論文の概要: Toward AI-Assisted Poultry Coccidiosis Diagnosis: Evaluating Gemini and BiomedParse on Eimeria Microscopy Images

• arxiv url: http://arxiv.org/abs/2609.31679v1
• Date: Wed, 16 Sep 2026 10:29:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 13:54:40.929931
• Title: Toward AI-Assisted Poultry Coccidiosis Diagnosis: Evaluating Gemini and BiomedParse on Eimeria Microscopy Images
• Title（参考訳）: AI支援型ポウトリーコクシジオーシス診断に向けて : アイメリア顕微鏡画像を用いたジェミニとバイオメディカードの評価
• Abstract要約: アイメリアの寄生虫によるコクシドーシスは、養鶏生産において大きな経済的負担となる。 本研究は,汎用多目的大言語モデルがそのような診断を支援することができるかどうかを評価する。 Google Geminiは、イエメリアに感染した7種をカバーした4,225枚の顕微鏡画像で評価された。
• 参考スコア（独自算出の注目度）: 0.30586855806896046
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Coccidiosis caused by Eimeria parasites is a major economic burden in poultry production, and effective control depends on accurate species-level diagnosis. This study evaluates whether a general-purpose multimodal large language model can support such diagnosis. Google Gemini was assessed on 4,225 mi- croscopy images covering the seven fowl-infecting Eimeria species under two prompting conditions, one without candidate labels and one with a predefined class list, and was further tested for pathology-report generation, while BiomedParse was examined for parasite segmentation. Without candidate labels, the model produced broad and taxonomically inconsistent outputs. With candidate labels, overall accuracy reached only 14.9%, with a strong bias toward E. tenella at 74% and no correct classifications for E. acervulina, E. mitis and E. praecox. Generated treatment reports were coherent but unverified, and segmentation was only partial. Current multimodal models are therefore not yet reliable for standalone Eimeria diagnosis without domain-specific fine- tuning and expert validation.
• Abstract（参考訳）: アイメリア寄生虫によるコクシダイシスは養鶏の経済的負担であり、効果的な管理は正確な種レベルでの診断に依存する。 本研究は,汎用多目的大言語モデルがそのような診断を支援することができるかどうかを評価する。 Google Geminiは7種のエメリア種を2つの早期条件下で観察した4,225枚の顕微鏡画像で評価され、そのうち1つは候補ラベルなし、もう1つは事前に定義されたクラスリスト付きで、さらに病理・報告生成のために試験された。 候補ラベルがなければ、このモデルは広範かつ分類学的に矛盾するアウトプットを生み出した。 候補ラベルでは、全体的な精度は14.9%に過ぎず、E. tenellaに対する強い偏見は74%であり、E. acervulina、E. mitis、E. praecoxの正確な分類はない。 創発的治療報告は整合性であったが未検証であり,分節は部分的であった。 したがって、現在のマルチモーダルモデルは、ドメイン固有の微調整と専門家による検証なしでは、スタンドアローンのアイメリア診断にはまだ信頼性がない。

