論文の概要: A Pathology Foundation Model for Gastric Cancer with Real-World Validation

• arxiv url: http://arxiv.org/abs/2606.04792v1
• Date: Wed, 03 Jun 2026 12:18:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-04 20:44:18.737361
• Title: A Pathology Foundation Model for Gastric Cancer with Real-World Validation
• Title（参考訳）: 実世界検証による胃癌の病態基礎モデル
• Authors: Ling Liang, Jiabo Ma, Zhengyu Zhang, Fengtao Zhou, Yingxue Xu, Yihui Wang, Cheng Jin, Zhengrui Guo, On Ki Tang, Zhijian Cen, Zhen Wang, Qi Xie, Chengyu Lu, Chenglong Zhao, Feifei Wang, Yu Cai, Hongyi Wang, Jing Zhang, Yaping Ye, Shijun Sun, Shenglei Li, Yu Wang, Zhenhui Li, Ronald Cheong Kin Chan, Xiuming Zhang, Zhe Wang, Hao Chen, Li Liang,
• Abstract要約: 本稿では,実世界評価と臨床dEcision支援のための,胃科固有の基礎モデルであるGRACEについて述べる。 GRACEは, 症例37,493例のHE-stained whole-slide画像を中心に, 48,364例の多施設で開発された。 高齢の病理医に非劣性パフォーマンスを維持するように調整された場合、AI支援のワークフローは萎縮の60.7%、腸転移の82.7%をトリアージする可能性がある。
• 参考スコア（独自算出の注目度）: 47.19073124722865
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Gastric cancer remains a major cause of cancer mortality, yet its histological and molecular heterogeneity complicates diagnosis and risk stratification. General-purpose pathology foundation models (PFMs) often plateau on fine-grained endpoints central to gastric cancer care, and few have undergone rigorous prospective validation or clinical reader studies. We present GRACE, a Gastric-specific foundation model for Real-world Assessment and Clinical dEcision support. GRACE was developed from multicenter gastric pathology datasets totaling 48,364 primarily HE-stained whole-slide images from 37,493 patients. When evaluated on 28 clinically relevant tasks, GRACE consistently outperformed representative pancancer PFMs, achieving a macro-AUC of 0.9188, with strong performance for precancerous lesion diagnosis (macro-AUC 0.9322), tumor histopathological assessment (macro-AUC 0.9119), molecular profiling (macro-AUC 0.8682), and prognostic prediction. Beyond benchmarking, GRACE's translational value was substantiated through a rigorous evidence chain. Under safety-gated criteria requiring 100% NPV for rule-out and 100% PPV for rule-in, GRACE streamlined review for up to 69.6% of malignancy-diagnosis cases and triaged 46.8% of MMR-IHC follow-up requests. This translational feasibility was further strengthened by a randomized crossover reader study of pathologist-AI collaboration. With GRACE assistance, diagnostic accuracy improved from 82.0% to 89.9%, yielding nearly twofold higher adjusted odds of a correct diagnosis (OR 1.987) alongside concurrent gains in sensitivity and specificity. AI assistance also reduced diagnostic time by 14.9%, elevated diagnostic confidence by 9.0%, and markedly improved inter-rater agreement. When calibrated to maintain non-inferior performance to senior pathologists, the AI-assisted workflow could triage 60.7% of atrophy and 82.7% of intestinal metaplasia cases.
• Abstract（参考訳）: 胃癌は依然としてがん死亡の主な原因であるが、その組織学的および分子的多様性は診断とリスク層化を複雑にしている。 PFM(General-purpose pathology foundation model)は、しばしば胃癌治療中心の細粒度エンドポイントにプラトーを貼るが、厳密な予測的検証や臨床読影者による研究は少ない。 本稿では,実世界評価と臨床dEcision支援のための,胃科固有の基礎モデルであるGRACEについて述べる。 GRACEは, 症例37,493例のHE-stained whole-slide画像を中心に, 48,364例の多施設で開発された。 28種類の臨床的に関連のあるタスクで評価すると,GRACEは代表膵PFMを一貫して上回り,マクロAUC0.9188を達成し,先天性病変診断(macro-AUC 0.9322),腫瘍組織学的評価(macro-AUC 0.9119),分子プロファイリング(macro-AUC 0.8682),予後予測に優れた成績を示した。 ベンチマークの他に、GRACEの翻訳価値は厳密なエビデンスチェーンによって裏付けられた。 安全基準では、ルールアウトに100% NPV、ルールインに100% PPVが必要とされ、GRACEは、悪性腫瘍の69.6%、MMR-IHCの46.8%のフォローアップ要求に対してレビューを合理化した。 この翻訳実現性は、病理学者とAIの協力に関するランダムなクロスオーバー・リーダー研究によってさらに強化された。 GRACEの補助により、診断精度は82.0%から89.9%に改善され、感度と特異性の同時向上とともに、正しい診断(OR 1.987)の2倍近い調整された確率が得られた。 AIアシストは診断時間を14.9%削減し、診断信頼性を9.0%向上させ、レータ間合意を大幅に改善した。 高齢の病理医に非劣性パフォーマンスを維持するように調整された場合、AI支援のワークフローは萎縮の60.7%、腸転移の82.7%をトリアージする可能性がある。

