論文の概要: MorphoOrgaAgent: A Foundation-Model-Based Multi-Agent System for Autonomous Organoid Analysis

• arxiv url: http://arxiv.org/abs/2609.08696v1
• Date: Tue, 08 Sep 2026 12:59:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-11 15:56:57.738123
• Title: MorphoOrgaAgent: A Foundation-Model-Based Multi-Agent System for Autonomous Organoid Analysis
• Title（参考訳）: MorphoOrgaAgent: 自律型オルガノイド分析のための基礎モデルに基づくマルチエージェントシステム
• Abstract要約: 我々は、ゼロショットのオルガノイドセグメンテーション、自動データ分析、自然言語入力に基づくレポート生成を実現するフレームワークであるMorphoOrgaAgentを紹介する。 さらに,オルガノイド形態解析におけるエージェントシステムの定量的評価のためのベンチマークであるMorphoOrgaVQAを紹介する。
• 参考スコア（独自算出の注目度）: 15.37845144515258
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Organoids are three-dimensional tissue models whose morphology provides important insights into tumor development, disease progression, and drug testing. Extracting these morphological features relies heavily on manual segmentation, which is time-consuming and labor-intensive. Furthermore, performing quantitative statistical analysis typically requires custom coding skills and a mathematical background, presenting a major barrier for experimental biologists. To address these challenges, we introduce MorphoOrgaAgent, a multi-agent framework that achieves zero-shot organoid segmentation, automated data analysis, and report generation based on natural language input. The framework consists mainly of three core components: a TaskUnderstandingAgent that identifies requested measurements and visualization types; a hybrid segmentation module that combines Cellpose-derived geometric prompts with text prompts to guide SAM3 for zero-shot organoid instance segmentation; and a ReportAgent that computes quantitative metrics and compiles them alongside generated visualizations into a structured report. We further introduce MorphoOrgaVQA, a benchmark designed for quantitative evaluation of agent systems in organoid morphology analysis. Experimental results demonstrate that MorphoOrgaAgent handles both explicit and descriptive user requests, produces measurements closely matching ground truth, and generates complete analysis reports without requiring manual programming. The complete source code and MorphoOrgaVQA benchmark are publicly available at https://github.com/peng-lab/MorphoOrgaAgent.
• Abstract（参考訳）: オルガノイドは3次元組織モデルであり、腫瘍の発生、疾患の進行、薬物検査に関する重要な洞察を提供する。 これらの形態的特徴の抽出は、時間を要する労働集約的な手作業のセグメンテーションに大きく依存している。 さらに、定量的統計分析を行うには、通常、カスタムコーディングスキルと数学的背景を必要とし、実験生物学者にとって大きな障壁となる。 これらの課題に対処するために,ゼロショットオルガノイドセグメンテーション,自動データ分析,自然言語入力に基づくレポート生成を実現するマルチエージェントフレームワークであるMorphoOrgaAgentを紹介する。 フレームワークは、要求された測定と視覚化のタイプを識別するTaskUnderstandingAgent、ゼロショットのオルガノイドインスタンスセグメンテーションのためにSAM3をガイドするCellpose由来の幾何学的プロンプトとテキストプロンプトを組み合わせたハイブリッドセグメンテーションモジュール、そして、定量メトリクスを計算し、生成された視覚化と一緒に構造化されたレポートにコンパイルするReportAgentの3つのコアコンポーネントで構成されている。 さらに,オルガノイド形態解析におけるエージェントシステムの定量的評価のためのベンチマークであるMorphoOrgaVQAを紹介する。 実験結果から,MorphoOrgaAgentは明示的および記述的なユーザ要求の両方を処理し,厳密な一致した地上事実を生成し,手動プログラミングを必要とせずに完全な解析レポートを生成することがわかった。 完全なソースコードとMorphoOrgaVQAベンチマークはhttps://github.com/peng-lab/MorphoOrgaAgent.comで公開されている。

