論文の概要: BRIGHT: A Collaborative Generalist-Specialist Foundation Model for Breast Pathology
- arxiv url: http://arxiv.org/abs/2603.03030v1
- Date: Tue, 03 Mar 2026 14:24:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-04 21:38:10.834894
- Title: BRIGHT: A Collaborative Generalist-Specialist Foundation Model for Breast Pathology
- Title（参考訳）: BRIGHT:乳腺疾患に対する共同ジェネリスト・スペシャリスト・ファンデーションモデル
- Authors: Xiaojing Guo, Jiatai Lin, Yumian Jia, Jingqi Huang, Zeyan Xu, Weidong Li, Longfei Wang, Jingjing Chen, Qin Li, Weiwei Wang, Lifang Cui, Wen Yue, Zhiqiang Cheng, Xiaolong Wei, Jianzhong Yu, Xia Jin, Baizhou Li, Honghong Shen, Jing Li, Chunlan Li, Yanfen Cui, Yi Dai, Yiling Yang, Xiaolong Qian, Liu Yang, Yang Yang, Guangshen Gao, Yaqing Li, Lili Zhai, Chenying Liu, Tianhua Zhang, Zhenwei Shi, Cheng Lu, Xingchen Zhou, Jing Xu, Miaoqing Zhao, Fang Mei, Jiaojiao Zhou, Ning Mao, Fangfang Liu, Chu Han, Zaiyi Liu,
- Abstract要約: 一般病理基盤モデル (PFM) は様々な臨床応用において顕著な予測能力を示した。
乳腺病理に特化して設計された最初のPFMであるBRIGHTを提案する。
- 参考スコア（独自算出の注目度）: 45.17010679841919
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Generalist pathology foundation models (PFMs), pretrained on large-scale multi-organ datasets, have demonstrated remarkable predictive capabilities across diverse clinical applications. However, their proficiency on the full spectrum of clinically essential tasks within a specific organ system remains an open question due to the lack of large-scale validation cohorts for a single organ as well as the absence of a tailored training paradigm that can effectively translate broad histomorphological knowledge into the organ-specific expertise required for specialist-level interpretation. In this study, we propose BRIGHT, the first PFM specifically designed for breast pathology, trained on approximately 210 million histopathology tiles from over 51,000 breast whole-slide images derived from a cohort of over 40,000 patients across 19 hospitals. BRIGHT employs a collaborative generalist-specialist framework to capture both universal and organ-specific features. To comprehensively evaluate the performance of PFMs on breast oncology, we curate the largest multi-institutional cohorts to date for downstream task development and evaluation, comprising over 25,000 WSIs across 10 hospitals. The validation cohorts cover the full spectrum of breast pathology across 24 distinct clinical tasks spanning diagnosis, biomarker prediction, treatment response and survival prediction. Extensive experiments demonstrate that BRIGHT outperforms three leading generalist PFMs, achieving state-of-the-art (SOTA) performance in 21 of 24 internal validation tasks and in 5 of 10 external validation tasks with excellent heatmap interpretability. By evaluating on large-scale validation cohorts, this study not only demonstrates BRIGHT's clinical utility in breast oncology but also validates a collaborative generalist-specialist paradigm, providing a scalable template for developing PFMs on a specific organ system.
- Abstract（参考訳）: 大規模多臓器データセットで事前訓練された一般病理基盤モデル(PFM)は,様々な臨床応用において顕著な予測能力を示した。
しかしながら、特定の臓器系における臨床上必須のタスクの完全なスペクトルに対する能力は、単一の臓器に対する大規模な検証コホートが欠如していることや、広範な組織形態学的な知識を専門レベルの解釈に必要な臓器専門の専門知識に効果的に翻訳できる調整された訓練パラダイムが欠如していることから、未解決の課題である。
本研究は, 乳腺病理に特化して設計された最初のPFMであるBRIGHTで, 19の病院で4万人以上のコホートから得られた51,000枚以上の胸部全スライディング画像から約2億1000万枚の病理組織学的タイルをトレーニングした。
BRIGHTは、普遍的な特徴と臓器特有の特徴の両方を捉えるために、コラボレーティブなジェネリストとスペシャリストのフレームワークを使用している。
