論文の概要: Democratizing and accelerating AI-driven pathology research through agentic intelligence

• arxiv url: http://arxiv.org/abs/2606.20677v1
• Date: Fri, 12 Jun 2026 16:11:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:13:32.575135
• Title: Democratizing and accelerating AI-driven pathology research through agentic intelligence
• Title（参考訳）: エージェント・インテリジェンスによるAI駆動型病理研究の民主化と加速
• Abstract要約: PathLabは、研究目的を実行可能で検証可能な計算病理に翻訳するエージェントフレームワークである。 代表的な4つのタスクファミリーにまたがる12の公開データセットを対象にPathLabを評価した。 制御されたユーザスタディでは、PathLabは実行可能な分析パイプラインを生成するのに必要な時間を大幅に削減した。
• 参考スコア（独自算出の注目度）: 32.63552924838788
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Computational pathology has advanced rapidly with the emergence of foundation models, yet widespread adoption remains limited by substantial technical complexity and programming requirements. Here we present PathLab, an autonomous agentic framework that translates natural-language research objectives into executable and validated computational pathology workflows through the structured composition of domain-specific skills and tools. By organizing workflow generation around reusable methodological modules, including data preprocessing, model development, evaluation and interpretation, PathLab enables studies to be specified at the level of scientific intent rather than implementation details. We evaluated PathLab across 12 public datasets spanning four representative task families: region-of-interest classification, whole-slide image classification, segmentation and survival prediction. Across all task categories, PathLab achieved non-inferior performance relative to expert implementations, while consistently enforcing semantic validity of user prompts and proactively rejecting incompatible workflow specifications prior to execution. In controlled user studies, PathLab substantially reduced the time required to generate executable analytical pipelines and enabled domain experts without programming experience to independently design, execute and evaluate computational pathology studies. Together, these results establish PathLab as a reliable interface between biomedical intent and computational execution, enabling computational pathology studies to be designed at the level of scientific questions rather than programming expertise. By lowering technical barriers to advanced AI methodologies, PathLab provides a foundation for the broader democratization of computational pathology.
• Abstract（参考訳）: 基礎モデルの出現とともに計算病理学は急速に進歩してきたが、技術的な複雑さとプログラミングの要件によって広く採用されている。 本稿では、自然言語研究の目的を、ドメイン固有のスキルとツールの構造的構成を通じて、実行可能で検証可能な計算病理ワークフローに変換する自律エージェントフレームワークPathLabを提案する。 データ前処理、モデル開発、評価と解釈を含む再利用可能な方法論モジュールを中心としたワークフロー生成を組織することにより、PathLabは、実装の詳細よりも科学的意図のレベルで研究を特定できる。 PathLab は 4 つのタスクファミリーにまたがる12 つのパブリックデータセットに対して,領域間分類,全スライディング画像分類,セグメント化,生存予測を行った。 全てのタスクカテゴリにおいて、PathLabは専門家による実装と比較して非下位のパフォーマンスを実現し、ユーザプロンプトのセマンティックな妥当性を一貫して保証し、実行前に互換性のないワークフロー仕様を積極的に拒否した。 制御されたユーザスタディにおいて、PathLabは実行可能な分析パイプラインを生成するのに必要な時間を大幅に削減し、プログラミング経験のないドメインエキスパートが独立して計算病理学を設計、実行、評価できるようにしました。 これらの結果は、バイオメディカルインテントと計算実行の間の信頼性の高いインターフェースとしてPathLabを確立し、計算病理学の研究をプログラミングの専門知識よりも科学的な課題のレベルで設計することを可能にする。 高度なAI方法論に対する技術的な障壁を低くすることで、PathLabは計算病理のより広範な民主化の基礎を提供する。

