論文の概要: CellDX AI Autopilot: Agent-Guided Training and Deployment of Pathology Classifiers
- arxiv url: http://arxiv.org/abs/2605.10362v1
- Date: Mon, 11 May 2026 11:08:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-12 23:28:50.750547
- Title: CellDX AI Autopilot: Agent-Guided Training and Deployment of Pathology Classifiers
- Title（参考訳）: CellDX AI Autopilot: エージェントガイド型トレーニングと病理分類器の展開
- Authors: Alexey Pchelnikov, Aleksei Pchelnikov,
- Abstract要約: 現在、計算病理学のためのAIモデルをトレーニングするには、高価な全画像データセットにアクセスする必要がある。
CellDX AI Autopilotは、ユーザがスライダー画像の分類器を訓練し、評価し、デプロイできるプラットフォームです。
- 参考スコア（独自算出の注目度）: 0.6445605125467574
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Training AI models for computational pathology currently requires access to expensive whole-slide-image datasets, GPU infrastructure, deep expertise in machine learning, and substantial engineering effort. We present CellDX AI Autopilot, a platform that lets users -- from pathologists with no ML background to ML practitioners running many parallel experiments -- train, evaluate, and deploy whole-slide image classifiers through natural language interaction with an AI agent. The platform provides a structured set of agent skills that guide the user through dataset curation, automated hyperparameter tuning, multi-strategy model comparison, and human-in-the-loop deployment, all on a pre-built dataset of over 32,000 cases and 66,000 H&E-stained whole-slide images with pre-extracted features. We describe the agent skill architecture, the underlying Multiple Instance Learning (MIL) training framework supporting four classification strategies, and an iterative pairwise hyperparameter search (grid or seeded random) that reduces tuning cost by over 30x compared to exhaustive search. CellDX AI Autopilot is, to our knowledge, the first system to expose pathology-specialized agent skills and a pathology-specialized training platform to general-purpose AI agents (e.g. any LLM-based agent runtime), delivering end-to-end automated model training without requiring the agent itself to be domain-specific. The platform addresses both the ML-expertise bottleneck that limits adoption in diagnostic pathology and the engineering bottleneck that limits how many experiments a researcher can run cost-effectively.
- Abstract（参考訳）: 現在、計算病理学のためのAIモデルのトレーニングには、高価なスライダーイメージデータセット、GPUインフラストラクチャ、マシンラーニングの深い専門知識、相当なエンジニアリング作業へのアクセスが必要である。
私たちはCellDX AI Autopilotというプラットフォームを紹介します。MLバックグラウンドのない病理学者から、多くの並列実験を行うML実践者まで、AIエージェントとの自然言語インタラクションを通じて、スライディングイメージの分類器のトレーニング、評価、デプロイを可能にします。
このプラットフォームは、データセットのキュレーション、自動ハイパーパラメータチューニング、マルチストラテジーモデルの比較、およびヒューマン・イン・ザ・ループのデプロイメントを通じてユーザを導く、構造化されたエージェントスキルセットを提供する。
エージェントスキルアーキテクチャ,4つの分類戦略をサポートするMIL(Multiple Instance Learning)トレーニングフレームワーク,および全探索に比べてチューニングコストを30倍以上削減する反復的なペアワイドハイパーパラメータ探索(gridまたはシードランダム)について述べる。
CellDX AI Autopilotは、私たちの知る限り、病理専門のエージェントスキルと病理専門のトレーニングプラットフォームを汎用AIエージェント(例えば、LLMベースのエージェントランタイム)に公開する最初のシステムです。
このプラットフォームは、診断病理における導入を制限するML-Expertiseのボトルネックと、研究者が費用対効果で実行できる実験数を制限するエンジニアリングのボトルネックに対処する。
関連論文リスト
