論文の概要: Prompt, Plan, Extract: Zero-Shot Agentic LLMs Workflows for Lung Pathology Extraction from Clinical Narratives

• arxiv url: http://arxiv.org/abs/2606.19852v1
• Date: Thu, 18 Jun 2026 07:00:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-19 18:23:39.690077
• Title: Prompt, Plan, Extract: Zero-Shot Agentic LLMs Workflows for Lung Pathology Extraction from Clinical Narratives
• Title（参考訳）: Prompt, Plan, Extract: Zero-Shot Agentic LLMs Workflows for Lung Pathology extracts from Clinical Narratives (特集 肺疾患の診断と治療)
• Authors: Aman Pathak, Cheng Peng, Mengxian Lyu, Ziyi Chen, Reema Solan, Sankalp Talankar, Yasir Khan, Hiren Mehta, Aokun Chen, Yi Guo, Yonghui Wu,
• Abstract要約: 重要なデータは物語のレポートに埋もれており、手作業による抽出が重く、エラーが発生しやすい。 肺切除後の病理組織所見から,米国病理医科大学13科の共眼領域に集結するゼロショット・エージェントワークフローを開発した。 最高のゼロショットモデル(GPT-OSS-20B)は0.893のマイクロF1(リコール:0.949)を達成した。
• 参考スコア（独自算出の注目度）: 10.547193480104488
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Information extraction from pathology reports is essential for cancer staging, tumor registry population. Yet key data remains embedded in narrative reports, making manual extraction labor-intensive and error-prone. Traditional supervised Natural Language Processing pipelines address this through fully supervised Named Entity Recognition and Relation Extraction, but require expensive manual annotation and suffer cascading failures when upstream entities are missed. In this study, we developed a zero-shot, agentic workflow, and evaluated five open-source generative Large Language Models (LLMs) to populate 13 College of American Pathologists synoptic fields from lung resection pathology reports. We compared them against a state-of-the-art supervised GatorTron NER-RE baseline using a novel, registry-aligned evaluation framework. The baseline achieved Micro-F1of 0.960, while the best zero-shot model (GPT-OSS-20B) achieved Micro-F1 of 0.893 (recall: 0.949), accurately extracting complex relations like Pathologic Stage without task-specific training. These results suggest that open-source, zero-shot agentic LLMs are a low-cost solution for extracting lung pathology information.
• Abstract（参考訳）: 病理報告からの情報抽出は, がんステージング, 腫瘍登録人口に不可欠である。 しかし、重要なデータは物語のレポートに埋もれており、手作業による抽出が重く、エラーが発生しやすい。 従来の教師付き自然言語処理パイプラインは、完全に教師付きされた名前付きエンティティ認識と関係抽出を通じてこの問題に対処するが、高価な手作業によるアノテーションを必要とし、上流エンティティが欠落した場合にカスケード障害を被る。 本研究では, ゼロショット型エージェントワークフローを開発し, 肺切除後の病理組織所見から, 肺病理組織学報告から, 13の米国病理医科大学共生分野に適応する5つのオープンソース生成型大言語モデル(LLMs)を評価した。 我々は,GatorTron NER-REベースラインを新しいレジストリアライメント評価フレームワークを用いて,最先端の教師付きGatorTron NER-REベースラインと比較した。 ベースラインは Micro-F1of 0.960 を達成し、最高のゼロショットモデル (GPT-OSS-20B) は Micro-F1 of 0.893 (リコール: 0.949) を達成した。 以上の結果から, オープンソースゼロショットエージェントLPMは肺病理情報を抽出するための低コストなソリューションであることが示唆された。

