論文の概要: A Breast Vision Pathology Foundation Model for Real-world Clinical Utility

• arxiv url: http://arxiv.org/abs/2605.08207v1
• Date: Wed, 06 May 2026 07:44:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:49.46123
• Title: A Breast Vision Pathology Foundation Model for Real-world Clinical Utility
• Title（参考訳）: 実地臨床応用のための乳房ビジョン・パノロジー基礎モデル
• Authors: Yingxue Xu, Zhengyu Zhang, Xiuming Zhang, Mengwei Xu, Fengtao Zhou, Yihui Wang, Jiabo Ma, Yi Xin, Danyi Li, Chengyu Lu, Zhijian Cen, Ying Tan, Qingbing Yao, Qi Wang, Zizhao Gao, Yong Zhang, Jingjing Chen, Feifei Liu, Qian Xu, Yi Dai, Hongxuan Tan, Cheng Jin, Huajun Zhou, Zhengrui Guo, Ling Liang, Hongyi Wang, Yingcong Chen, Xi Wang, Zhenhui Li, Ronald Cheong Kin Chan, Ning Mao, Muyan Cai, Zhe Wang, Li Liang, Hao Chen,
• Abstract要約: a bfBRAVE, a breast-adaptive pathology foundation model developed and evaluation using a total resources of 101,638 breast wholeslide images。 臨床ワークフローにおけるBRAVEの実践的役割は、通常のAI支援による第2レビューから低リスクのケースを安全に排除すること、そしてさらなる評価のためのケースの優先順位付けなどである。
• 参考スコア（独自算出の注目度）: 65.57568187389113
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Pathology foundation models have shown strong retrospective performance, but whether such systems can support clinically relevant use remains unclear. This challenge is particularly important in breast cancer, where pathological assessment serves as the gold standard for diagnosis and guides treatment planning, surgical decision-making and risk stratification across pre-, intra- and post-operative stages. Here we present \textbf{BRAVE}, a breast-adaptive pathology foundation model developed and evaluated using a total resource of 101,638 breast whole-slide images from 32 sources across Asia, Europe and North America. We assessed BRAVE across 34 tasks in 82 cohorts spanning pre-operative biopsy, intra-operative frozen section and post-operative resection, using an evidence chain comprising retrospective benchmarking, clinically challenging scenarios, workflow-oriented clinical impact simulations, prospective observational validation with the thresholds locked in the retrospective cohorts and crossover pathologist-AI interaction studies. Across these settings, BRAVE supported practical roles in the clinical workflow, including safe exclusion of low-risk cases from routine review, AI-assisted second-review rescue of initially missed positives and prioritization of cases for further assessment. In prospective validation across three centres, BRAVE excluded 76.9% of negative biopsy cases (NPV 0.953) and 70.1% of negative frozen-section cases (NPV 0.973), and triaged 78.8% of post-operative subtyping cases as high-confidence clear-cut cases (NPV 1.000). In reader studies, AI assistance improved balanced accuracy from 88.5% to 95.1% (OR 3.14, P<0.001), with better efficiency, confidence and inter-rater agreement. BRAVE-derived scores also independently predicted disease-free survival (adjusted HR 4.79, P<0.001) and overall survival (adjusted HR 8.14, P<0.001).
• Abstract（参考訳）: 病理基盤モデルでは, 強い振り返り性能が示されているが, 臨床応用が支持できるかどうかは不明である。 この課題は乳癌において特に重要であり、診断と治療計画、外科的意思決定、および術前、術後のステージにおけるリスク階層化の指針となる。 ここでは, アジア, ヨーロッパ, 北米の32ソースから得られた101,638個の乳房全スライド画像を用いて, 乳房適応型病理基盤モデルであるtextbf{BRAVE}について検討した。 術前生検,術中凍結切除,術後切除を対象とし,BRAVEを34項目に分けて評価した。 これらの設定全体にわたって、BRAVEは臨床ワークフローにおける実践的な役割をサポートし、定期的なレビューからリスクの低いケースを安全に排除すること、AI支援による当初欠落した陽性の2度目のレビューの救済、さらなる評価のためのケースの優先順位付けなどである。 BRAVEは3つのセンターで、陰性生検の76.9%(NPV 0.953)と陰性凍結切除の70.1%(NPV 0.973)を除外し、高信頼クリアカットの78.8%(NPV 1.000)を中止した。 読者研究において、AI支援はバランスの取れた精度を88.5%から95.1%(OR 3.14、P<0.001)に改善した。 BRAVE由来のスコアは、独立に疾患のない生存率(HR 4.79, P<0.001)と全体の生存率(HR 8.14, P<0.001)を予測した。

