論文の概要: PathoArgus: Advancing Evidence-Grounded Long-Context Visual Reasoning across Gigapixel Whole-Slide and Multi-Slide Case Contexts
- arxiv url: http://arxiv.org/abs/2608.17607v1
- Date: Tue, 18 Aug 2026 10:16:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-19 21:40:53.30311
- Title: PathoArgus: Advancing Evidence-Grounded Long-Context Visual Reasoning across Gigapixel Whole-Slide and Multi-Slide Case Contexts
- Title（参考訳）: PathoArgus: ギガピクセル全体とマルチスライディングのケースコンテキストを横断した、エビデンス・グラウンドロングコンテキスト推論の強化
- Abstract要約: 完全エビデンスチェーンを明示的にテストするベンチマークおよび評価プロトコルであるPathoArgus-Benchを紹介する。
PathoArgus-Benchは15のTCGAプロジェクトから4,913人の患者から22,078の質問を受けている。
また、ターゲットのWSIセットが移動、置換、削除される間、質問テキストが固定される483個のクォーテの制御セットであるESGをコントリビュートする。
- 参考スコア（独自算出の注目度）: 14.635805865055433
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Whole-slide pathology reasoning requires models to integrate gigapixel-scale visual evidence across complete case-linked slides, yet current question-answering benchmarks primarily measure final answer accuracy--a metric vulnerable to linguistic priors and benchmark regularities, and insufficient to establish that predictions are grounded in the supplied tissue. We introduce PathoArgus-Bench, a benchmark and evaluation protocol that explicitly tests the full evidence chain: availability, accessibility, use, and responsiveness. PathoArgus-Bench comprises 22,078 four-choice questions from 4,913 patients across 15 TCGA projects, covering six pathology capabilities across three levels of evidence demand, and operates under a fixed reader budget that retains only a small fraction of the gigapixel context. To further isolate evidence-grounded reasoning, we contribute ESG (Evidence State Quartets), a controlled set of 483 quartets where the question text is fixed while the target WSI set is moved, replaced, or removed, requiring consistent predictions across all states. Evaluating 20 general-purpose, medical, and pathology-specific systems reveals a stark gap: while GPT-5.6 achieves 57.09% overall accuracy and 57.04% on ESG, it correctly completes only 19 of 483 quartets (3.93% QExact), exposing that row-level accuracy does not translate into reliable evidence grounding. We also introduce PathoArgus, a fixed-budget reader that allocates context via question relevance and spatial coverage, attaining 50.39% overall accuracy yet only 1.86% QExact--demonstrating that improved context access alone does not ensure consistent evidence-based prediction. Our benchmark and diagnostics establish that acquiring useful whole-slide context is necessary but far from sufficient, and call for a shift from answer-centric to evidence-grounded evaluation in computational pathology.
- Abstract（参考訳）: 完全スライディングは、完全なケースリンクされたスライド全体にわたってギガピクセルスケールの視覚的エビデンスを統合するモデルを必要とするが、現在の質問回答ベンチマークは、主に最終回答の精度を計測する。
PathoArgus-Benchは、アベイラビリティ、アクセシビリティ、使用、応答性の完全なエビデンスチェーンを明示的にテストする、ベンチマークおよび評価プロトコルである。
PathoArgus-Benchは15のTCGAプロジェクトで4,913人の患者から22,078人の質問を受けており、3つのレベルの証拠要求をカバーし、ギガピクセルのコンテキストのごく一部しか保持しない固定された読影予算の下で運営されている。
ESG(Evidence State Quartets)は,対象のWSIセットを移動・置換・削除する際に質問文が固定された483個のクォーテの制御された集合であり,全ての状態に対して一貫した予測を必要とする。
GPT-5.6は57.09%の総合精度と57.04%のESGを達成し、483個のクォーテット(3.93% QExact)のうち19個のみが正常に完了し、行レベルの精度が信頼できる証拠に変換されないことが明らかになった。
また,質問の関連性や空間的カバレッジを通じてコンテキストを割り当てる固定予算型読影機PathoArgusを導入し,全体の精度は50.39%,文脈アクセスの改善だけで一貫したエビデンスベースの予測を保証できないQExact-demonstratingは1.86%に留まった。
