date: Thu, 20 Nov 2025 13:29:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-25 18:34:24.331524
- Title: TeamPath: Building MultiModal Pathology Experts with Reasoning AI Copilots
- Title（参考訳）: TeamPath:AIコパイロットを推論するマルチモーダルな病理専門家の構築
- Authors: Tianyu Liu, Weihao Xuan, Hao Wu, Peter Humphrey, Marcello DiStasio, Heli Qi, Rui Yang, Simeng Han, Tinglin Huang, Fang Wu, Nan Liu, Irene Li, Hua Xu, Hongyu Zhao,
- Abstract要約: 我々は,大規模な病理組織学データセットに基づく強化学習とルータ強化ソリューションを活用したAIシステムであるTeamPathを紹介する。
TeamPathは、専門家レベルの疾患診断、パッチレベルの情報要約、モダリティ生成のための仮想アシスタントとして機能する。
私たちはYale School of Medicineの病理学者と共同で、TeamPathがより効率的に働くことができることを実証しています。
- 参考スコア（独自算出の注目度）: 32.22233464805693
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Advances in AI have introduced several strong models in computational pathology to usher it into the era of multi-modal diagnosis, analysis, and interpretation. However, the current pathology-specific visual language models still lack capacities in making diagnosis with rigorous reasoning paths as well as handling divergent tasks, and thus challenges of building AI Copilots for real scenarios still exist. Here we introduce TeamPath, an AI system powered by reinforcement learning and router-enhanced solutions based on large-scale histopathology multimodal datasets, to work as a virtual assistant for expert-level disease diagnosis, patch-level information summarization, and cross-modality generation to integrate transcriptomic information for the clinical usage. We also collaborate with pathologists from Yale School of Medicine to demonstrate that TeamPath can assist them in working more efficiently by identifying and correcting expert conclusions and reasoning paths. Overall, TeamPath can flexibly choose the best settings according to the needs, and serve as an innovative and reliable system for information communication across different modalities and experts.
- Abstract（参考訳）: AIの進歩は、マルチモーダルな診断、分析、解釈の時代へと導くために、いくつかの強力な計算病理モデルを導入してきた。
しかし、現在の病理固有の視覚言語モデルには、厳格な推論パスの診断能力や、分岐タスクの処理能力が不足しているため、実際のシナリオのためにAIコパイロットを構築するという課題がまだ残っている。
ここでは、大規模な病理組織モデルに基づく強化学習とルータ強化ソリューションを活用したAIシステムであるTeamPathを紹介し、専門家レベルの疾患診断、パッチレベルの情報要約、およびクロスモダリティ生成のための仮想アシスタントとして機能し、臨床使用のために転写情報を統合する。
また、Yale School of Medicineの病理学者と共同で、TeamPathが専門家の結論と推論パスを特定し、修正することで、より効率的に働くことができることを実証しています。
全体として、TeamPathはニーズに応じて最適な設定を柔軟に選択することができ、さまざまなモダリティや専門家間での情報通信を行う革新的な信頼性の高いシステムとして機能する。
関連論文リスト
- Automated Construction of Medical Indicator Knowledge Graphs Using Retrieval Augmented Large Language Models [8.095858876360577]
本稿では,検索拡張生成(RAG)と大規模言語モデル(LLM)を組み合わせて医療指標知識グラフを構築する自動フレームワークを提案する。
得られた知識グラフは、インテリジェントな診断と質問応答システムに統合することができる。
論文 参考訳（メタデータ） (2025-11-17T16:00:42Z) - A co-evolving agentic AI system for medical imaging analysis [14.925000849408683]