関連論文リスト

• Multi-Task LLM with LoRA Fine-Tuning for Automated Cancer Staging and Biomarker Extraction [6.53191669778827]
  本研究では,腫瘍リンパ節転移(TNM)のステージング,組織学的グレード,バイオマーカーの抽出を自動化するためのパラメータ効率,マルチタスクフレームワークを提案する。 Llama-3-8B-Instruct encoderをLoRA(Lo-Rank Adaptation)を用いて10,677のレポートをキュレートして検証した。
  論文  参考訳（メタデータ） (2026-04-14T22:26:30Z)
• Tracking Cancer Through Text: Longitudinal Extraction From Radiology Reports Using Open-Source Large Language Models [0.6642706656153227]
  完全オープンソースでローカルにデプロイ可能なパイプラインを,放射線学報告からの縦方向情報抽出のために提案する。 対象病変が93.7%,非ターゲット病変が94.9%,新しい病変が94.0%であった。
  論文  参考訳（メタデータ） (2026-03-10T13:13:43Z)
• PathoSCOPE: Few-Shot Pathology Detection via Self-Supervised Contrastive Learning and Pathology-Informed Synthetic Embeddings [42.42150241818321]
  教師なしの病理検出では、非病理データに基づいて、偏差を病理としてモデル化する。 そこで我々は,少数の非病理サンプルのみを必要とする,数発の非教師付き病理診断フレームワークPathoSCOPEを提案する。 PathoSCOPEは計算効率(2.48 GFLOP, 166 FPS)を維持しながら教師なし手法の最先端性能を実現する
  論文  参考訳（メタデータ） (2025-05-23T08:21:58Z)
• Evaluating Large Language Models for Automated Clinical Abstraction in Pulmonary Embolism Registries: Performance Across Model Sizes, Versions, and Parameters [16.74673750576054]
  データ品質を犠牲にすることなく,オープンソースの大規模言語モデル (LLM) がCTPEレポートから概念抽出を自動化できるかを検討した。 LLMは、PEレジストリの抽象化のためのスケーラブルで正確なソリューションを提供し、デュアルモデルレビューワークフローは、人間の監視を最小限にして、データ品質をさらに保護します。
  論文  参考訳（メタデータ） (2025-03-26T21:38:06Z)
• Leveraging large language models for structured information extraction from pathology reports [0.0]
  乳がん病理組織学的報告から構造情報を抽出する際の大規模言語モデルの精度を評価する。 構造化情報抽出のためのオープンソースツールは、自然言語を使って非プログラマがカスタマイズできる。
  論文  参考訳（メタデータ） (2025-02-14T21:46:02Z)
• Lung-CADex: Fully automatic Zero-Shot Detection and Classification of Lung Nodules in Thoracic CT Images [45.29301790646322]
  コンピュータ支援診断は早期の肺結節の検出に役立ち、その後の結節の特徴づけを促進する。 MedSAMと呼ばれるSegment Anything Modelの変種を用いて肺結節をゼロショットでセグメント化するためのCADeを提案する。 また、放射能特徴のギャラリーを作成し、コントラスト学習を通じて画像と画像のペアを整列させることにより、良性/良性としての結節的特徴付けを行うCADxを提案する。
  論文  参考訳（メタデータ） (2024-07-02T19:30:25Z)
• A New Benchmark and Reverse Validation Method for Passage-level Hallucination Detection [63.56136319976554]
  大きな言語モデル(LLM)は幻覚を発生させ、ミッションクリティカルなタスクにデプロイすると大きなダメージを与える可能性がある。 本稿では,逆検証に基づく自己チェック手法を提案し,ゼロリソース方式で事実誤りを自動的に検出する。 提案手法と既存のゼロリソース検出手法を2つのデータセット上で実証的に評価した。
  論文  参考訳（メタデータ） (2023-10-10T10:14:59Z)
• DetectGPT: Zero-Shot Machine-Generated Text Detection using Probability Curvature [143.5381108333212]
  大規模な言語モデルからサンプリングされたテキストは、モデルのログ確率関数の負の曲率領域を占有する傾向にあることを示す。 次に、与えられたLLMから通路が生成されるかどうかを判断するための新しい曲率ベースの基準を定義する。 我々は、モデルサンプル検出のための既存のゼロショット法よりもディテクターGPTの方が識別性が高いことを発見した。
  論文  参考訳（メタデータ） (2023-01-26T18:44:06Z)
• WSSS4LUAD: Grand Challenge on Weakly-supervised Tissue Semantic Segmentation for Lung Adenocarcinoma [51.50991881342181]
  この課題には10,091個のパッチレベルのアノテーションと1300万以上のラベル付きピクセルが含まれる。 第一位チームは0.8413mIoUを達成した(腫瘍:0.8389、ストーマ:0.7931、正常:0.8919)。
  論文  参考訳（メタデータ） (2022-04-13T15:27:05Z)

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。