筆者らのベンチマークと診断では, 有効な全すべりコンテキストの獲得は必要だが, 十分ではないことが確認されており, 計算病理学における解答中心からエビデンス基底評価へのシフトが求められている。
関連論文リスト
- NovGauge: A Fine-Grained Benchmark for Diagnosing LLMs' Capability in Paper Novelty Assessment [54.4265627247104]
大規模言語モデル(LLM)は、主要なAIカンファレンスでピアレビューでますます使用されている。
既存のベンチマークでは、ノベルティを1つの総合的なスコアとして評価している。
本報告では,詳細なノベルティアセスメント診断のための人手によるベンチマークであるNovGaugeについて述べる。
論文 参考訳（メタデータ） (2026-09-10T08:34:56Z) - Confidence-Aware Tool Orchestration for Robust Video Understanding [30.37722671405153]
本稿では,フレーム単位の信頼性を推論のあらゆる段階に統合するエージェントビデオ理解フレームワークであるRobust-TOを提案する。
8つのタスクにまたがる2つのビデオ推論ベンチマークで、Robost-TOはクリーンな入力で平均56.4%の精度を達成した。
5つの現実的な汚職タイプの下では、Robust-TOは54.3%の平均精度を維持し、5.8%が最強のオープンソースベースラインより上である。
論文 参考訳（メタデータ） (2026-06-25T11:37:51Z) - Towards Clinically Interpretable Ophthalmic VQA via Spatially-Grounded Lesion Evidence [51.57735743553791]
今回我々はFundusGroundを紹介した。これは臨床的に解釈可能な眼科用VQAの空間的根拠を用いた新しいベンチマークである。
この構造された病変の証拠に基づいて、72,706の質問が4つのフォーマットにまたがって生成される。
実験により、病変レベルの視覚的エビデンスを組み込むことで、モデルの性能と透明性が一貫して向上することが示された。
論文 参考訳（メタデータ） (2026-05-21T12:37:03Z) - ReacTOD: Bounded Neuro-Symbolic Agentic NLU for Zero-Shot Dialogue State Tracking [2.2573512203799626]
本稿では,NLUを独立したツールコールとして再構成する有界神経シンボルアーキテクチャであるReacTODを提案する。
有界ReActループは反復自己補正を可能にし、MultiWOZ上のシングルパス推論よりも最大9.3ポイント精度を向上させる。
論文 参考訳（メタデータ） (2026-05-18T20:06:04Z) - Medical thinking with multiple images [44.04557445622649]
我々はMedThinkVQAを紹介した。MedThinkVQAは、複数の画像で考えるためのエキスパートアノテーション付きベンチマークである。
データセットは720のテストケースを含む8,067ケースを含み、1ケースあたり平均6.62イメージである。
テストセットでは、最高のクローズドソースモデルであるClaude-4.6-Opus、Gemini-3-Pro、GPT-5.2-xhighは57.2%、55.3%、54.9%の精度しか達成できなかった。
論文 参考訳（メタデータ） (2026-04-14T18:51:07Z) - When Chain-of-Thought Backfires: Evaluating Prompt Sensitivity in Medical Language Models [2.064612766965483]
MedMCQA(4,183質問)とPubMedQA(1,000質問)でMedGemma(4Bおよび27Bパラメータ)を評価する。
実験の結果,いくつかの知見が得られた。
論文 参考訳（メタデータ） (2026-03-26T23:04:20Z) - Guideline-grounded retrieval-augmented generation for ophthalmic clinical decision support [8.709303749983818]
Oph-Guid-RAGは眼科臨床質問応答と意思決定支援のためのマルチモーダルビジュアルRAGシステムである。
各ガイドラインページを独立したエビデンス単位として扱い、ページイメージを直接検索し、テーブル、フローチャート、レイアウト情報を保存する。
このシステムは、クエリ分解、クエリ書き換え、検索、再ランク付け、マルチモーダル推論を統合し、ガイドラインページ参照でトレース可能な出力を提供する。
論文 参考訳（メタデータ） (2026-03-23T12:47:34Z) - Encyclo-K: Evaluating LLMs with Dynamically Composed Knowledge Statements [78.87065404966002]
既存のベンチマークは、主に質問レベルで質問をキュレートする。
ベンチマーク構築をゼロから再考するステートメントベースのベンチマークであるEncyclo-Kを提案する。
論文 参考訳（メタデータ） (2025-12-31T13:55:54Z) - Eigen-1: Adaptive Multi-Agent Refinement with Monitor-Based RAG for Scientific Reasoning [53.45095336430027]
暗黙的な検索と構造化された協調を組み合わせた統合フレームワークを開発する。
Humanity's Last Exam (HLE) Bio/Chem Goldでは,48.3%の精度を実現している。
SuperGPQAとTRQAの結果はドメイン間の堅牢性を確認した。
論文 参考訳（メタデータ） (2025-09-25T14:05:55Z) - Benchmarking Reasoning Robustness in Large Language Models [76.79744000300363]
新規データや不完全データでは,性能が著しく低下することがわかった。
これらの結果は、厳密な論理的推論に対するリコールへの依存を浮き彫りにした。
本稿では,情報不足によって引き起こされる幻覚を利用して推論ギャップを明らかにする,Math-RoBと呼ばれる新しいベンチマークを提案する。
論文 参考訳（メタデータ） (2025-03-06T15:36:06Z) - How Robust is GPT-3.5 to Predecessors? A Comprehensive Study on Language
Understanding Tasks [65.7949334650854]
GPT-3.5モデルは様々な自然言語処理(NLP)タスクで顕著な性能を示した。
しかし、オープン世界の様々な複雑さに対処する堅牢性や能力はまだ検討されていない。
GPT-3.5は、不安定性、迅速な感度、数値感度など、いくつかの具体的な堅牢性課題に直面している。
論文 参考訳（メタデータ） (2023-03-01T07:39:01Z)
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。