論文の概要: Performance Evaluation of Open-Source Large Language Models for Assisting Pathology Report Writing in Japanese

• arxiv url: http://arxiv.org/abs/2603.11597v1
• Date: Thu, 12 Mar 2026 06:40:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-13 14:46:25.928563
• Title: Performance Evaluation of Open-Source Large Language Models for Assisting Pathology Report Writing in Japanese
• Title（参考訳）: 日本語における病状レポート作成支援のためのオープンソースの大規模言語モデルの性能評価
• Authors: Masataka Kawai, Singo Sakashita, Shumpei Ishikawa, Shogo Watanabe, Anna Matsuoka, Mikio Sakurai, Yasuto Fujimoto, Yoshiyuki Takahara, Atsushi Ohara, Hirohiko Miyake, Genichiro Ishii,
• Abstract要約: 病理文献作成を支援するために,7つのオープンソースの大言語モデル (LLM) を評価した。 本研究は, LLMのオープンソース化が, 限定的ではあるが臨床的に関係のあるシナリオにおいて, 日本の病理報告の執筆を支援するのに役立つことを示唆する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The performance of large language models (LLMs) for supporting pathology report writing in Japanese remains unexplored. We evaluated seven open-source LLMs from three perspectives: (A) generation and information extraction of pathology diagnosis text following predefined formats, (B) correction of typographical errors in Japanese pathology reports, and (C) subjective evaluation of model-generated explanatory text by pathologists and clinicians. Thinking models and medical-specialized models showed advantages in structured reporting tasks that required reasoning and in typo correction. In contrast, preferences for explanatory outputs varied substantially across raters. Although the utility of LLMs differed by task, our findings suggest that open-source LLMs can be useful for assisting Japanese pathology report writing in limited but clinically relevant scenarios.
• Abstract（参考訳）: 日本語における病理報告作成支援のための大規模言語モデル(LLM)の性能は未定である。 A) 既定フォーマットによる病理診断テキストの生成と情報抽出, (B) タイポグラフィーエラーの補正, (C) 病理医・臨床医によるモデル生成解説テキストの主観評価の3つの観点から, オープンソースのLCMを評価した。 思考モデルと医学特化モデルでは、推論を必要とする構造化された報告タスクとタイポ補正の利点が示された。 対照的に、説明的アウトプットの嗜好はラッカー間で大きく異なっていた。 LLMの実用性はタスクによって異なるが,本研究の結果から,LLMのオープンソース化は,限定的ながら臨床的に関係のあるシナリオにおいて,日本の病理報告の執筆を支援するのに有用であることが示唆された。

関連論文リスト

• Evaluating Open-Weight Large Language Models for Structured Data Extraction from Narrative Medical Reports Across Multiple Use Cases and Languages [2.3429123017483016]
  大規模言語モデル (LLMs) は、自由テキスト臨床記録から構造化された情報を抽出するためにますます使われている。 当科では6症例に15例のオープンウェイトLSMを報告した。
  論文  参考訳（メタデータ） (2025-11-03T12:32:01Z)
• Evaluating Vision Language Model Adaptations for Radiology Report Generation in Low-Resource Languages [1.3699492682906507]
  言語特化モデルは、放射線学レポートの生成において、一般モデルとドメイン特化モデルの両方で大きく上回った。 医学用語で微調整されたモデルでは、すべての言語で性能が向上した。
  論文  参考訳（メタデータ） (2025-05-02T08:14:03Z)
• Cancer Type, Stage and Prognosis Assessment from Pathology Reports using LLMs [16.277553795808085]
  我々は、GPTファミリ、Mistralモデル、オープンソースのLlamaモデルといった最先端の言語モデルを活用し、病理報告の分析においてその性能を評価する。 具体的には, 癌型同定, AJCCステージ決定, 予後評価におけるそれらの性能について検討した。 ゼロショット環境での性能指標を詳細に分析した結果,Path-llama3.1-8BとPath-GPT-4o-mini-FTという2つの命令調整モデルを開発した。
  論文  参考訳（メタデータ） (2025-03-03T05:41:16Z)
• HC-LLM: Historical-Constrained Large Language Models for Radiology Report Generation [89.3260120072177]
  本稿では,放射線学レポート生成のための歴史制約付き大規模言語モデル (HC-LLM) フレームワークを提案する。 胸部X線写真から経時的特徴と経時的特徴を抽出し,疾患の進行を捉える診断報告を行った。 特に,本手法は,テスト中の履歴データなしでも良好に動作し,他のマルチモーダル大規模モデルにも容易に適用可能である。
  論文  参考訳（メタデータ） (2024-12-15T06:04:16Z)
• Comparative Analysis of Open-Source Language Models in Summarizing Medical Text Data [5.443548415516227]
  大規模言語モデル(LLM)は,非構造化テキストデータに対する問合せおよび要約処理において,優れた性能を示した。 医用要約タスクにおけるオープンソースのLCMの性能分析のための評価手法を提案する。
  論文  参考訳（メタデータ） (2024-05-25T16:16:22Z)
• Evaluating Large Language Models for Radiology Natural Language Processing [68.98847776913381]
  大規模言語モデル(LLM)の台頭は、自然言語処理(NLP)分野における重要な転換点となっている。 本研究は, 放射線学報告の解釈において, 30 個の LLM を批判的に評価することにより, このギャップを埋めることを目指している。
  論文  参考訳（メタデータ） (2023-07-25T17:57:18Z)
• Interpretable Medical Diagnostics with Structured Data Extraction by Large Language Models [59.89454513692417]
  タブラルデータはしばしばテキストに隠され、特に医学的診断報告に使用される。 本稿では,TEMED-LLM と呼ばれるテキスト医療報告から構造化表状データを抽出する手法を提案する。 本手法は,医学診断における最先端のテキスト分類モデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-06-08T09:12:28Z)
• Cross-Modal Causal Intervention for Medical Report Generation [107.76649943399168]
  放射線医学報告生成(RRG)は, コンピュータ支援診断と薬剤指導に不可欠である。 視覚言語的バイアスによる急激な相関により、正確な病変記述の生成は依然として困難である。 我々はCrossModal Causal Representation Learning (CMCRL)という2段階のフレームワークを提案する。 IU-XrayとMIMIC-CXRの実験により、我々のCMCRLパイプラインは最先端の手法よりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2023-03-16T07:23:55Z)

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。