関連論文リスト

• Agentic Large Language Models for Training-Free Neuro-Radiological Image Analysis [19.715805184063168]
  Agentic AIは新しいソリューションを提供し、本質的な3D処理を必要としない。 自動脳MRI解析のための無トレーニングエージェントパイプラインを提案する。 この結果から,エージェントAIは,訓練や微調整を必要とせず,ツール使用による高次神経・放射線画像解析の課題を解決できることが示唆された。
  論文  参考訳（メタデータ） (2026-04-17T22:04:16Z)
• BiomechAgent: AI-Assisted Biomechanical Analysis Through Code-Generating Agents [1.1458853556386797]
  本稿では、自然言語による生体力学解析を可能にするコード生成AIエージェントであるBiomechAgentを紹介する。 データ検索,可視化,活動分類,時間的セグメンテーション,臨床推論を対象とするベンチマークを開発した。 生体力学的にインフォームドされたドメイン固有の命令は、ジェネリックプロンプトよりもパフォーマンスを著しく改善した。
  論文  参考訳（メタデータ） (2026-01-16T04:30:04Z)
• MCP-Orchestrated Multi-Agent System for Automated Disinformation Detection [84.75972919995398]
  本稿では,関係抽出を用いてニュース記事の偽情報を検出するマルチエージェントシステムを提案する。 提案したエージェントAIシステムは、(i)機械学習エージェント(ロジスティック回帰)、(ii)Wikipedia知識チェックエージェント、(iv)Webスクラッドデータアナライザの4つのエージェントを組み合わせる。 その結果、マルチエージェントアンサンブルはF1スコア0.964で95.3%の精度を達成し、個々のエージェントや従来のアプローチよりも大幅に優れていた。
  論文  参考訳（メタデータ） (2025-08-13T19:14:48Z)
• Agentomics-ML: Autonomous Machine Learning Experimentation Agent for Genomic and Transcriptomic Data [33.7054351451505]
  本稿では,完全自律型エージェントベースシステムであるAgenomics-MLを紹介した。 本稿では,Agenomics-MLが既存のエージェントベースの手法よりも,一般化と成功率の両面で優れていることを示す。
  論文  参考訳（メタデータ） (2025-06-05T19:44:38Z)
• Comparative Analysis of AI Agent Architectures for Entity Relationship Classification [1.6887793771613606]
  本研究では,3つの異なるAIエージェントアーキテクチャの比較分析を行い,関係分類を行う。 エージェントアーキテクチャは,(1)反射的自己評価,(2)階層的タスク分解,(3)新しいマルチエージェント動的サンプル生成機構を含む。 実験により,マルチエージェントの協調が標準のショットプロンプトより一貫して優れていることが実証された。
  論文  参考訳（メタデータ） (2025-06-03T04:19:47Z)
• MRGen: Segmentation Data Engine for Underrepresented MRI Modalities [59.61465292965639]
  稀ながら臨床的に重要な画像モダリティのための医用画像分割モデルの訓練は、注釈付きデータの不足により困難である。 本稿では,データ合成における生成モデルの利用について検討する。 本稿では,テキストプロンプトとセグメンテーションマスクを条件とした医用画像合成のためのデータエンジンMRGenを提案する。
  論文  参考訳（メタデータ） (2024-12-04T16:34:22Z)
• GenBench: A Benchmarking Suite for Systematic Evaluation of Genomic Foundation Models [56.63218531256961]
  我々はGenomic Foundation Modelsの有効性を評価するためのベンチマークスイートであるGenBenchを紹介する。 GenBenchはモジュラーで拡張可能なフレームワークを提供し、様々な最先端の方法論をカプセル化している。 本稿では,タスク固有性能におけるモデルアーキテクチャとデータセット特性の相互作用のニュアンス解析を行う。
  論文  参考訳（メタデータ） (2024-06-01T08:01:05Z)
• MatPlotAgent: Method and Evaluation for LLM-Based Agentic Scientific Data Visualization [86.61052121715689]
  MatPlotAgentは、科学的データ可視化タスクを自動化するために設計された、モデルに依存しないフレームワークである。 MatPlotBenchは、100人の検証されたテストケースからなる高品質なベンチマークである。
  論文  参考訳（メタデータ） (2024-02-18T04:28:28Z)
• t-SMILES: A Scalable Fragment-based Molecular Representation Framework for De Novo Molecule Generation [9.116670221263753]
  本研究では, t-SMILESと呼ばれる, フレキシブル, フラグメントベース, マルチスケールな分子表現フレームワークを提案する。 フラグメント化された分子グラフから生成された全二分木上で幅優先探索を行うことにより得られるSMILES型文字列を用いて分子を記述する。 従来のSMILES、DeepSMILES、SELFIES、ベースラインモデルをゴール指向タスクで大幅に上回っている。
  論文  参考訳（メタデータ） (2023-01-04T21:41:01Z)
• Learning from partially labeled data for multi-organ and tumor segmentation [102.55303521877933]
  本稿では,トランスフォーマーに基づく動的オンデマンドネットワーク(TransDoDNet)を提案する。 動的ヘッドにより、ネットワークは複数のセグメンテーションタスクを柔軟に達成することができる。 我々はMOTSと呼ばれる大規模にラベル付けされたMulti-Organ and tumorベンチマークを作成し、他の競合相手よりもTransDoDNetの方が優れた性能を示す。
  論文  参考訳（メタデータ） (2022-11-13T13:03:09Z)
• Generalized Organ Segmentation by Imitating One-shot Reasoning using Anatomical Correlation [55.1248480381153]
  そこで我々は,アノテーション付きオルガンクラスから一般化されたオルガン概念を学習し,その概念を未知のクラスに転送するOrganNetを提案する。 そこで,OrganNetは臓器形態の幅広い変化に効果的に抵抗でき,一発分節タスクで最先端の結果が得られることを示す。
  論文  参考訳（メタデータ） (2021-03-30T13:41:12Z)

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。