論文の概要: STEP: A Modular Silent Trial Engine for Operational Evaluation of Digital Pathology AI in Routine Workflow

• arxiv url: http://arxiv.org/abs/2608.28708v1
• Date: Thu, 27 Aug 2026 20:33:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:30.725918
• Title: STEP: A Modular Silent Trial Engine for Operational Evaluation of Digital Pathology AI in Routine Workflow
• Title（参考訳）: STEP: ルーチンワークフローにおけるデジタル病理AIの操作評価のためのモジュール型サイレント試験エンジン
• Authors: Gabriele Campanella, Matthew Croken, Olga Lukatskaya, Jane Houldsworth, Ricky Kwan, Peter Schüffler, Chad Vanderbilt,
• Abstract要約: サイレントトライアルは、AIモデルの振り返り検証と、臨床医療におけるそれらの使用の間の橋渡しを提供する。 我々は、計算病理AIモデルの将来的なサイレントトライアルを編成する再利用可能なソフトウェアプラットフォームを開発した。
• 参考スコア（独自算出の注目度）: 1.6877591150411722
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Prospective silent trials provide an important bridge between retrospective validation of artificial intelligence (AI) models and their use in clinical care by evaluating model performance and operational reliability on live clinical data without influencing patient management. In computational pathology, conducting silent trials requires integration across laboratory information systems, digital pathology infrastructure, computational resources, and model inference pipelines, and these workflows are often implemented using application-specific software. We developed the Silent Trial Engine for Pathology (STEP), a reusable software platform for orchestrating prospective silent trials of computational pathology AI models across heterogeneous clinical and computational environments. STEP separates common trial orchestration from institution-specific data access and compute infrastructure through modular adapter interfaces. The platform supports scheduled case discovery, per-slide inference submission, deterministic idempotency, failure recovery, result and ancillary-data ingestion, persistent trial and run state, and audit logging, with compute adapters supporting local execution and high-performance computing environments using LSF and Slurm. STEP was deployed at three institutions to support prospective silent evaluation of EAGLE, an AI model for predicting EGFR mutation status from hematoxylin and eosin-stained whole-slide images. By separating trial-level workflow logic from site-specific integrations, STEP enables a common execution framework to operate across heterogeneous pathology environments while maintaining durable and auditable trial state. This approach may reduce duplicated engineering effort and facilitate systematic real-world evaluation of computational pathology AI before interventional clinical deployment.
• Abstract（参考訳）: 前向きなサイレント・トライアルは、人工知能(AI)モデルの振り返り検証と、患者管理に影響を与えることなく、生きた臨床データ上でのモデル性能と運用信頼性を評価することによって、臨床医療におけるそれらの使用との間に重要な橋渡しとなる。 計算病理学では、サイレントトライアルは、実験室の情報システム、デジタル病理基盤、計算資源、モデル推論パイプラインをまたいだ統合を必要とし、これらのワークフローはアプリケーション固有のソフトウェアを使ってしばしば実装される。 我々はSilent Trial Engine for Pathology (STEP)を開発した。Silent Trial Engine for Pathology(STEP)は、不均一な臨床および計算環境をまたいだ、計算病理AIモデルのサイレントな試行を編成するための再利用可能なソフトウェアプラットフォームである。 STEPは、一般的なトライアルオーケストレーションを、モジュール型アダプタインターフェースを通じて、機関固有のデータアクセスと計算インフラから分離する。 このプラットフォームは、スケジュールされたケースディスカバリ、スライディング毎の推論の提出、決定論的イデオロシティ、障害回復、結果とアシラリーデータの取り込み、永続的なトライアルと実行状態、監査ロギングをサポートし、LSFとSlurmを使用したローカル実行と高性能コンピューティング環境をサポートするコンピュータアダプタをサポートする。 STEPはヘマトキシリンとエオシン含有全スライディング画像からEGFRの変異状態を予測するためのAIモデルであるEAGLEの将来的な静かな評価を支援するために3つの機関に配備された。 サイト固有の統合からトライアルレベルのワークフローロジックを分離することにより、STEPは、耐久性と監査可能なトライアル状態を維持しながら、異種病理環境をまたいだ共通の実行フレームワークを動作させることができる。 このアプローチは、重複したエンジニアリングの労力を減らし、介入的臨床展開の前に計算病理学AIの体系的な実世界の評価を促進する。

