論文の概要: Paired Uterine Whole-Slide Images and Pathology Reports for Multimodal Computational Pathology
- arxiv url: http://arxiv.org/abs/2607.04020v1
- Date: Sat, 04 Jul 2026 20:34:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-07 22:26:29.793871
- Title: Paired Uterine Whole-Slide Images and Pathology Reports for Multimodal Computational Pathology
- Title（参考訳）: Paired Uterine Whole-Slide Image and Pathology Reports for Multimodal Computational Pathology
- Abstract要約: WSI(Whole-Slide Image)は、病理のデジタルトランスフォーメーションを可能にする。
病理組織像と病理所見を共同で解析するマルチモーダルモデルは、自動病理報告生成とAIによる診断に有望な可能性を示唆している。
本稿では,WSIsを併用した子宮疾患データセットであるTUM-Uteriaを紹介する。
- 参考スコア（独自算出の注目度）: 54.42160154368719
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Uterine diseases represent an important category of gynecologic pathology and require accurate histopathological assessment for diagnosis and treatment planning. Whole-slide images (WSI) have enabled the digital transformation of pathology workflows and provided new opportunities for artificial intelligence (AI) in computational pathology. In particular, multimodal models that jointly analyze histopathology images and pathology reports have shown promising potential for automated pathology report generation and AI-assisted diagnosis. However, the development of such systems remains limited by the scarcity of datasets that pair whole-slide images with clinically meaningful pathology reports. Instead, existing pathology datasets focus on patch- or slide-level annotations of a single endpoint (e.g., disease class), which do not fully capture the rich information in full clinical diagnostic workflow reports. Here, we introduce TUM-Uteria, a uterine pathology dataset comprising WSIs paired with diagnostic pathology reports at both the case and slide levels, collected from a tertiary medical center. The dataset contains 216 clinical cases, comprising 455 slide-level WSI-report pairs. The dataset underwent a structured multi-stage validation procedure involving board-certified pathologists to ensure reliable annotations. TUM-Uteria supports research in computational pathology, including whole-slide image analysis, multimodal learning, and automated pathology report generation.
- Abstract（参考訳）: 子宮疾患は婦人科疾患の重要なカテゴリーであり、診断と治療計画のための正確な病理組織学的評価が必要である。
WSI(Whole-Slide Image)は、病理ワークフローのデジタルトランスフォーメーションを可能にし、計算病理学における人工知能(AI)の新しい機会を提供する。
特に,病理組織像と病理所見を共同で解析するマルチモーダルモデルは,自動病理診断とAI支援診断の可能性を示唆している。
しかし、そのようなシステムの開発は、臨床に有意義な病理報告とスライディング全体像を組み合わせたデータセットの不足によって制限されている。
代わりに、既存の病理データセットは、単一のエンドポイント(例えば、疾患クラス)のパッチやスライドレベルのアノテーションに焦点を当てている。
本稿では,WSIsを併用した子宮疾患データセットであるTUM-Uteriaについて紹介する。
このデータセットには、スライドレベル455のWSIレポートペアを含む216の臨床症例が含まれている。
このデータセットは、信頼できるアノテーションを保証するために、ボード認証された病理学者を含む、構造化された多段階の検証手順を実行した。
TUM-Uteriaは、全スライディング画像解析、マルチモーダル学習、自動病理報告生成など、計算病理学の研究を支援する。
関連論文リスト
- Benchmarking Vision-Language Models for Automated Pathology Diagnosis and Report Generation [28.553483401938195]
本報告では,5施設から約10,500対の医療用パンアジアWSIを報告した。
マルチモーダルモデルの体系的評価のためのMICCAIチャレンジを通じてREG 2025ベンチマークを確立する。