TissueLabは、研究者が直接質問し、説明可能な結果を自動的に計画し、生成し、リアルタイム分析を行うことができるエージェントAIシステムである。
多様なツールのインプット、アウトプット、能力の標準化により、システムはいつ、どのように呼び出すかを決定し、研究や臨床上の問題に対処する。
tissueLabは、エンドツーエンドのビジョン言語モデル(VLM)や他のエージェントAIシステム(GPT-5)と比較して、最先端のパフォーマンスを実現している。
論文 参考訳（メタデータ） (2025-09-24T16:15:28Z) - RAD: Towards Trustworthy Retrieval-Augmented Multi-modal Clinical Diagnosis [56.373297358647655]
Retrieval-Augmented Diagnosis (RAD)は、下流タスクで直接マルチモーダルモデルに外部知識を注入する新しいフレームワークである。
RADは、複数の医療ソースからの疾患中心の知識の検索と改善、ガイドライン強化コントラスト損失トランスフォーマー、デュアルデコーダの3つの主要なメカニズムで機能する。
論文 参考訳（メタデータ） (2025-09-24T10:36:14Z) - A Knowledge-driven Adaptive Collaboration of LLMs for Enhancing Medical Decision-making [49.048767633316764]
KAMACは知識駆動のAdaptive Multi-Agent Collaborationフレームワークである。
エージェントは進化する診断コンテキストに基づいて、専門家チームを動的に形成および拡張することができる。
2つの実世界の医療ベンチマーク実験により、KAMACはシングルエージェント法と高度なマルチエージェント法の両方を著しく上回っていることが示された。
論文 参考訳（メタデータ） (2025-09-18T14:33:36Z) - End-to-End Agentic RAG System Training for Traceable Diagnostic Reasoning [52.12425911708585]
Deep-DxSearchは、強化学習(RL)でエンドツーエンドに訓練されたエージェントRAGシステムである。
Deep-DxSearchでは,患者記録と信頼性のある医療知識情報を含む大規模医療検索コーパスを構築した。
実験により、エンドツーエンドのRLトレーニングフレームワークは、プロンプトエンジニアリングやトレーニングフリーなRAGアプローチよりも一貫して優れています。
論文 参考訳（メタデータ） (2025-08-21T17:42:47Z) - PathFinder: A Multi-Modal Multi-Agent System for Medical Diagnostic Decision-Making Applied to Histopathology [11.366456922386263]
スライド画像全体を通して病気を診断することは、現代の病理学において基本である。
従来のAIアプローチは、このような包括的で反復的なマルチスケールの診断手順を欠いている。
専門的な病理医の意思決定プロセスをエミュレートしたマルチモーダル・マルチエージェントフレームワークであるPathFinderを紹介した。
論文 参考訳（メタデータ） (2025-02-13T03:08:02Z) - Towards Next-Generation Medical Agent: How o1 is Reshaping Decision-Making in Medical Scenarios [46.729092855387165]
本稿では,医療用AIエージェントのバックボーンLSMの選択について検討する。
我々の研究結果は、o1の診断精度と一貫性を高める能力を示し、よりスマートでより応答性の高いAIツールへの道を開いた。
論文 参考訳（メタデータ） (2024-11-16T18:19:53Z) - PathAsst: A Generative Foundation AI Assistant Towards Artificial
General Intelligence of Pathology [15.419350834457136]
病理学における診断・予測分析に革命をもたらすための多モード生成基盤AIアシスタントであるPathAsstを提案する。
PathAsstの開発には、データ取得、CLIPモデル適応、PathAsstのマルチモーダル生成機能のトレーニングの3つの重要なステップが含まれている。
PathAsstの実験結果は、病理診断と治療プロセスを改善するためにAIを利用した生成基盤モデルを活用する可能性を示している。
論文 参考訳（メタデータ） (2023-05-24T11:55:50Z) - Computational Pathology: A Survey Review and The Way Forward [35.29627164279813]
計算病理学 CPath (Computational Pathology CPath) は、医学的な病理像を分析し、モデル化するための計算手法の開発を強化する学際的な科学である。
CPathの主な目的は,臨床病理の補助的CADシステムとして,デジタル診断の基盤とビジョンを開発することである。
論文 参考訳（メタデータ） (2023-04-11T20:28:33Z) - Hierarchical Reinforcement Learning for Automatic Disease Diagnosis [52.111516253474285]
政策学習のための対話システムに2段階の階層的な政策構造を統合することを提案する。
提案した政策構造は,多くの疾患や症状を含む診断問題に対処することができる。
論文 参考訳（メタデータ） (2020-04-29T15:02:41Z)
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。