論文の概要: Do Pathology Vision-Language Models Truly See Pathology?
- arxiv url: http://arxiv.org/abs/2607.21065v1
- Date: Thu, 23 Jul 2026 08:59:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-24 18:26:25.338544
- Title: Do Pathology Vision-Language Models Truly See Pathology?
- Title（参考訳）: 病理ヴィジュアライゼーション-言語モデルは、病理を真に見るか?
- Abstract要約: 現在,PathBind-VQAは6次元に1,500の質問があり,PathBind-PTAは600の質問があり,PathBind-Groundingは500の専門家による地域レベルのサンプルである。
以上の結果から,現在の病理視覚言語モデルでは,解答側性能と視覚的セマンティック・バインドの間に大きなギャップがあることが示唆された。
- 参考スコア（独自算出の注目度）: 32.145295100591355
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Pathology vision-language models (VLMs) have recently progressed rapidly and are commonly evaluated by answer accuracy on pathology VQA benchmarks. However, we dig into current evaluations and identify three overlooked issues: 1) Visual evidence is not always necessary. For instance, Gemini-3-Pro achieves 53.5% average accuracy across 5 VQA benchmarks without any visual input. 2) Domain training can improve accuracy without proportional gains in visual binding. Compared with Qwen2.5-VL-7B, Patho-R1-7B exhibits a 5.8-point lower multimodal gain and a 3.7-point lower attention IoU. 3) Entity-level attention is diffuse and weakly query-specific. On PathVG, attention maps remain highly correlated across different entity queries. These issues can lead to substantial misjudgments of pathology VLMs' actual multimodal capabilities. To this end, we present PathBind, a benchmark comprising 2,600 samples: PathBind-VQA with 1,500 questions across six dimensions, PathBind-PTA with 600 questions from a private pathology teaching atlas, and PathBind-Grounding with 500 expert-curated region-level samples. Each component undergoes task-specific automated filtering and expert review to reduce textual shortcuts and improve entity-region correspondence. We evaluate 18 representative VLMs on VQA samples of PathBind and five existing pathology VQA benchmarks, and further evaluate 10 VLMs on PathBind-Grounding and PathVG. Results show that current pathology VLMs still exhibit a substantial gap between answer-side performance and visual-semantic binding.
- Abstract（参考訳）: 病理視覚言語モデル(VLM)は近年急速に進歩し,VQAベンチマークの解答精度によって評価されている。
しかし、現在の評価を掘り下げ、見落としている3つの問題を特定します。
1) 視覚的証拠は必ずしも必要ではない。
例えば、Gemini-3-Proは視覚的な入力なしで5つのVQAベンチマークの平均精度を53.5%達成している。
2) 視覚的拘束力の比例的利得を伴わずに, ドメイントレーニングによる精度の向上が期待できる。
Qwen2.5-VL-7Bと比較すると、Patho-R1-7Bは5.8ポイントのマルチモーダルゲインと3.7ポイントの低アテンションIoUを示す。
3) エンティティレベルの注意は拡散し、クエリ固有の弱い。
PathVGでは、アテンションマップは異なるエンティティクエリ間で高い相関関係を維持している。
これらの問題は、VLMの実際のマルチモーダル能力の重大な誤判断につながる可能性がある。
この目的のために,PathBind-VQAは6次元に1,500の質問があり,PathBind-PTAは600の質問があり,PathBind-Groundingは500の専門家によって算出された地域レベルのサンプルである。
各コンポーネントはタスク固有の自動フィルタリングと専門家レビューを実行し、テキストのショートカットを削減し、エンティティとリージョンの対応を改善する。
PathBindと既存の5つの病理VQAベンチマークのVQAサンプルに対して18の代表的なVLMを評価し、PathBind-GroundingとPathVGで10のVLMを評価する。
以上の結果から,現在のVLMは応答側性能と視覚的セマンティックバインディングの間に大きなギャップがあることが示唆された。
関連論文リスト
- PathScale-R1: Cross-scale Reasoning for Pathological Image Analysis [22.108085023153482]
PathScale-VQA(パススケール-VQA)は、複数の倍率レベルにわたる1,368の診断パスにある10,373の多重選択質問を備えた、高品質なクロススケールな病理VQAベンチマークである。
セマンティック推論セットに基づいて、PathScale-R1はDifficulty駆動のReasoning Diastillationによる微調整によって最適化される。