関連論文リスト

• When Ground-Truth Fidelity Matters: An Orchestrated UAS Framework for Wheat Streak Mosaic Virus Detection Using Vision Transformers and Machine Learning [0.41434413411743437]
  小麦ストリークモザイクウイルス(Wheat streak mosaic virus、WSMV)は、トウモロコシやその他の穀物の破壊性病原体である。 無人航空機システム(UAS)マルチスペクトル画像を用いた植物レベルのWSMV検出のための自動パイプラインを提案する。
  論文  参考訳（メタデータ） (2026-09-10T19:58:43Z)
• Auditable agentic AI for evidence-grounded thyroid ultrasound diagnosis and reporting [59.709162055944915]
  ThyroidXAgentは、特殊な診断ツールをコーディネートし、その出力を監査可能なケースレベルの証拠記録として保存するエージェントAIシステムである。 NHC-MISD-TUSコホート内35施設8,721件を含む,重複しない28,458件の検査を行った。 セグメンテーションでは平均Diceスコアが87.21パーセント、良悪性分類では平均AUROCが0.9466だった。
  論文  参考訳（メタデータ） (2026-08-12T21:02:59Z)
• Rethinking EEG-Based Disease Diagnosis: Decoupling Instance Representation Learning from Subject-Level Supervision [10.89572639873158]
  複数のインスタンス学習は、各対象をバッグとして扱うことによって、継承されたラベルを避ける。 対象レベルの監視からインスタンス表現学習を分離するフレームワークであるBridgeMILを提案する。
  論文  参考訳（メタデータ） (2026-07-29T12:34:47Z)
• Plato-Bio: verification-first biological novelty screening with temporal rediscovery and structural benchmarks [0.0]
  オープンなPlato/Denarioアーキテクチャの拡張であるPlato-Bioを開発した。 Plato-Bioは明示的なワークフローステートを、プロファイランスレコード、引用チェック、クレーム・ツー・エビデンスリンク、スコープドファイル書き込み、パブリッシュゲートと結合する。 現在のクリーンリビジョンでは、完全なPythonスイートが931パス、6スキップ、エラーやエラーは発生しない。
  論文  参考訳（メタデータ） (2026-07-27T03:55:39Z)
• PanCanBench: A Comprehensive Benchmark for Evaluating Large Language Models in Pancreatic Oncology [48.732366302949515]
  大規模言語モデル(LLM)は、標準化された検査において専門家レベルの性能を達成したが、複数の選択精度は現実の臨床的有用性や安全性を十分に反映していない。 我々は、未確認患者の質問に対して、専門家のルーブリックを作成するための、ループ内人間パイプラインを開発した。 LLM-as-a-judge フレームワークを用いて,22のプロプライエタリおよびオープンソース LLM の評価を行い,臨床完全性,事実精度,Web-search 統合について検討した。
  論文  参考訳（メタデータ） (2026-03-02T00:50:39Z)
• Unveiling and Bridging the Functional Perception Gap in MLLMs: Atomic Visual Alignment and Hierarchical Evaluation via PET-Bench [48.60251555171943]
  MLLM(Multimodal Large Language Models)は、異常検出や解剖学的モダリティのレポート生成などのタスクにおいて、顕著な熟練性を示した。 本研究では, 機能的トレーサの生体分布を, 形態的先行性とは無関係に復号化できない現状の視覚エンコーダについて, 基本的な機能的知覚ギャップを定量化する。 PET-Benchは52,308個の階層型QAペアからなるPET-Benchの最初の大規模機能評価ベンチマークである。 AVAは認知ギャップを効果的に橋渡しし、CoTを幻覚源から頑健な推論ツールに変換し、診断を改善していることを示す。
  論文  参考訳（メタデータ） (2026-01-06T05:58:50Z)
• Measuring Stability Beyond Accuracy in Small Open-Source Medical Large Language Models for Pediatric Endocrinology [34.80893325510028]
  小さなオープンソース医療用大規模言語モデル(LLM)は、低リソースのデプロイメントとより広範なアクセシビリティのための有望な機会を提供する。 人体評価と臨床検査を併用して,6つの小さなオープンソース医療用LLMを評価した。
  論文  参考訳（メタデータ） (2025-12-26T14:30:53Z)
• Learning to diagnose cirrhosis from radiological and histological labels with joint self and weakly-supervised pretraining strategies [62.840338941861134]
  そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。 我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。 この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
  論文  参考訳（メタデータ） (2023-02-16T17:06:23Z)
• Edge-competing Pathological Liver Vessel Segmentation with Limited Labels [61.38846803229023]
  病理画像からのMVI検出に適したアルゴリズムはまだ存在しない。 本報告では, 血管, MVI, および腫瘍のグレードをラベルとした522枚のスライド画像を含む, 初めて病理組織学的肝画像データセットを収集する。 本稿では,2つのエッジセグメンテーション・ネットワークと2つのエッジセグメンテーション・ディミネータを含むエッジコンペティング・コンテナ・ネットワーク(EVS-Net)を提案する。
  論文  参考訳（メタデータ） (2021-08-01T07:28:32Z)

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。