論文の概要: SAGE: Agentic Framework for Interpretable and Clinically Translatable Computational Pathology Biomarker Discovery

• arxiv url: http://arxiv.org/abs/2602.00953v1
• Date: Sun, 01 Feb 2026 01:12:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-03 19:28:33.486667
• Title: SAGE: Agentic Framework for Interpretable and Clinically Translatable Computational Pathology Biomarker Discovery
• Title（参考訳）: SAGE:生物マーカー発見のためのエージェント・フレームワーク
• Authors: Sahar Almahfouz Nasser, Juan Francisco Pesantez Borja, Jincheng Liu, Tanvir Hasan, Zenghan Wang, Suman Ghosh, Sandeep Manandhar, Shikhar Shiromani, Twisha Shah, Naoto Tokuyama, Anant Madabhushi,
• Abstract要約: SAGEは生物学的な証拠を根拠として、解釈可能な、エンジニアリングされた病理バイオマーカーを識別するエージェントAIシステムである。 SAGEは、文学的アンコール推論とマルチモーダルデータ分析を統合し、画像由来の特徴と、遺伝子発現などの分子バイオマーカーと、臨床的に関連する結果とを関連付ける。
• 参考スコア（独自算出の注目度）: 0.8778472217028965
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Despite significant progress in computational pathology, many AI models remain black-box and difficult to interpret, posing a major barrier to clinical adoption due to limited transparency and explainability. This has motivated continued interest in engineered image-based biomarkers, which offer greater interpretability but are often proposed based on anecdotal evidence or fragmented prior literature rather than systematic biological validation. We introduce SAGE (Structured Agentic system for hypothesis Generation and Evaluation), an agentic AI system designed to identify interpretable, engineered pathology biomarkers by grounding them in biological evidence. SAGE integrates literature-anchored reasoning with multimodal data analysis to correlate image-derived features with molecular biomarkers, such as gene expression, and clinically relevant outcomes. By coordinating specialized agents for biological contextualization and empirical hypothesis validation, SAGE prioritizes transparent, biologically supported biomarkers and advances the clinical translation of computational pathology.
• Abstract（参考訳）: 計算病理学の進歩にもかかわらず、多くのAIモデルはブラックボックスのままであり、解釈が難しい。 これは、より高い解釈性を提供するが、しばしば、体系的な生物学的検証よりも、逸話的証拠や断片化された以前の文献に基づいて提案される画像ベースのバイオマーカーへの継続的な関心を動機付けている。 SAGE(Structured Agentic System for hypothesis Generation and Evaluation, 仮説生成・評価のための構造化エージェントシステム)を導入する。 SAGEは、文学的アンコール推論とマルチモーダルデータ分析を統合し、画像由来の特徴と、遺伝子発現などの分子バイオマーカーと、臨床的に関連する結果とを関連付ける。 生物学的文脈化と経験的仮説検証のための特殊エージェントをコーディネートすることで、SAGEは透明で生物学的に支持されたバイオマーカーを優先し、計算病理学の臨床的翻訳を進める。

関連論文リスト

• Unlocking Biomedical Insights: Hierarchical Attention Networks for High-Dimensional Data Interpretation [0.3821469577674901]
  Hierarchical Attention-based Interpretable Network (HAIN) は、多段階の注意機構、次元減少、説明駆動損失関数を統一する新しいアーキテクチャである。 がんゲノムアトラスデータセットの包括的な評価は、HAINが94.3%の分類精度を達成したことを示している。 HAINは生物学的に関連するがんバイオマーカーを効果的に同定し、臨床および研究用途に有用である。
  論文  参考訳（メタデータ） (2025-10-21T20:08:50Z)
• A Machine Learning Pipeline for Multiple Sclerosis Biomarker Discovery: Comparing explainable AI and Traditional Statistical Approaches [35.18016233072556]
  多発性硬化症(MS)におけるバイオマーカー発見のための機械学習パイプラインを提案する。 頑健な前処理の後、ベイズ探索により最適化されたXGBoost分類器を訓練した。 以上の結果より,SHAPとDEAの重なり合いと特異なバイオマーカーの両者が明らかとなり,相補的強度が示唆された。 この研究は、説明可能なAI(xAI)と従来の統計手法を組み合わせることの価値を強調し、疾患のメカニズムについて深い洞察を得る。
  論文  参考訳（メタデータ） (2025-09-26T15:31:34Z)
• BioX-CPath: Biologically-driven Explainable Diagnostics for Multistain IHC Computational Pathology [0.9603373981832565]
  BioX-CPathは、全スライド画像(WSI)分類のための説明可能なグラフニューラルネットワークアーキテクチャである。 BioX-CPathはStain-Aware Attention Pooling (SAAP)モジュールを導入した。
  論文  参考訳（メタデータ） (2025-03-26T18:00:22Z)
• BioMaze: Benchmarking and Enhancing Large Language Models for Biological Pathway Reasoning [49.487327661584686]
  実際の研究から5.1Kの複雑な経路問題を持つデータセットであるBioMazeを紹介する。 CoT法やグラフ拡張推論法などの手法の評価は,LLMが経路推論に苦慮していることを示している。 そこで本稿では,インタラクティブなサブグラフベースのナビゲーションにより推論を強化するLLMエージェントであるPathSeekerを提案する。
  論文  参考訳（メタデータ） (2025-02-23T17:38:10Z)
• Causal Representation Learning from Multimodal Biomedical Observations [57.00712157758845]
  バイオメディカルデータセットの理解を容易にするために,マルチモーダルデータに対するフレキシブルな識別条件と原理的手法を開発した。 主要な理論的貢献は、モジュラリティ間の因果関係の構造的空間性である。 実世界のヒト表現型データセットの結果は、確立された生物医学研究と一致している。
  論文  参考訳（メタデータ） (2024-11-10T16:40:27Z)
• Deep Learning Predicts Biomarker Status and Discovers Related Histomorphology Characteristics for Low-Grade Glioma [21.281553456323998]
  低次グリオーマ(LGG)の診断と治療にはバイオマーカー検出が不可欠である ヘマトキシリンとエオシンを含む全スライド画像とスライドレベルのバイオマーカーステータスラベルを用いて,LGGの5つのバイオマーカーの状態を予測するための解釈可能なディープラーニングパイプラインを提案する。 我々のパイプラインはバイオマーカー予測の新しいアプローチを提供するだけでなく、LGG患者に対する分子治療の適用性を高めるだけでなく、分子機能とLGGの進行の新たなメカニズムの発見を促進する。
  論文  参考訳（メタデータ） (2023-10-11T13:05:33Z)

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。