関連論文リスト

• Predicting Neuromodulation Outcome for Parkinson's Disease with Generative Virtual Brain Model [95.41752463487008]
  パーキンソン病は世界中で1千万人以上に影響している。 個人間変異は経験的治療の選択を制限し、非無視的な外科的リスクとコストを増大させる。 我々は、このギャップをトレーニング済みのファインタニングフレームワークで埋めて、静止状態fMRIから直接結果を予測する。
  論文  参考訳（メタデータ） (2026-03-31T02:36:10Z)
• Cerebra: A Multidisciplinary AI Board for Multimodal Dementia Characterization and Risk Assessment [56.62016795093786]
  CerebraはインタラクティブなマルチエージェントAIチームで、ERH、臨床ノート、医療画像分析のための特殊エージェントをコーディネートする。 構造化された表現を操作することで、プライバシ保護デプロイメントをサポートし、モダリティが不完全であれば、堅牢である。 Cerebraは、有識者のパフォーマンスを著しく改善し、前向き認知症リスク推定において精度を17.5ポイント向上させた。
  論文  参考訳（メタデータ） (2026-03-23T05:46:45Z)
• 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)
• A Novel Attention-Augmented Wavelet YOLO System for Real-time Brain Vessel Segmentation on Transcranial Color-coded Doppler [49.03919553747297]
  我々は,脳動脈を効率よく捉えることができるAIを利用したリアルタイムCoW自動分割システムを提案する。 Transcranial Color-coded Doppler (TCCD) を用いたAIによる脳血管セグメンテーションの事前研究は行われていない。 提案したAAW-YOLOは, 異方性および対側性CoW容器のセグメンテーションにおいて高い性能を示した。
  論文  参考訳（メタデータ） (2025-08-19T14:41:22Z)
• Deep Learning-Based Breast Cancer Detection in Mammography: A Multi-Center Validation Study in Thai Population [0.0]
  EfficientNetV2アーキテクチャを改良した乳房がん検出のための深層学習システムの開発 モデルはタイの主要な医療センターのマンモグラムで訓練され、3つの異なるデータセットで検証された。 がん検出では、それぞれのデータセットで0.89、0.96、0.94のAUROCを達成した。
  論文  参考訳（メタデータ） (2025-05-29T11:11:41Z)
• Explainable Anatomy-Guided AI for Prostate MRI: Foundation Models and In Silico Clinical Trials for Virtual Biopsy-based Risk Assessment [3.5408411348831232]
  MRIによる前立腺癌(PCa)のリスク階層化のための,完全に自動化された,解剖学的に指導されたディープラーニングパイプラインを提案する。 パイプラインは、前立腺とそのゾーンを軸方向のT2強調MRI上にセグメント化するためのnnU-Netモジュール、オプションの解剖学的先行と臨床データで3Dパッチに微調整されたDiceedPT Swin Transformer基盤モデルに基づく分類モジュール、決定駆動画像領域をローカライズする反ファクトなヒートマップを生成するVAE-GANフレームワークの3つの重要なコンポーネントを統合する。
  論文  参考訳（メタデータ） (2025-05-23T14:40:09Z)
• Computational Pathology for Accurate Prediction of Breast Cancer Recurrence: Development and Validation of a Deep Learning-based Tool [0.40205899806543505]
  Deep-BCR-Autoは、乳がん再発リスクを予測するディープラーニングベースの計算病理学アプローチである。 我々の方法論は2つの独立したコホートで検証された。 Deep-BCR-Autoは、患者を低頻度と高頻度のリスクカテゴリに分類する上で、堅牢なパフォーマンスを示した。
  論文  参考訳（メタデータ） (2024-09-23T19:22:06Z)
• Prediction of Breast Cancer Recurrence Risk Using a Multi-Model Approach Integrating Whole Slide Imaging and Clinicopathologic Features [0.6679306163028237]
  本研究の目的は,スライド画像全体と臨床病理学的データを分析し,関連する乳癌再発リスクを予測するマルチモデルアプローチを開発することである。 提案手法では,特徴抽出に畳み込みニューラルネットワーク,コンテキストアグリゲーションに視覚変換器を用いる。
  論文  参考訳（メタデータ） (2024-01-28T23:33:56Z)

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。