Fugu-MT 論文翻訳(概要): Atlas 2 - Foundation models for clinical deployment

論文の概要: Atlas 2 - Foundation models for clinical deployment

arxiv url: http://arxiv.org/abs/2601.05148v1
Date: Thu, 08 Jan 2026 17:37:00 GMT
ステータス: 翻訳完了
システム内更新日: 2026-01-09 17:01:53.30722
Title: Atlas 2 - Foundation models for clinical deployment
Title（参考訳）: Atlas 2 - 臨床展開のための基礎モデル
Authors: Maximilian Alber, Timo Milbich, Alexandra Carpen-Amarie, Stephan Tietz, Jonas Dippel, Lukas Muttenthaler, Beatriz Perez Cancer, Alessandro Benetti, Panos Korfiatis, Elias Eulig, Jérôme Lüscher, Jiasen Wu, Sayed Abid Hashimi, Gabriel Dernbach, Simon Schallenberg, Neelay Shah, Moritz Krügener, Aniruddh Jammoria, Jake Matras, Patrick Duffy, Matt Redlon, Philipp Jurmeister, David Horst, Lukas Ruff, Klaus-Robert Müller, Frederick Klauschen, Andrew Norgan,
Abstract要約: 我々はAtlas 2とAtlas 2-BとAtlas 2-Sを提示する。我々のモデルは、これまでで最大の病理基盤モデルデータセットでトレーニングされ、スライド画像全体の550万の病理組織学で構成された。
参考スコア（独自算出の注目度）: 58.17064730809252
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Pathology foundation models substantially advanced the possibilities in computational pathology -- yet tradeoffs in terms of performance, robustness, and computational requirements remained, which limited their clinical deployment. In this report, we present Atlas 2, Atlas 2-B, and Atlas 2-S, three pathology vision foundation models which bridge these shortcomings by showing state-of-the-art performance in prediction performance, robustness, and resource efficiency in a comprehensive evaluation across eighty public benchmarks. Our models were trained on the largest pathology foundation model dataset to date comprising 5.5 million histopathology whole slide images, collected from three medical institutions Charité - Universtätsmedizin Berlin, LMU Munich, and Mayo Clinic.
Abstract（参考訳）: 病理基盤モデルは、計算病理学の可能性を大幅に前進させたが、パフォーマンス、堅牢性、計算要求のトレードオフは残り、臨床展開は制限された。本稿では,Atlas 2,Atlas 2-B,Atlas 2-Sの3つの病理ビジョン基盤モデルについて紹介する。我々のモデルはこれまでに550万の病理組織像からなる最大の病理基盤モデルデータセットに基づいてトレーニングされ、3つの医療機関であるCharité-Universtätsmedizin Berlin、LMU Munich、Mayo clinicから収集された。