論文 参考訳（メタデータ） (2026-07-26T18:36:23Z) - Do Medical Vision Language Models Actually See? A Counterfactual Grounding Framework and Hard-Negative Contrastive Training for Visually-Reliant Medical VLMs [6.775973739193119]
大規模視覚言語モデル(VLM)は、医学的質問に対する回答に強い精度を報告しているが、それらが視覚的エビデンスから引き起こされたのか、あるいはテキストによるショートカットを悪用したのかは定かではない。
本稿では,視覚的およびテキスト的コントリビューションを,制御されたサロゲート,ピクセルシャッフル,イメージアプサント,CLIP検索したハード負の入力画像に置換することで分離する,対物的評価フレームワークを提案する。
論文 参考訳（メタデータ） (2026-07-04T00:06:35Z) - Enhancing Pathological VLMs with Cross-scale Reasoning [16.185615513686532]
病理画像は本質的にマルチスケールであり、病理学者は、低倍率で地球規模の組織構造から高倍率で細胞形態まで、正確な診断のために証拠を統合する必要がある。
本稿では,病理学の解釈を多変量化推論として定式化する,最初のクロススケールトレーニングと評価パラダイムを紹介する。
本稿では、強化学習を用いて訓練されたモデルであるScaleReasoner-R1を紹介し、大規模VQAタスクのパフォーマンスを最適化する。
論文 参考訳（メタデータ） (2026-06-16T01:49:10Z) - CoV: Chain-of-View Prompting for Spatial Reasoning [64.77921266428824]
CoV(Chain-of-View)は、視覚言語モデルをアクティブな視点推論子に変換する。
我々はOpenEQA上でのCoVの評価を行い、Qwen3-VL-Flashで最大13.62%向上したLLM-Matchで平均+11.56%改善した。
論文 参考訳（メタデータ） (2026-01-08T17:59:42Z) - YpathRAG:A Retrieval-Augmented Generation Framework and Benchmark for Pathology [16.03995342015096]
28のサブフィールドと133万の段落を含む病理ベクトルデータベースを構築した。
二重チャネルハイブリッド検索を用いた病理指向RAGフレームワークYpathRAGを提案する。
また,YpathRとYpathQA-Mの2つの評価ベンチマークもリリースした。
論文 参考訳（メタデータ） (2025-10-07T08:47:59Z) - Traceable Evidence Enhanced Visual Grounded Reasoning: Evaluation and Methodology [87.65242416688146]
TreeBenchは、ビジュアルグラウンド推論の診断ベンチマークである。
TreeVGRは、強化学習と共同でローカライゼーションと推論を監督する訓練パラダイムである。
論文 参考訳（メタデータ） (2025-07-10T17:59:58Z) - ChartMuseum: Testing Visual Reasoning Capabilities of Large Vision-Language Models [48.994853869901974]
視覚的推論によってのみ解決可能な合成データセットを用いてケーススタディを行う。
次に、1,162人の専門家が注釈を付けた質問を含む新しいチャート質問回答(QA)ベンチマークであるChartMuseumを紹介します。
人間は93%の精度を達成しているが、最高のパフォーマンスモデルであるGemini-2.5-Proは63.0%しか達成できず、主要なオープンソースであるLVLM Qwen2.5-VL-72B-Instructは38.5%しか達成していない。
論文 参考訳（メタデータ） (2025-05-19T17:59:27Z) - SoTA with Less: MCTS-Guided Sample Selection for Data-Efficient Visual Reasoning Self-Improvement [100.85923086072204]
我々はThinkLite-VLを紹介した。これは最先端(SoTA)パフォーマンスを実現する視覚推論モデルのファミリーで、トレーニングサンプルの桁数を桁違いに減らしている。
我々はMonte Carlo Tree Search (MCTS) を用いて、各インスタンスの解決に必要な視覚言語モデル(VLM)の推論反復数を用いてサンプルの難易度を測定する。
ThinkLite-VL-7BとThinkLite-VL-72Bは、8つの視覚的推論ベンチマークにおいて、それぞれのベースモデルよりも大幅に優れていた。
論文 参考訳（メタデータ） (2025-04-10T17:49:05Z) - PathVG: A New Benchmark and Dataset for Pathology Visual Grounding [45.21597220882424]
そこで我々はPathVG(Pathology Visual Grounding)と呼ばれる新しいベンチマークを提案する。
実験の結果,病理表現の根底にある暗黙的な情報に最大の課題があることが判明した。
提案手法は,PathVGベンチマーク上での最先端性能を実現する。
論文 参考訳（メタデータ） (2025-02-28T09:13:01Z) - Q-Bench+: A Benchmark for Multi-modal Foundation Models on Low-level Vision from Single Images to Pairs [71.07108539262721]
低レベルの視覚に関連する人間の言語応答をエミュレートするためのベンチマーク設定を設計する。
我々は,MLLMの低レベルの認識関連質問応答と記述評価を,単一画像から画像ペアへ拡張する。
複数のMLLMが単一の画像に対して十分な低レベルの視覚能力を持つことを示したが、GPT-4Vのみが人間よりも高い精度で比較できる。
論文 参考訳（メタデータ） (2024-02-11T06:44:11Z) - LV-Eval: A Balanced Long-Context Benchmark with 5 Length Levels Up to 256K [57.0244259406764]
LV-Evalは5つの長さレベルが256kまで達する長文の長文ベンチマークである。
LV-Evalの利点は、異なるコンテキストの長さにわたる制御可能な評価、紛らわしい事実を持つテストインスタンスへの挑戦、より客観的な評価である。
論文 参考訳（メタデータ） (2024-02-06T13:11:19Z)
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。