論文の概要: LUCAID: Agentic Multimodal AI for Lung Cancer Precision Pathology
- arxiv url: http://arxiv.org/abs/2608.23803v2
- Date: Mon, 31 Aug 2026 10:03:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-01 18:31:30.683307
- Title: LUCAID: Agentic Multimodal AI for Lung Cancer Precision Pathology
- Title（参考訳）: 肺がん精度診断のためのエージェントマルチモーダルAILUCAID
- Abstract要約: LUCAID (LUCAID) は、肺がんの精密診断のためのエージェントAIシステムである。
統合剤は、診断推論を9つのモジュールと結合する。
LUCAIDは、モジュール出力をインタラクティブにクエリし、結果をコンテキスト化するためのレポートを生成することができる。
- 参考スコア（独自算出の注目度）: 31.423026630670297
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Lung cancer tissue diagnostics is complex, as therapy decisions in precision oncology rely on the integration of histomorphological, immunohistochemical, and molecular features. Yet pathological assessment remains largely visual and semi-quantitative and shows interobserver variability, while existing artificial intelligence (AI) tools cover only selected tasks, rarely reach generalizable expert-level performance, and lack prospective clinical validation. To address these challenges, we developed and clinically validated LUCAID, an agentic AI system for precision lung cancer pathology. An integrative agent couples diagnostic reasoning with nine modules that cover the full routine workflow, from quality control, tumor detection and segmentation, histological subtyping, tumor microenvironment profiling, tumor cellularity quantification, and predictive biomarker scoring (PD-L1, MET, TROP-2) to automated structured report generation. LUCAID enables users to interactively query the module outputs and generate reports that contextualize the results. Against large-scale expert ground-truth annotations, the analysis modules achieved F1 scores of 0.82-0.95. In prospective clinical validation, LUCAID reached 93.0% concordance with an expert-panel adjudicated reference standard across clinically actionable decisions, compared with 68.3-81.1% for five experienced thoracic pathologists.
- Abstract（参考訳）: 肺癌組織診断は複雑であり、精密腫瘍学における治療決定は、組織学的、免疫組織化学的、分子的特徴の統合に依存している。
既存の人工知能(AI)ツールは、選択されたタスクのみをカバーし、一般化可能な専門家レベルのパフォーマンスにはほとんど到達せず、将来的な臨床検証も欠如している。
これらの課題に対処するため,我々は肺がんの精密診断のためのエージェントAIシステムLUCAIDを開発し,臨床的に検証した。
統合剤は、品質制御、腫瘍検出およびセグメンテーション、組織サブタイプ、腫瘍微小環境プロファイリング、腫瘍細胞性定量化、予測バイオマーカースコア(PD-L1、MET、TROP-2)から自動構造化レポート生成まで、フルルーチンワークフローをカバーする9つのモジュールと診断推論を結合する。
LUCAIDは、モジュール出力をインタラクティブにクエリし、結果をコンテキスト化するためのレポートを生成することができる。
解析モジュールは、大規模な専門家による接地構文アノテーションに対して、0.82-0.95のF1スコアを達成した。
将来的な臨床検証では, LUCAIDは, 経験者5名に対して68.3-81.1%に対して, 専門家・パネル適応基準と93.0%の一致を示した。
関連論文リスト
- Evaluating Multi-Turn Multimodal Diagnostic Reasoning on Challenging Real-World Clinical Cases [59.5328455571863]
ClinMM-Benchは、これまでで最大のマルチターンマルチモーダル臨床診断評価ベンチマークである。
実際の患者は1,089件、医療画像は3,760件、専門は8件。
プロプライエタリモデルでは診断精度が最も高かったが、正確な診断の割合は限られていた。