論文 参考訳（メタデータ） (2026-09-01T08:01:31Z) - Multimodal Model for Computational Pathology:Representation Learning and Image Compression [0.7901604416781479]
ワイルスライド画像(WSI)は、ギガピクセルの病理像の計算解析を可能にすることで、デジタル病理を変革した。
本稿では,近年のマルチモーダル計算病理学の進歩を概観する。
論文 参考訳（メタデータ） (2026-03-19T09:24:44Z) - A Semantically Enhanced Generative Foundation Model Improves Pathological Image Synthesis [82.01597026329158]
本稿では,組織合成のための相関調整フレームワーク(CRAFTS)について紹介する。
CRAFTSは、生物学的精度を確保するためにセマンティックドリフトを抑制する新しいアライメント機構を組み込んでいる。
本モデルは,30種類の癌にまたがる多彩な病理像を生成する。
論文 参考訳（メタデータ） (2025-12-15T10:22:43Z) - Multimodal Whole Slide Foundation Model for Pathology [9.46103337205135]
我々は,視覚的自己教師型学習と,病理報告と視覚言語アライメントを用いて事前学習したスライド基礎モデルであるTITANを提案する。
TITANは、汎用的なスライド表現を抽出し、リソース限定の臨床シナリオに一般化する病理報告を生成する。
論文 参考訳（メタデータ） (2024-11-29T12:39:57Z) - Clinical-grade Multi-Organ Pathology Report Generation for Multi-scale Whole Slide Images via a Semantically Guided Medical Text Foundation Model [3.356716093747221]
患者に対する病理報告を生成するために, 患者レベル多臓器報告生成(PMPRG)モデルを提案する。
我々のモデルはMETEORスコア0.68を達成し、我々のアプローチの有効性を実証した。
論文 参考訳（メタデータ） (2024-09-23T22:22:32Z) - PathInsight: Instruction Tuning of Multimodal Datasets and Models for Intelligence Assisted Diagnosis in Histopathology [7.87900104748629]
6つの異なるタスクをカバーする約45,000のケースのデータセットを慎重にコンパイルしました。
特にLLaVA, Qwen-VL, InternLMを微調整したマルチモーダル大規模モデルで, このデータセットを用いて命令ベースの性能を向上させる。
論文 参考訳（メタデータ） (2024-08-13T17:05:06Z) - Potential of Multimodal Large Language Models for Data Mining of Medical Images and Free-text Reports [51.45762396192655]
特にGemini-Vision-Series (Gemini) と GPT-4-Series (GPT-4) は、コンピュータビジョンのための人工知能のパラダイムシフトを象徴している。
本研究は,14の医用画像データセットを対象に,Gemini,GPT-4,および4つの一般的な大規模モデルの性能評価を行った。
論文 参考訳（メタデータ） (2024-07-08T09:08:42Z) - Radiology Report Generation Using Transformers Conditioned with
Non-imaging Data [55.17268696112258]
本稿では,胸部X線画像と関連する患者の人口統計情報を統合したマルチモーダルトランスフォーマーネットワークを提案する。
提案ネットワークは、畳み込みニューラルネットワークを用いて、CXRから視覚的特徴を抽出し、その視覚的特徴と患者の人口統計情報のセマンティックテキスト埋め込みを組み合わせたトランスフォーマーベースのエンコーダデコーダネットワークである。
論文 参考訳（メタデータ） (2023-11-18T14:52:26Z) - A Transformer-based representation-learning model with unified
processing of multimodal input for clinical diagnostics [63.106382317917344]
本稿では,マルチモーダル入力を統一的に処理する臨床診断支援として,トランスフォーマーを用いた表現学習モデルについて報告する。
統一モデルは, 肺疾患の同定において, 画像のみのモデル, 非統一型マルチモーダル診断モデルより優れていた。
論文 参考訳（メタデータ） (2023-06-01T16:23:47Z) - PathAsst: A Generative Foundation AI Assistant Towards Artificial
General Intelligence of Pathology [15.419350834457136]
病理学における診断・予測分析に革命をもたらすための多モード生成基盤AIアシスタントであるPathAsstを提案する。
PathAsstの開発には、データ取得、CLIPモデル適応、PathAsstのマルチモーダル生成機能のトレーニングの3つの重要なステップが含まれている。
PathAsstの実験結果は、病理診断と治療プロセスを改善するためにAIを利用した生成基盤モデルを活用する可能性を示している。
論文 参考訳（メタデータ） (2023-05-24T11:55:50Z) - Weakly supervised multiple instance learning histopathological tumor
segmentation [51.085268272912415]
スライド画像全体のセグメント化のための弱教師付きフレームワークを提案する。
トレーニングモデルに複数のインスタンス学習スキームを利用する。
提案するフレームワークは,The Cancer Genome AtlasとPatchCamelyonデータセットのマルチロケーションとマルチ中心公開データに基づいて評価されている。
論文 参考訳（メタデータ） (2020-04-10T13:12:47Z)
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。