関連論文リスト

• A Scalable AI-Powered System for Explainable Machine Learning Pipelines in Brain Tumor [2.2689094912853767]
  放射能駆動型機械学習推論をサポートするために設計された、スケーラブルなWebベースのビジュアル分析システムの最初のバージョンを提示する。 提案するフレームワークは,脳腫瘍解析における臨床指向型AI応用の実践的基盤を提供する。
  論文  参考訳（メタデータ） (2026-07-29T12:26:15Z)
• FMRP-LEAN: A HIPAA-Compliant AI-Augmented LIMS Architecture for End-to-End Clinical Assay Workflow Optimization [0.0]
  本稿では,HIPAAに準拠したAI強化実験室情報管理システム (LIMS) アーキテクチャであるFMRP-LEANについて述べる。
  論文  参考訳（メタデータ） (2026-07-22T17:11:52Z)
• The Large Cancer Assistant (LCA): A Model-Agnostic Orchestration Framework for Scalable Clinical Decision Support in Oncology [0.0]
  Large Cancer Assistant (LCA) は、スケーラブルな臨床診断支援のために設計された、モデルに依存しないポストホックオーケストレーションフレームワークである。 LCAはアルゴリズム不透過性の原理に基づく7タプルアーキテクチャとして数学的に定式化されている。 システムは、がんスイッチングモジュールを介してデータを動的にオーケストレーションし、揮発性病院ITインフラストラクチャからコアAI実行を意図的に分離する。
  論文  参考訳（メタデータ） (2026-07-07T17:38:47Z)
• Evaluating Agentic Harness Systems for Autonomous Computational Pathology [19.24356620524394]
  ACP-Benchは、計算病理学からACPワークフロー機能に一般的なエージェントハーネスシステムを適用するフレームワークである。 ACP-Benchは、24のバイオマーカー、7のモルフォロジー、10の予後タスクを含む41の病理ワークフロータスクを評価し、6つのボディシステムグループと9のエンドポイントファミリーにまたがる。
  論文  参考訳（メタデータ） (2026-07-01T10:13:13Z)
• Democratizing and accelerating AI-driven pathology research through agentic intelligence [32.63552924838788]
  PathLabは、研究目的を実行可能で検証可能な計算病理に翻訳するエージェントフレームワークである。 代表的な4つのタスクファミリーにまたがる12の公開データセットを対象にPathLabを評価した。 制御されたユーザスタディでは、PathLabは実行可能な分析パイプラインを生成するのに必要な時間を大幅に削減した。
  論文  参考訳（メタデータ） (2026-06-12T16:11:50Z)
• Towards a Virtual Neuroscientist: Autonomous Neuroimaging Analysis via Multi-Agent Collaboration [53.772014300855375]
  我々は,自律型エンドツーエンド神経画像解析のためのマルチエージェントシステムであるNIAgentを紹介する。 従来のフラットなツール呼び出しエージェントとは異なり、NIAgentはコード中心の実行パラダイムを採用している。 本稿では,コホートレベルの検定とエージェント視覚検査を組み合わせた,自律的品質管理のための階層的検証フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-10T06:30:19Z)
• SelfAI: Building a Self-Training AI System with LLM Agents [79.10991818561907]
  SelfAIは、高レベルの研究目的を標準化された実験構成に変換するためのUser Agentを組み合わせた、一般的なマルチエージェントプラットフォームである。 実験マネージャは、連続的なフィードバックのための構造化知識ベースを維持しながら、異種ハードウェアをまたいだ並列かつフォールトトレラントなトレーニングを編成する。 回帰、コンピュータビジョン、科学計算、医用画像、薬物発見ベンチマークなどを通じて、SelfAIは一貫して高いパフォーマンスを達成し、冗長な試行を減らしている。
  論文  参考訳（メタデータ） (2025-11-29T09:18:39Z)
• Timely Clinical Diagnosis through Active Test Selection [49.091903570068155]
  本稿では,現実の診断推論をよりうまくエミュレートするためのACTMED (Adaptive Clinical Test selection via Model-based Experimental Design)を提案する。 LLMは柔軟なシミュレータとして機能し、構造化されたタスク固有のトレーニングデータを必要とせずに、患者状態のもっともらしい分布を生成し、信念の更新をサポートする。 我々は、実世界のデータセット上でACTMEDを評価し、診断精度、解釈可能性、リソース使用量を改善するためにテスト選択を最適化できることを示す。
  論文  参考訳（メタデータ） (2025-10-21T18:10:45Z)
• PyTDC: A multimodal machine learning training, evaluation, and inference platform for biomedical foundation models [59.17570021208177]
  PyTDCは、マルチモーダルな生物学的AIモデルのための合理化されたトレーニング、評価、推論ソフトウェアを提供する機械学習プラットフォームである。 本稿では、PyTDCのアーキテクチャの構成要素と、我々の知る限り、導入したシングルセルドラッグターゲットMLタスクにおける第一種ケーススタディについて論じる。
  論文  参考訳（メタデータ） (2025-05-08T18:15:38Z)

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。