論文の概要: Validation of an AI-based end-to-end model for prostate pathology using long-term archived routine samples

• arxiv url: http://arxiv.org/abs/2605.02614v1
• Date: Mon, 04 May 2026 14:02:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:50.319549
• Title: Validation of an AI-based end-to-end model for prostate pathology using long-term archived routine samples
• Title（参考訳）: 長期アーカイブ型ルーチン標本を用いた前立腺病理診断のためのAIに基づくエンドツーエンドモデルの検証
• Authors: Xiaoyi Ji, Renata Zelic, Oskar Aspegren, Nita Mulliqi, Michelangelo Fiorentino, Francesca Giunchi, Luca Molinaro, Sol Erika Boman, Lorenzo Richiardi, Andreas Pettersson, Per Henrik Vincent, Martin Eklund, Olof Akre, Kimmo Kartasalo,
• Abstract要約: 我々は、独立した検証コホートに基づいて、エンド・ツー・エンドの注意に基づく複数インスタンス学習モデルであるGleasonAIを評価した。 1998年から2015年の間に収集したProMortコホートからの歯肉診断標本を用いて検討した。 このモデルは、いくつかの経験豊富な病理学者に匹敵する、コアレベルのISUPグレーディングのための総ロバストネス重み付きカッパの0.86を達成した。
• 参考スコア（独自算出の注目度）: 0.10689684542225157
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Artificial intelligence (AI) is becoming a clinical tool for prostate pathology, but generalization across variations in sample preparation and preservation over prolonged time periods remains poorly understood. We evaluated GleasonAI, an end-to-end attention-based multiple instance learning model, on an independent validation cohort comprising 10,366 biopsy cores from 1,028 patients across 14 Swedish regions, using archival diagnostic specimens from the ProMort cohorts collected between 1998-2015. The model achieved an overall quadratic-weighted kappa of 0.86 for core-level ISUP grading, comparable to several experienced pathologists and consistent across geographic regions. Notably, performance remained stable across the 17-year collection period, demonstrating robustness to time-related variation in archival material, a property not consistently observed with foundation model-based approaches, with exploratory analysis demonstrating a significant prognostic gradient across AI-assigned grade groups for prostate cancer-specific mortality. These findings support the generalizability of the AI grading model and demonstrate the potential of pathology archives as a large-scale resource for AI development, validation, and retrospective prognostic research.
• Abstract（参考訳）: 人工知能 (AI) は前立腺病理の臨床的ツールになりつつあるが, 長期にわたる試料調製と保存の多様さの一般化はいまだに理解されていない。 1998～2015年に収集したProMortコホートから採取した考古学的診断標本を用いて,スウェーデン14地域の1,028人の10,366人の生検コアからなる独立した検証コホートを用いて,エンド・ツー・エンドの注意に基づく複数インスタンス学習モデルであるGleasonAIを評価した。 このモデルは、コアレベルのISUPグレーディングにおいて、総合的に2次重み付きカッパの0.86を達成し、経験豊富な病理学者に匹敵し、地域にわたって一貫している。 特に,前立腺癌特異的死亡に対するAI指定のグレードグループ間で有意な予後勾配を示す探索的分析を行い,基礎モデルに基づくアプローチでは一貫して観察されない特性である,アーカイブ素材の時間的変化に対する堅牢性を示した。 これらの知見は、AIグレーティングモデルの一般化性をサポートし、AI開発、検証、振り返りの予後研究のための大規模なリソースとして、病理資料の可能性を実証する。

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)
• Validation of Diagnostic Artificial Intelligence Models for Prostate Pathology in a Middle Eastern Cohort [0.013139426460041159]
  本研究は,前立腺癌のAI診断とGleason gradingに焦点をあてて,中東の外部的検証コホートを用いた第1回研究である。 イラクのクルディスタン地方から339種の前立腺生検標本をデジタル化した。
  論文  参考訳（メタデータ） (2025-12-19T12:08:28Z)
• A Disease-Centric Vision-Language Foundation Model for Precision Oncology in Kidney Cancer [54.58205672910646]
  RenalCLIPは、腎腫瘤の特徴、診断、予後のための視覚言語基盤モデルである。 腎がんの完全な臨床ワークフローにまたがる10のコアタスクにおいて、優れたパフォーマンスと優れた一般化性を実現した。
  論文  参考訳（メタデータ） (2025-08-22T17:48:19Z)
• ScaleMAI: Accelerating the Development of Trusted Datasets and AI Models [46.80682547774335]
  我々はAI統合データキュレーションとアノテーションのエージェントであるScaleMAIを提案する。 まず、ScaleMAIは25,362個のCTスキャンを作成した。 第2に、プログレッシブなヒューマン・イン・ザ・ループのイテレーションを通じて、ScaleMAIはFragship AI Modelを提供する。
  論文  参考訳（メタデータ） (2025-01-06T22:12:00Z)
• A Deep Learning Approach for Overall Survival Prediction in Lung Cancer with Missing Values [0.9349653765341301]
  非小細胞肺癌(NSCLC)患者の生存率を低下させる新しい治療法を提案する。 このモデルはトランスアーキテクチャの強みを利用して、計算戦略を必要とせずに利用可能な機能のみを考慮します。 検閲された患者と無検閲の患者の両方、そして時間の経過とともにリスクの変化を説明できる。
  論文  参考訳（メタデータ） (2023-07-21T10:01:55Z)
• On the explainability of hospitalization prediction on a large COVID-19 patient dataset [45.82374977939355]
  我々は、新型コロナウイルス陽性の米国の患者の大規模な(110ドル以上)コホートでの入院を予測するために、さまざまなAIモデルを開発した。 高いデータアンバランスにもかかわらず、モデルは平均精度0.96-0.98 (0.75-0.85)、リコール0.96-0.98 (0.74-0.85)、F_score097-0.98 (0.79-0.83)に達する。
  論文  参考訳（メタデータ） (2021-10-28T10:23:38Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)

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。