関連論文リスト

• STEP: A Modular Silent Trial Engine for Operational Evaluation of Digital Pathology AI in Routine Workflow [1.6877591150411722]
  サイレントトライアルは、AIモデルの振り返り検証と、臨床医療におけるそれらの使用の間の橋渡しを提供する。 我々は、計算病理AIモデルの将来的なサイレントトライアルを編成する再利用可能なソフトウェアプラットフォームを開発した。
  論文  参考訳（メタデータ） (2026-08-27T20:33:39Z)
• LabVLA: Grounding Vision-Language-Action Models in Scientific Laboratories [95.20367571157679]
  Vision-Language-Action (VLA) モデルは、記述されたプロトコルとロボット実行の間の1つの可能なインターフェースを提供する。 既存の政策は、主に家庭やテーブルトップのデモンストレーションに基づいて訓練されており、機器、透明な液体、または科学実験室で見られる固定されたプロトコルに遭遇することは滅多にない。 まず、Qwen3-VL-4B-インストラクションバックボーンアクションを学習する前に認識させ、フローマッチング後トレーニングを行い、次に知識絶縁下でDiTアクションエキスパートをアタッチする。
  論文  参考訳（メタデータ） (2026-06-11T17:03:53Z)
• Federated Semantic Knowledge Graphs for Laboratory Workflows: A Structured Expert Elicitation Methodology Demonstrated Through Bioanalytical Workflow Twins [0.0]
  医薬・生物医学研究の研究室は、かなりの暗黙の知識をコードしている。 本稿では,この知識を収集・クエリするために,構造化された専門知識抽出手法と連合セマンティック知識グラフ(SKG)アーキテクチャを提案する。 このアーキテクチャは、AI研究所のエージェントが人間の判断が不可能な場所で、障害を検出するのではなく、実行資産がマスクされるようなクエリ可能な表現を欠いているセマンティックワールドモデルを提供する。
  論文  参考訳（メタデータ） (2026-05-15T18:44:52Z)
• Towards a Virtual Neuroscientist: Autonomous Neuroimaging Analysis via Multi-Agent Collaboration [53.772014300855375]
  我々は,自律型エンドツーエンド神経画像解析のためのマルチエージェントシステムであるNIAgentを紹介する。 従来のフラットなツール呼び出しエージェントとは異なり、NIAgentはコード中心の実行パラダイムを採用している。 本稿では,コホートレベルの検定とエージェント視覚検査を組み合わせた,自律的品質管理のための階層的検証フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-10T06:30:19Z)
• Transforming Behavioral Neuroscience Discovery with In-Context Learning and AI-Enhanced Tensor Methods [5.319819085855185]
  私たちは、チーム内のドメインの専門家が実験データから洞察を得られるように、変革と加速するために設計されたAI強化パイプラインの例を紹介します。 手元にある応用は行動神経科学の分野において、マウスの恐怖の一般化を研究することである。 ドメインエキスパートがAIモデルのトレーニングや微調整を必要とせず、パイプラインの一部を自動化するのに適したインターフェースとして、ICL(In-Context Learning)の新たなパラダイムを特定します。
  論文  参考訳（メタデータ） (2026-02-19T02:47:46Z)
• Towards Agentic Intelligence for Materials Science [73.4576385477731]
  この調査は、コーパスキュレーションからプレトレーニングから、シミュレーションと実験プラットフォームに面した目標条件付きエージェントまで、ユニークなパイプライン中心の視点を推し進める。 コミュニティをブリッジし、参照の共有フレームを確立するために、まず、AIと材料科学をまたいだ用語、評価、ワークフローの段階を整列する統合レンズを提示する。
  論文  参考訳（メタデータ） (2026-01-29T23:48:43Z)
• 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)
• A co-evolving agentic AI system for medical imaging analysis [14.925000849408683]
  TissueLabは、研究者が直接質問し、説明可能な結果を自動的に計画し、生成し、リアルタイム分析を行うことができるエージェントAIシステムである。 多様なツールのインプット、アウトプット、能力の標準化により、システムはいつ、どのように呼び出すかを決定し、研究や臨床上の問題に対処する。 tissueLabは、エンドツーエンドのビジョン言語モデル(VLM)や他のエージェントAIシステム(GPT-5)と比較して、最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-09-24T16:15:28Z)
• PyTDC: A multimodal machine learning training, evaluation, and inference platform for biomedical foundation models [59.17570021208177]
  PyTDCは、マルチモーダルな生物学的AIモデルのための合理化されたトレーニング、評価、推論ソフトウェアを提供する機械学習プラットフォームである。 本稿では、PyTDCのアーキテクチャの構成要素と、我々の知る限り、導入したシングルセルドラッグターゲットMLタスクにおける第一種ケーススタディについて論じる。
  論文  参考訳（メタデータ） (2025-05-08T18:15:38Z)
• STRICTA: Structured Reasoning in Critical Text Assessment for Peer Review and Beyond [68.47402386668846]
  本研究では,テキストアセスメントをステップワイド推論プロセスとしてモデル化するために,Structured Reasoning In Critical Text Assessment (STRICTA)を導入する。 STRICTAは、因果性理論に基づく相互接続推論ステップのグラフに評価を分解する。 約40人のバイオメディカル専門家が20以上の論文について4000以上の推論ステップのデータセットにSTRICTAを適用した。
  論文  参考訳（メタデータ） (2024-09-09T06:55:37Z)
• Clairvoyance: A Pipeline Toolkit for Medical Time Series [95.22483029602921]
  時系列学習は、データ駆動の*クリニカルな意思決定支援のパンとバターである* Clairvoyanceは、ソフトウェアツールキットとして機能する、統合されたエンドツーエンドのオートMLフレンドリなパイプラインを提案する。 Clairvoyanceは、臨床時系列MLのための包括的で自動化可能なパイプラインの生存可能性を示す最初のものである。
  論文  参考訳（メタデータ） (2023-10-28T12:08:03Z)
• REET: Robustness Evaluation and Enhancement Toolbox for Computational Pathology [1.452875650827562]
  計算病理学応用のための最初のドメイン固有ロバストネス評価・拡張ツールボックス(REET)を提案する。 REETは予測モデルの堅牢性評価を可能にするアルゴリズム戦略のスイートを提供する。 REETはまた、計算病理学におけるディープラーニングパイプラインの効率的で堅牢なトレーニングを可能にする。
  論文  参考訳（メタデータ） (2022-01-28T18:23:55Z)

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。