論文 参考訳（メタデータ） (2026-07-28T16:19:03Z) - Dual-Modal Lung Cancer AI: Interpretable Radiology and Microscopy with Clinical Risk Integration [0.0]
本研究は,CTラジオグラフィーとヘマトキシリンとエオシン組織学を統合した肺がん診断および亜型分類のためのデュアルモーダル人工知能フレームワークを提案する。
このシステムは、畳み込みニューラルネットワークを用いて、放射線学的および病理組織学的特徴を抽出し、ロバスト性を改善するために臨床メタデータを組み込む。
実験の結果,精度0.87,AUROC0.97以上,マクロF1スコア0.88。
論文 参考訳（メタデータ） (2026-04-17T14:37:54Z) - Cerebra: A Multidisciplinary AI Board for Multimodal Dementia Characterization and Risk Assessment [56.62016795093786]
CerebraはインタラクティブなマルチエージェントAIチームで、ERH、臨床ノート、医療画像分析のための特殊エージェントをコーディネートする。
構造化された表現を操作することで、プライバシ保護デプロイメントをサポートし、モダリティが不完全であれば、堅牢である。
Cerebraは、有識者のパフォーマンスを著しく改善し、前向き認知症リスク推定において精度を17.5ポイント向上させた。
論文 参考訳（メタデータ） (2026-03-23T05:46:45Z) - Clinical Cognition Alignment for Gastrointestinal Diagnosis with Multimodal LLMs [63.535652574541764]
MLLM(Multimodal Large Language Models)は医用画像解析において顕著な可能性を示した。
消化器内視鏡におけるそれらの応用は、現在、2つの重要な限界によって妨げられている。
本稿では,これらの課題に対処する新しい臨床認知アライメント(CogAlign)フレームワークを提案する。
論文 参考訳（メタデータ） (2026-03-21T07:47:37Z) - DeepHistoViT: An Interpretable Vision Transformer Framework for Histopathological Cancer Classification [0.0]
病理組織学は、組織形態の詳細な細胞レベル評価を提供するため、がん診断のゴールドスタンダードのままである。
近年の深層学習の進歩は、医療画像における複雑な空間依存をモデル化する強力な可能性を示している。
組織像の自動分類のためのトランスフォーマーベースのフレームワークであるDeepHistoViTを提案する。
論文 参考訳（メタデータ） (2026-03-12T00:29:19Z) - 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) - A Clinical-grade Universal Foundation Model for Intraoperative Pathology [18.600671472625866]
CRISPは8つの医療センターから10万以上の凍結した部位で開発された臨床段階の基礎モデルである。
CRISPは15,000回以上の術中スライドで, ほぼ100回にわたり評価された。
CRISPは現実世界の条件下で高い診断精度を保ち、92.6%の症例で直接外科的決定を下した。
論文 参考訳（メタデータ） (2025-10-06T14:48:43Z) - 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) - RadFabric: Agentic AI System with Reasoning Capability for Radiology [61.25593938175618]
RadFabricは、総合的なCXR解釈のための視覚的およびテキスト分析を統合するマルチエージェント、マルチモーダル推論フレームワークである。
システムは、病理診断に特殊なCXRエージェント、正確な解剖学的構造に視覚所見をマッピングする解剖学的解釈エージェント、および視覚的、解剖学的、臨床データを透明かつ証拠に基づく診断に合成する大規模なマルチモーダル推論モデルを利用した推論エージェントを使用する。
論文 参考訳（メタデータ） (2025-06-17T03:10:33Z) - PathBench: A comprehensive comparison benchmark for pathology foundation models towards precision oncology [33.51485504161335]
病理基盤モデル(PFM)の最初の包括的なベンチマークであるPathBenchを紹介する。
我々のフレームワークは大規模データを組み込んで,PFMの客観的比較を可能にする。
当院では10病院で8,549人の患者から15,888件のWSIを収集し,64件以上の診断・予後調査を行った。
論文 参考訳（メタデータ） (2025-05-26T16:42:22Z) - Pathobiological Dictionary Defining Pathomics and Texture Features: Addressing Understandable AI Issues in Personalized Liver Cancer; Dictionary Version LCP1.0 [0.8586471543865036]
本研究は肝癌の病理組織学的辞書(LCP1.0)を紹介する。
複雑な病的・放射線学的特徴(PFとRF)を臨床的に意味のある知見に翻訳するために設計されたフレームワークである。
AI出力と専門家の解釈の間に臨床的に検証されたブリッジを提供し、モデルの透明性とユーザビリティを高める。
論文 参考訳（メタデータ） (2025-05-20T21:23:13Z)
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。