関連論文リスト

• A Clinically Validated Foundation Model for Comprehensive Lung Pathology Interpretation [36.95302007351382]
  PulmoFoundation(プルモファウンデーション)は、肺病理の総合的評価のための、RCT(RCT)評価基礎モデルである。 本モデルでは, 生検, 凍結部, 外科的切除スライスを対象とし, コア診断タスクにおける臨床成績を評価する。
  論文  参考訳（メタデータ） (2026-05-25T14:04:56Z)
• A Breast Vision Pathology Foundation Model for Real-world Clinical Utility [65.57568187389113]
  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。
  論文  参考訳（メタデータ） (2026-05-06T07:44:39Z)
• 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)
• 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)
• Cyst-X: A Federated AI System Outperforms Clinical Guidelines to Detect Pancreatic Cancer Precursors and Reduce Unnecessary Surgery [17.390996506076004]
  Cyst-Xは、764人の患者の1,461のMRIスキャンのユニークなマルチセンターデータセットに基づいてトレーニングされたIPMNリスク予測のためのAIフレームワークである。 Cystic-Xは、確立された京都のガイドラインと専門家の放射線技師よりはるかに高い精度(AUC = 0.82)を達成する。 Cystic-Xは膵嚢胞分析のための最初の大規模なマルチセンターMRIリソースを提供する。
  論文  参考訳（メタデータ） (2025-07-29T17:06:22Z)
• Prostate-Specific Foundation Models for Enhanced Detection of Clinically Significant Cancer [2.546403115506584]
  MRIを用いても、放射線医は、特異性が低く、サーバ間変異が顕著である。 ここでは前立腺視覚コントラストネットワーク(ProViCNet)を紹介する。 ProViCNetは6つの機関で4,401人の患者を訓練し、検証した。
  論文  参考訳（メタデータ） (2025-02-01T08:42:33Z)
• Cancer-Net PCa-Seg: Benchmarking Deep Learning Models for Prostate Cancer Segmentation Using Synthetic Correlated Diffusion Imaging [65.83291923029985]
  前立腺癌(PCa)は米国で最も多いがんであり、約30,000人、全診断の29%、2024年に35,000人が死亡した。 前立腺特異的抗原 (PSA) 検査やMRI (MRI) などの従来のスクリーニング法は診断において重要であるが、特異性や一般化性には限界がある。 U-Net, SegResNet, Swin UNETR, Attention U-Net, LightM-UNetといった最先端のディープラーニングモデルを用いて200ドルのCDIから前立腺を抽出する。
  論文  参考訳（メタデータ） (2025-01-15T22:23:41Z)
• Detection of subclinical atherosclerosis by image-based deep learning on chest x-ray [86.38767955626179]
  460胸部X線で冠状動脈カルシウム(CAC)スコアを予測する深層学習アルゴリズムを開発した。 AICACモデルの診断精度は, 曲線下領域(AUC)で評価された。
  論文  参考訳（メタデータ） (2024-03-27T16:56:14Z)
• Deep Learning-based Computational Pathology Predicts Origins for Cancers of Unknown Primary [2.645435564532842]
  原発不明癌 (CUP) は腫瘍由来の原発性解剖学的部位を特定できない診断群である。 最近の研究は、腫瘍原点の同定にゲノム学と転写学を使うことに重点を置いている。 深層学習に基づくCUPの差分診断が可能な計算病理アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-06-24T17:59:36Z)
• Predicting the risk of pancreatic cancer with a CT-based ensemble AI algorithm [0.0]
  膵癌は致死性疾患であり、診断が困難であり、予後不良と死亡率が高い。 非造影CTによるあらゆる膵病変の普遍的癌リスクを予測するために,アンサンブルAIアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-04-03T06:06:43Z)

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。