乳腺腫瘍学におけるPFMの性能を総合的に評価するために,10病院に25,000件以上のWSIからなる下流タスク開発と評価のために,これまでで最大規模の多施設コホートをキュレートした。
検証コホートは、診断、バイオマーカー予測、治療反応、生存予測を含む24の異なる臨床タスクの乳腺病理の全スペクトルをカバーする。
広汎な実験により、BRIGHTは、24の内的検証タスクのうち21の内的検証タスクと、優れたヒートマップ解釈性を備えた10の外部的検証タスクにおいて、最先端(SOTA)性能を達成し、3つの先進的なPFMより優れていることが示された。
本研究は,乳腺腫瘍学におけるBRIGHTの臨床的有用性を実証するだけでなく,協調的なジェネラリスト・スペシャリストのパラダイムを検証し,特定の臓器系でPFMを開発するためのスケーラブルなテンプレートを提供する。
関連論文リスト
- A Vision-Language Foundation Model for Zero-shot Clinical Collaboration and Automated Concept Discovery in Dermatology [31.639593207459058]
本稿では,マスク付き潜在モデルとコントラスト学習を用いて学習した皮膚科視覚言語基礎モデルであるDermFM-Zeroを紹介する。
我々は、ゼロショット診断とマルチモーダル検索にまたがる20のベンチマークで評価を行い、タスク固有の適応を伴わずに最先端のパフォーマンスを実現した。
以上より, 基礎モデルにより, 効果的, 安全, 透明なゼロショット臨床診断支援が可能であることが示唆された。
論文 参考訳（メタデータ） (2026-02-11T08:14:20Z) - MMedExpert-R1: Strengthening Multimodal Medical Reasoning via Domain-Specific Adaptation and Clinical Guideline Reinforcement [63.82954136824963]
医療ビジョンランゲージモデルでは、現実世界のシナリオで必要とされる複雑な臨床推論を伴う知覚タスクが優れている。
本稿ではドメイン固有の適応とガイドライン強化を通じてこれらの課題に対処する新しい推論MedVLMを提案する。
論文 参考訳（メタデータ） (2026-01-16T02:32:07Z) - 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) - An Explainable Hybrid AI Framework for Enhanced Tuberculosis and Symptom Detection [55.35661671061754]
結核は、特に資源に制限された遠隔地において、重要な世界的な健康問題である。
本稿では, 胸部X線による疾患および症状の検出を, 2つの頭部と自己監督頭部を統合することで促進する枠組みを提案する。
本モデルでは, 新型コロナウイルス, 結核, 正常症例の鑑別で98.85%の精度が得られ, マルチラベル症状検出では90.09%のマクロF1スコアが得られた。
論文 参考訳（メタデータ） (2025-10-21T17:18:55Z) - From Generic to Specialized: A Subspecialty Diagnostic System Powered by Self-Supervised Learning for Cervical Histopathology [29.378512559906977]
本稿では,Cervical Sub-Path (CerS-Path) 診断システムについて紹介する。
11万のスライドから1億9000万の組織パッチを自己教師付きで学習し、頸部特異的な特徴抽出装置を構築する。
250万のイメージテキストペアによるマルチモーダルエンハンスメント、続いて複数の下流診断機能との統合。
論文 参考訳（メタデータ） (2025-10-11T12:22:35Z) - A Versatile Foundation Model for AI-enabled Mammogram Interpretation [36.48796962019666]
VersaMammoは制限を克服するために設計されたマンモグラムの汎用基盤モデルである。
まず,教師モデルは自己教師型学習を用いて学習し,ラベルのないマンモグラムから伝達可能な特徴を抽出する。
そして、教師付き学習と知識蒸留を組み合わせることで、特徴と臨床知識の両方をVersaMammoに転送する。
論文 参考訳（メタデータ） (2025-09-24T16:04:39Z) - An Agentic System for Rare Disease Diagnosis with Traceable Reasoning [69.46279475491164]
大型言語モデル(LLM)を用いた最初のまれな疾患診断エージェントシステムであるDeepRareを紹介する。
DeepRareは、まれな疾患の診断仮説を分類し、それぞれに透明な推論の連鎖が伴う。
このシステムは2,919の疾患に対して異常な診断性能を示し、1013の疾患に対して100%の精度を達成している。
論文 参考訳（メタデータ） (2025-06-25T13:42:26Z) - EndoBench: A Comprehensive Evaluation of Multi-Modal Large Language Models for Endoscopy Analysis [62.00431604976949]
EndoBenchは、内視鏡的プラクティスの全スペクトルにわたるMLLMを評価するために特別に設計された最初の包括的なベンチマークである。
我々は、汎用、医療特化、プロプライエタリMLLMを含む23の最先端モデルをベンチマークする。
私たちの実験では、プロプライエタリなMLLMは、オープンソースや医療専門のモデルよりも優れていますが、それでも人間の専門家を追い越しています。
論文 参考訳（メタデータ） (2025-05-29T16:14:34Z) - PathOrchestra: A Comprehensive Foundation Model for Computational Pathology with Over 100 Diverse Clinical-Grade Tasks [39.97710183184273]
本稿では,300Kの病理スライドからなるデータセット上で,自己教師型学習を通じて学習した多種多様な病理基盤モデルPathOrchestraを提案する。
このモデルは、61のプライベートデータセットと51のパブリックデータセットを組み合わせて、112の臨床的タスクで厳格に評価された。
PathOrchestraは27,755のWSIと9,415,729のROIで例外的なパフォーマンスを示し、47のタスクで0.950以上の精度を達成した。
論文 参考訳（メタデータ） (2025-03-31T17:28:02Z) - GSCo: Towards Generalizable AI in Medicine via Generalist-Specialist Collaboration [45.4367423329456]
汎用基礎モデル(GFM)は、様々なタスクやモダリティを効果的に一般化する際、その例外的な能力と柔軟性で有名である。
本研究では,GFMとスペシャリストモデルの相乗効果について検討し,より広い範囲で正確な医用画像解析を可能にする。
MedDr は医学用に調整された最大のオープンソース GFM であり、例外的な命令追従能力とコンテキスト内学習能力を示す。
論文 参考訳（メタデータ） (2024-04-23T15:27:19Z)
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。