論文の概要: VIPER: An Expert-Curated Benchmark for Vision-Language Models in Veterinary Pathology

• arxiv url: http://arxiv.org/abs/2608.26382v1
• Date: Wed, 26 Aug 2026 20:12:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-28 16:30:58.17175
• Title: VIPER: An Expert-Curated Benchmark for Vision-Language Models in Veterinary Pathology
• Title（参考訳）: VIPER: 獣医学におけるビジョンランゲージモデルのためのエキスパートキュレートベンチマーク
• Abstract要約: VIPERは、毒性病理学における視覚言語モデル評価のための最初の専門家によるベンチマークである。 7つの臓器系にまたがる419個のH&E染色ラット組織像に関連する1,251の質問が含まれている。 以上の結果から,獣医学とヒト病理学の領域ギャップを著しく特定し,過剰診断のリスクを露呈し,領域固有のトレーニングが視覚的基盤の予測に不可欠であることが示唆された。
• 参考スコア（独自算出の注目度）: 10.892551272191682
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Pathology vision-language models are advancing rapidly, yet existing benchmarks remain focused on human tissue, particularly oncology, leaving non-human pathology largely unaddressed. This gap is especially important in toxicologic pathology, where microscopic tissue examination of laboratory animals is a core component of preclinical drug safety assessment. To address it, we introduce VIPER, the first expert-curated benchmark for vision-language model evaluation in toxicologic pathology. VIPER contains 1,251 questions associated with 419 H&E-stained rat histology images across seven organ systems, covering multiple-choice, KPrim, and free-text formats. All questions were curated and validated by board-certified veterinary pathologists. In total, we benchmarked 16 models, including two newly introduced veterinary-pathology models, seven human pathology-specialized models, and seven general-purpose frontier models. The results identify a substantial domain gap between veterinary and human pathology, expose the risk of over-diagnosis of normal tissue in frontier models, and show that domain-specific training remains critical for visually grounded predictions. VIPER data and evaluation code are available at https://github.com/mahmoodlab/viper.
• Abstract（参考訳）: 病理ヴィジュアル言語モデルは急速に進歩しているが、既存のベンチマークはヒトの組織、特に腫瘍学に焦点を絞っており、非ヒトの病理学はほとんど適応していない。 このギャップは特に毒性病理学において重要であり、実験動物の顕微鏡組織検査は前臨床薬の安全性評価の中核的な要素である。 そこで本研究では、毒性病理学における視覚言語モデル評価のための、最初の専門家によるベンチマークであるVIPERを紹介する。 VIPERには、7つの臓器系にまたがる419のH&E-stained rat histology画像に関連する1,251の質問が含まれている。 全ての質問は、立証された獣医の病理医によって治され、検証された。 新たに導入された2つの獣医学モデル,7つのヒト病理専門モデル,および7つの汎用フロンティアモデルを含む16のモデルをベンチマークした。 その結果、獣医学とヒト病理学の領域ギャップが著しく、フロンティアモデルにおける正常組織の過剰診断のリスクが明らかになり、領域固有のトレーニングが視覚的に接地された予測に不可欠であることが示唆された。 VIPERのデータと評価コードはhttps://github.com/mahmoodlab/viper.comから入手できる。

関連論文リスト

• 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)
• Knowledge-Driven Vision-Language Model for Plexus Detection in Hirschsprung's Disease [0.0]
  ヒルシュスプルング病(ヒルシュスプルングかん、Hirschsprung's disease)は、大腸のいくつかの部分にあるガングリオン細胞の先天性欠失である。 畳み込みニューラルネットワークのようなディープラーニングアプローチはこのタスクで非常にうまく機能している。 本稿では,専門家由来のテキスト概念を視覚言語モデルに統合し,複雑な分類を導く新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-24T01:42:57Z)
• 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)
• PET2Rep: Towards Vision-Language Model-Drived Automated Radiology Report Generation for Positron Emission Tomography [24.091435019102587]
  放射線学の報告は臨床的意思決定に不可欠であるが、その手作業による作成は労働集約的で時間を要する。 近年の視覚言語モデル(VLM)の進歩は医療応用において大きな可能性を秘めている。 PET画像の放射線診断レポート生成のための一般医用VLMの評価ベンチマークであるPET2Repを紹介する。
  論文  参考訳（メタデータ） (2025-08-06T03:46:51Z)
• ReXVQA: A Large-scale Visual Question Answering Benchmark for Generalist Chest X-ray Understanding [3.5568372183159203]
  ReXVQAは胸部X線検査における視覚的質問応答(VQA)の最大かつ最も包括的なベンチマークである。 約696,000の質問と、トレーニング、検証、テストセットにわたる16万の胸部X線研究のペアで構成されている。 我々は,MedGemma-4B-it,Qwen2.5-VL,Janus-Pro-7B,Eagle2-9Bを含む8つの最先端マルチモーダル言語モデルを評価する。
  論文  参考訳（メタデータ） (2025-06-04T18:11:59Z)
• A Knowledge-enhanced Pathology Vision-language Foundation Model for Cancer Diagnosis [58.85247337449624]
  本稿では,疾患知識を階層型セマンティックグループ内のアライメントに組み込む知識強化型視覚言語事前学習手法を提案する。 KEEPはゼロショット癌診断タスクにおいて最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-12-17T17:45:21Z)
• Anatomy-guided Pathology Segmentation [56.883822515800205]
  本研究では, 解剖学的特徴と病理学的情報を組み合わせた汎用的セグメンテーションモデルを構築し, 病理学的特徴のセグメンテーション精度を高めることを目的とする。 我々の解剖学・病理学交流(APEx)訓練では,ヒト解剖学の問合せ表現に結合特徴空間をデコードする問合せベースのセグメンテーション変換器を用いている。 これにより、FDG-PET-CTとChest X-Rayの病理分類タスクにおいて、強力なベースライン法に比べて最大3.3%のマージンで、ボード全体で最高の結果を報告できる。
  論文  参考訳（メタデータ） (2024-07-08T11:44:15Z)
• 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)
• RudolfV: A Foundation Model by Pathologists for Pathologists [13.17203220753175]
  計算病理学の基礎モデルを設計するための新しいアプローチを提案する。 我々のモデル "RudolfV" は、様々なベンチマークで既存の最先端基盤モデルを上回っています。
  論文  参考訳（メタデータ） (2024-01-08T18:31:38Z)
• PathologyBERT -- Pre-trained Vs. A New Transformer Language Model for Pathology Domain [2.3628956573813498]
  大規模な病理データベースのテキストマイニングが成功すれば、「ビッグデータ」がん研究の進展に重要な役割を果たす可能性がある。 病理学の分野での急速なデータマイニング開発を支援するために、病理学固有の言語空間は存在しない。 PathologyBERTは,347,173例の病理組織学的報告に基づいて訓練された,訓練済みの仮面言語モデルである。
  論文  参考訳（メタデータ） (2022-05-13T20:42:07Z)
• Factored Attention and Embedding for Unstructured-view Topic-related Ultrasound Report Generation [70.7778938191405]
  本研究では,非構造的トピック関連超音波レポート生成のための新しい因子的注意・埋め込みモデル(FAE-Gen)を提案する。 提案したFAE-Genは主に2つのモジュール、すなわちビュー誘導因子の注意とトピック指向因子の埋め込みから構成されており、異なるビューで均質および不均一な形態的特徴を捉えている。
  論文  参考訳（メタデータ） (2022-03-12T15:24:03Z)

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。