- AutoSurrogate: An LLM-Driven Multi-Agent Framework for Autonomous Construction of Deep Learning Surrogate Models in Subsurface Flow [5.022047193471448]
AutoSurrogateは、地下フロー問題のためのディープラーニングサロゲートを構築するための多エージェントフレームワークである。
機械学習の専門知識のない実践者は、自然言語で高品質なサロゲートを構築できる。
我々は,3次元炭素貯蔵モデリングタスクにおけるAutoSurrogateの有用性を実証し,透水性場を圧力にマッピングし,31回以上の飽和場をCO$$で提供する。
論文 参考訳（メタデータ） (2026-04-13T18:36:02Z) - ReX-MLE: The Autonomous Agent Benchmark for Medical Imaging Challenges [5.886200278450183]
ReX-MLE(ReX-MLE)は、ハイインパクトな医用イメージングコンペティションから導かれる20の課題のベンチマークである。
以前のベンチマークとは異なり、ReX-MLEは完全なエンドツーエンドを評価し、エージェントはデータ前処理、モデルトレーニング、サブミッションを独立して管理する必要がある。
ほとんどの応募は、人間専門家と比較して0パーセントのランクでランク付けされます。
論文 参考訳（メタデータ） (2025-12-19T17:44:40Z) - Simple Agents Outperform Experts in Biomedical Imaging Workflow Optimization [69.36509281190662]
生産レベルのコンピュータビジョンツールを科学データセットに適応させることは、重要な"ラストマイル"ボトルネックである。
我々は、AIエージェントを使ってこの手動コーディングを自動化し、最適なエージェント設計のオープンな問題に焦点を当てる。
簡単なエージェントフレームワークが、人間-専門家のソリューションよりも優れた適応コードを生成することを実証する。
論文 参考訳（メタデータ） (2025-12-02T18:42:26Z) - SelfAI: Building a Self-Training AI System with LLM Agents [79.10991818561907]
SelfAIは、高レベルの研究目的を標準化された実験構成に変換するためのUser Agentを組み合わせた、一般的なマルチエージェントプラットフォームである。
実験マネージャは、連続的なフィードバックのための構造化知識ベースを維持しながら、異種ハードウェアをまたいだ並列かつフォールトトレラントなトレーニングを編成する。
回帰、コンピュータビジョン、科学計算、医用画像、薬物発見ベンチマークなどを通じて、SelfAIは一貫して高いパフォーマンスを達成し、冗長な試行を減らしている。
論文 参考訳（メタデータ） (2025-11-29T09:18:39Z) - MCP-Orchestrated Multi-Agent System for Automated Disinformation Detection [84.75972919995398]
本稿では,関係抽出を用いてニュース記事の偽情報を検出するマルチエージェントシステムを提案する。
提案したエージェントAIシステムは、(i)機械学習エージェント(ロジスティック回帰)、(ii)Wikipedia知識チェックエージェント、(iv)Webスクラッドデータアナライザの4つのエージェントを組み合わせる。
その結果、マルチエージェントアンサンブルはF1スコア0.964で95.3%の精度を達成し、個々のエージェントや従来のアプローチよりも大幅に優れていた。
論文 参考訳（メタデータ） (2025-08-13T19:14:48Z) - Agentomics-ML: Autonomous Machine Learning Experimentation Agent for Genomic and Transcriptomic Data [33.7054351451505]
本稿では,完全自律型エージェントベースシステムであるAgenomics-MLを紹介した。
本稿では,Agenomics-MLが既存のエージェントベースの手法よりも,一般化と成功率の両面で優れていることを示す。
論文 参考訳（メタデータ） (2025-06-05T19:44:38Z) - mAIstro: an open-source multi-agentic system for automated end-to-end development of radiomics and deep learning models for medical imaging [0.0]
mAIstroは、医療AIモデルのエンドツーエンド開発とデプロイのための、オープンソースの、自律的なマルチエージェントフレームワークである。
自然言語インタフェースを通じて探索データ分析、放射能特徴抽出、画像分割、分類、回帰を編成する。
論文 参考訳（メタデータ） (2025-04-30T16:25:51Z) - AgentTrek: Agent Trajectory Synthesis via Guiding Replay with Web Tutorials [53.376263056033046]
既存のアプローチは高価な人間のアノテーションに依存しており、大規模には持続不可能である。
本稿では,Webエージェントトラジェクトリを生成するスケーラブルなデータ合成パイプラインであるAgentTrekを提案する。
完全に自動化されたアプローチは、データ収集コストを大幅に削減し、人間のアノテータを使わずに、高品質な軌道を0.55ドルに抑えることができます。
論文 参考訳（メタデータ） (2024-12-12T18:59:27Z) - GNM: A General Navigation Model to Drive Any Robot [67.40225397212717]
視覚に基づくナビゲーションのための一般的な目標条件付きモデルは、多くの異なるが構造的に類似したロボットから得られたデータに基づいて訓練することができる。
ロボット間の効率的なデータ共有に必要な設計決定について分析する。
我々は、訓練されたGNMを、下四極子を含む様々な新しいロボットに展開する。
論文 参考訳（メタデータ） (2022-10-07T07:26:41Z) - ProcTHOR: Large-Scale Embodied AI Using Procedural Generation [55.485985317538194]
ProcTHORは、Embodied AI環境の手続き的生成のためのフレームワークである。
ナビゲーション、アレンジメント、アーム操作のための6つの具体化されたAIベンチマークに対して、最先端の結果を実証する。
論文 参考訳（メタデータ） (2022-06-14T17:09:35Z)
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。