論文の概要: CorePath: A Breast-Specialized Pathology Foundation Model for Core Needle Biopsy Diagnosis and Risk-Controlled Report Generation

• arxiv url: http://arxiv.org/abs/2608.03079v1
• Date: Tue, 04 Aug 2026 03:43:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-05 15:30:23.022239
• Title: CorePath: A Breast-Specialized Pathology Foundation Model for Core Needle Biopsy Diagnosis and Risk-Controlled Report Generation
• Title（参考訳）: CorePath: コアニードル生検診断とリスク管理レポート生成のための乳幼児専門の病理基盤モデル
• Abstract要約: CorePathはPRISMを微調整した乳腺特異的多モード病理基盤モデルである。 CorePathはがんの検出、浸潤評価、組織学的サブタイプでPRISMを一貫して上回った。
• 参考スコア（独自算出の注目度）: 19.43990244213587
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Breast core needle biopsy (CNB) is central to breast cancer diagnosis yet remains challenging because limited tissue sampling, lesion heterogeneity, and subtle morphologic overlap can obscure subtype distinctions. We developed CorePath, a breast-specialized multimodal pathology foundation model fine-tuned from PRISM using 7901 paired CNB whole-slide images and diagnostic reports from two centers. Evaluated across six CNB cohorts and two public breast pathology benchmarks without task-specific retraining, CorePath consistently outperformed PRISM across cancer detection, invasion assessment, and histological subtyping. It achieved weighted area under the receiver operating characteristic curves (AUCs) of 0.9526-0.9735 for five-class CNB histological subtyping across private centers. On public benchmarks, CorePath outperformed leading pathology foundation models, achieving the highest weighted AUCs of 0.7780 for BCNB invasive carcinoma subtyping, 0.8178 for BRACS lesion stratification, and 0.8252 for BRACS fine-grained classification. In report generation, CorePath reduced the overall non-breast hallucinations from 30.1% to 2.8%, demonstrating improved domain fidelity after breast-specific adaptation. CorePath-CRG further combined conformal subtype-confidence gating with Learn-Then-Test risk control to enable selective report release, subtype-level fallback, and deferral. CorePath-CRG achieved zero non-breast hallucinations among released outputs and showed the strongest overall performance in pathologist-validated LLM-based Evaluation Scores and quantitative report-generation metrics across most centers. These results demonstrate that domain-specialized foundation models with statistical risk control offer a promising approach for accurate breast CNB diagnosis and reliable report generation.
• Abstract（参考訳）: 乳腺核針生検 (CNB) は乳癌診断の中心であるが, 組織サンプリング, 病変の均一性, 微妙な形態的重複が, サブタイプ区別を曖昧にする可能性があるため, 依然として困難である。 We developed CorePath, a breast-specialized multimodal pathology foundation model fine-tuned from PRISM using 7901 paired CNB whole-slide image and diagnosis reports from two center。 6つのCNBコホートと2つの公共乳腺病理検査でタスク固有のリトレーニングなしで評価され、CorePathはがんの検出、浸潤評価、組織学的サブタイピングでPRISMを一貫して上回った。 民間センターにまたがる5クラスのCNBヒストロジカルサブタイピングにおいて、受信機動作特性曲線(AUC)の0.9526-0.9735の重み付き領域を達成した。 公的なベンチマークでは、CorePathは主要な病理基盤モデルより優れており、BCNB浸潤癌サブタイプが0.7780、BRACS病変層が0.8178、BRACS微粒化が0.8252である。 レポート生成では、CorePathは乳腺特異的適応後の領域の忠実度を改善したため、全体的な非乳癌の幻覚を30.1%から2.8%に減らした。 CorePath-CRGはさらに、コンフォメーションサブタイプ信頼ゲーティングとLearn-Then-Testリスクコントロールを組み合わせることで、選択的レポートリリース、サブタイプレベルのフォールバック、deferralを可能にする。 CorePath-CRGは, アウトプットの非高次幻覚をゼロとし, 病理学者によるLCM評価スコア, およびほとんどのセンターにおける定量的レポート生成指標において, 最強の総合的性能を示した。 以上の結果から, 統計的リスク制御を伴うドメイン特化基礎モデルが, 正確な乳腺CNB診断と信頼性レポート生成に有望なアプローチをもたらすことが示唆された。