関連論文リスト

Investigating the Impact of Histopathological Foundation Models on Regressive Prediction of Homologous Recombination Deficiency [52.50039435394964]
回帰に基づくタスクの基礎モデルを体系的に評価する。我々は5つの最先端基礎モデルを用いて、スライド画像全体(WSI)からパッチレベルの特徴を抽出する。乳房、子宮内膜、肺がんコホートにまたがるこれらの抽出された特徴に基づいて、連続したRDDスコアを予測するモデルが訓練されている。
論文参考訳（メタデータ） (2026-01-29T14:06:50Z)
DermoGPT: Open Weights and Open Data for Morphology-Grounded Dermatological Reasoning MLLMs [54.8829900010621]
MLLM (Multimodal Large Language Models) は、医学的応用を約束するが、限られたトレーニングデータ、狭いタスクカバレッジ、臨床現場での監督の欠如により、皮膚科の遅れが進行する。これらのギャップに対処するための包括的なフレームワークを提示します。まず,211,243のイメージと72,675のトラジェクトリを5つのタスク形式に分けた大規模形態素解析コーパスであるDermo Instructを紹介する。第二にDermoBenchは、4つの臨床軸(形態学、診断、推論、フェアネス)にまたがる11のタスクを評価する厳密なベンチマークで、3600の挑戦的なサブセットを含む。
論文参考訳（メタデータ） (2026-01-05T07:55:36Z)
EXAONE Path 2.5: Pathology Foundation Model with Multi-Omics Alignment [7.030162358506499]
病理組織学的,ゲノム学的,エピジェネティックおよび転写学的様態を共同でモデル化した病理基盤モデルEXAONE Path 2.5を提案する。 EXAONEパス2.5を2つの相補的なベンチマークで6つの主要な病理基盤モデルと比較した。
論文参考訳（メタデータ） (2025-12-16T02:31:53Z)
AnesSuite: A Comprehensive Benchmark and Dataset Suite for Anesthesiology Reasoning in LLMs [62.60333833486799]
AnesSuiteは、LSMの麻酔学推論用に特別に設計された最初のデータセットスイートである。 Morpheusは麻酔学の推論のための最初のベースラインモデルコレクションである。
論文参考訳（メタデータ） (2025-04-03T08:54:23Z)
Atlas: A Novel Pathology Foundation Model by Mayo Clinic, Charité, and Aignostics [61.0008867391683]
本稿では,RudolfVアプローチに基づく新しい視覚基盤モデルであるAtlasを紹介する。本モデルでは、120万の病理組織像からなるデータセットを用いてトレーニングを行った。
論文参考訳（メタデータ） (2025-01-09T18:06:45Z)
Benchmarking foundation models as feature extractors for weakly-supervised computational pathology [0.6151041580858937]
肺, 大腸癌, 胃癌, 乳癌13例の病理組織学的基盤モデルを用いて, 6,818例, 9,528例の病理組織学的検討を行った。視覚言語基礎モデルであるCONCHは、視覚のみの基礎モデルと比較して最高性能を示し、Virchow2は第2位である。
論文参考訳（メタデータ） (2024-08-28T14:34:45Z)
Towards A Generalizable Pathology Foundation Model via Unified Knowledge Distillation [41.25398139658467]
現在の基礎モデルは限定型とタスク数でのみ評価されており、その一般化能力と全体的な性能は不明確である。本研究は,6つの異なる臨床タスクタイプにわたる既成基礎モデルの性能を評価するためのベンチマークを構築した。本稿では, エキスパートと自己知識の双方からなる統合された知識蒸留フレームワークを提案し, モデルが複数のエキスパートモデルの知識から学べるようにした。
論文参考訳（メタデータ） (2024-07-26T01:12:54Z)
Potential of Multimodal Large Language Models for Data Mining of Medical Images and Free-text Reports [51.45762396192655]
特にGemini-Vision-Series (Gemini) と GPT-4-Series (GPT-4) は、コンピュータビジョンのための人工知能のパラダイムシフトを象徴している。本研究は,14の医用画像データセットを対象に,Gemini,GPT-4,および4つの一般的な大規模モデルの性能評価を行った。
論文参考訳（メタデータ） (2024-07-08T09:08:42Z)
SAM-Med3D-MoE: Towards a Non-Forgetting Segment Anything Model via Mixture of Experts for 3D Medical Image Segmentation [36.95030121663565]
Supervised Finetuning (SFT) は、タスク固有の下流タスクに基礎モデルを適用する効果的な方法として機能する。本稿では,タスク固有の微調整モデルと基礎モデルとをシームレスに統合する新しいフレームワークSAM-Med3D-MoEを提案する。実験では, SAM-Med3D-MoEの有効性を実証し, 平均Dice性能は15種類のクラスで53から56.4に向上した。
論文参考訳（メタデータ） (2024-07-06T03:03:45Z)
Towards Generalist Foundation Model for Radiology by Leveraging Web-scale 2D&3D Medical Data [66.9359934608229]
この研究はRadFMと呼ばれるRadlogy Foundation Modelの開発を開始することを目的としている。われわれの知る限りでは、これは2Dスキャンと3Dスキャンによる、最初の大規模で高品質な医療用ビジュアル言語データセットである。本稿では,モダリティ認識,疾患診断,視覚的質問応答,レポート生成,合理的診断の5つのタスクからなる新しい評価ベンチマークRadBenchを提案する。
論文参考訳（メタデータ） (2023-08-04T17:00:38Z)

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。