関連論文リスト

• A Pathology Foundation Model for Gastric Cancer with Real-World Validation [47.19073124722865]
  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。
  論文  参考訳（メタデータ） (2026-06-03T12:18:06Z)
• TriALS: Triphasic-Aided Liver Lesion Segmentation Benchmark in Non-Contrast CT [49.93685997940356]
  コントラスト制限条件下での肝病変の自動分節に対するTriALSの課題について述べる。 最高性能は平均静脈圧0.754で, NCCTでは0.57に低下した。 アルゴリズムの性能は、トレーニングデータスケールと事前学習戦略によって最も強く予測された。
  論文  参考訳（メタデータ） (2026-05-15T19:23:35Z)
• 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)
• MorphDistill: Distilling Unified Morphological Knowledge from Pathology Foundation Models for Colorectal Cancer Survival Prediction [3.2844015242965927]
  複数の病理基盤モデルから補完的知識を抽出し,CRC固有のエンコーダに変換するフレームワークであるMorphDistillを提案する。 第1段階では,学生エンコーダは,大規模大腸データセット上でのコントラスト正規化を監督したディメンション非依存型マルチティーチンガー蒸留を用いて訓練される。 ステージIIでは、エンコーダが全スライド画像からパッチレベルの特徴を抽出し、注意に基づく複数インスタンス学習を通じて集約し、5年間の生存を予測する。
  論文  参考訳（メタデータ） (2026-04-07T19:21:18Z)
• A deep learning pipeline for PAM50 subtype classification using histopathology images and multi-objective patch selection [0.2958068627971103]
  PAM50遺伝子シグネチャは、乳がんを固有のサブタイプに分類する標準として広く認識されている。 本研究では,コストのかかる分子アッセイへの依存を減らすことを目的とした,新しい最適化駆動型ディープラーニングフレームワークを提案する。 提案手法は,非支配的ソート遺伝的アルゴリズムII(NSGA-II)とモンテカルロのドロップアウトに基づく不確実性推定を組み合わせ,パッチ情報量,空間的多様性,不確実性,パッチ数などを共同で最適化する。
  論文  参考訳（メタデータ） (2026-04-02T09:13:24Z)
• GOLDMARK: Governed Outcome-Linked Diagnostic Model Assessment Reference Kit [7.891604152731754]
  CB(Computational Biomarker)は、ヘマトキシリン・エオシン(H&E)全スライディング画像(WSI)から抽出した組織由来のパターンで、治療効果や予後を予測する。 臨床応用可能な OncoKB レベル1-3 バイオマーカーラベルを持つTCGAコーホート上に構築された標準化されたベンチマークフレームワークである GOLDMARK を紹介する。
  論文  参考訳（メタデータ） (2026-03-21T15:09:06Z)
• Robust Multicentre Detection and Classification of Colorectal Liver Metastases on CT: Application of Foundation Models [11.274035647041762]
  我々は,CT上のCRLMの患者レベル分類と病変レベル検出のための基礎モデルに基づくAIパイプラインを開発した。 UMedPTは最高の成績を示し,分類用頭部と病変検出用FCOSベースの頭部を微調整した。
  論文  参考訳（メタデータ） (2026-01-12T14:35:29Z)
• Neural Discrete Representation Learning for Sparse-View CBCT Reconstruction: From Algorithm Design to Prospective Multicenter Clinical Evaluation [64.42236775544579]
  コーンビームCT(CBCT)ガイド下穿刺は胸部腫瘍の診断・治療に確立されたアプローチとなっている。 DeepPriorCBCTは3段階のディープラーニングフレームワークであり、従来の放射線線量の6分の1しか使用せずに診断段階の再構築を実現する。
  論文  参考訳（メタデータ） (2025-11-30T12:45:02Z)
• 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)
• Transformer Classification of Breast Lesions: The BreastDCEDL_AMBL Benchmark Dataset and 0.92 AUC Baseline [1.9336815376402718]
  本研究では,ダイナミックコントラスト強調MRIにおける乳腺病変の自動分類のためのトランスフォーマーベースフレームワークを提案する。 患者レベルでは100%の感度と67%の特異性を有する病変レベル分類のAUCを0.92で達成したSegFormerアーキテクチャを実装した。 データセット、モデル、評価プロトコルの公開リリースは、DCE-MRI病変分類のための最初の標準化されたベンチマークを提供する。
  論文  参考訳（メタデータ） (2025-09-30T15:58:02Z)
• 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)
• Exploiting Precision Mapping and Component-Specific Feature Enhancement for Breast Cancer Segmentation and Identification [0.0]
  乳房病変の分類・分類のための新しいDeep Learning(DL)フレームワークを提案する。 本稿では,PMAD-LinkNetセグメンテーションフレームワークの高精度マッピング機構(PMM)を提案する。 また、コンポーネント固有の特徴拡張モジュール (CSFEM) を導入し、コンポーネント固有の特徴強化分類器 (CSFEC-Net) を提案する。
  論文  参考訳（メタデータ） (2024-07-03T06:40:26Z)
• CIMIL-CRC: a clinically-informed multiple instance learning framework for patient-level colorectal cancer molecular subtypes classification from H\&E stained images [42.771819949806655]
  CIMIL-CRCは、事前学習した特徴抽出モデルと主成分分析(PCA)を効率よく組み合わせ、全てのパッチから情報を集約することで、MSI/MSS MIL問題を解決するフレームワークである。 我々は,TCGA-CRC-DXコホートを用いたモデル開発のための5倍のクロスバリデーション実験装置を用いて,曲線下平均面積(AUC)を用いてCIMIL-CRC法の評価を行った。
  論文  参考訳（メタデータ） (2024-01-29T12:56:11Z)
• 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。