Fugu-MT 論文翻訳(概要): FOCUS: A Subspecialty Foundation Model for Intraoperative Central Nervous System Pathology

論文の概要: FOCUS: A Subspecialty Foundation Model for Intraoperative Central Nervous System Pathology

arxiv url: http://arxiv.org/abs/2610.16914v1
Date: Mon, 12 Oct 2026 14:59:04 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-18 04:14:55.612891
Title: FOCUS: A Subspecialty Foundation Model for Intraoperative Central Nervous System Pathology
Title（参考訳）: FOCUS : 術中中枢神経系疾患に対する亜種基盤モデル
Abstract要約: 術中凍結切除による中枢神経病変の診断は外科的決定を導くが, 術式, 診断の複雑さ, 時間的制約に悩まされる。ここでは, CNS組織に濃縮された27,930個の凍結切片を事前訓練した基礎モデルであるFOCUSを紹介する。 FOCUSは11の内科診断と12のバイオマーカー予測タスクを率い、平均AUCは0.969と0.877であり、時間的および外的コホートにおける主要なパフォーマンスを維持した。
参考スコア（独自算出の注目度）: 26.65096823212612
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Intraoperative frozen-section diagnosis of central nervous system (CNS) lesions guides surgical decisions but is challenged by artefacts, diagnostic complexity and time constraints. Most pathology foundation models have limited exposure to CNS frozen tissue. Here we present FOCUS, a subspecialty foundation model pretrained on 27,930 frozen-sections enriched for CNS tissue. FOCUS led 11 internal diagnostic and 12 biomarker-prediction tasks, with mean AUCs of 0.969 and 0.877, respectively, retaining leading performance in temporal and external cohorts. To provide more comprehensive diagnostic information, we further organized ten diagnostic tasks into a WHO-aligned diagnostic hierarchy and separately evaluated FOCUS for lymphoma detection, a critical task for intraoperative surgical decision-making. In reader assessments by six neuropathologists, FOCUS assistance enabled junior readers to approach or exceed unassisted senior readers in hierarchical diagnosis and raised junior readers' lymphoma sensitivity from 81.6% to 94.7%. FOCUS could improve diagnostic accuracy and granularity, inform lymphoma-related resection decisions and provide provisional molecular information. Such capabilities highlight the potential of FOCUS to provide robust, clinically actionable support for intraoperative CNS pathology.
Abstract（参考訳）: 中枢神経系(CNS)病変の術中凍結切除診断は外科的決定を導くが,術式,診断の複雑さ,時間的制約が問題となる。ほとんどの病理基盤モデルでは、CNS凍結組織への曝露が限られている。ここでは, CNS組織に富む27,930個の凍結切片を事前訓練した亜種基盤モデルであるFOCUSについて述べる。 FOCUSは11の内科診断と12のバイオマーカー予測タスクを率い、平均AUCは0.969と0.877であり、時間的および外的コホートにおける主要なパフォーマンスを維持した。より包括的診断情報を提供するため,我々はさらに10の診断タスクをWHOの診断階層に整理し,術中診断の重要課題である悪性リンパ腫検出のためのFOCUSを別々に評価した。 6人の神経病理学者による読者評価では、FOCUS援助により、若手読者は階層的診断において近づいたり、未治療の読者を超えることができ、若年読者のリンパ腫の感受性は81.6%から94.7%に上昇した。 FOCUSは、診断精度と粒度を改善し、リンパ腫関連切除決定を通知し、暫定的な分子情報を提供する。このような能力は、術中CNSの病態に対する堅牢で臨床的に実行可能なサポートを提供するためのFOCUSの可能性を強調している。

関連論文リスト

Diffusion Attention Expert Model for Predicting and Semi-automatic Localizing STAS in Lung Cancer Histopathological Images [16.57584586447825]
凍結部(FS)およびパラフィン部(PS)における空気空間(STAS)の拡散を検出する拡散注意エキスパートモデル(DAEM)を提案する。内部データセットでは、FSは0.8946、PSは0.9112である。微乳頭型STASを含むいくつかの定量的TME指標は、STASの潜在的なバイオマーカーとして同定される。
論文参考訳（メタデータ） (2026-05-15T01:01:35Z)
Evolving Diagnostic Agents in a Virtual Clinical Environment [75.59389103511559]
本稿では,大規模言語モデル(LLM)を強化学習を用いた診断エージェントとして訓練するためのフレームワークを提案する。本手法は対話型探索と結果に基づくフィードバックによって診断戦略を取得する。 DiagAgentはDeepSeek-v3やGPT-4oなど、最先端の10のLLMを著しく上回っている。
論文参考訳（メタデータ） (2025-10-28T17:19:47Z)
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 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)
End-to-End Agentic RAG System Training for Traceable Diagnostic Reasoning [52.12425911708585]
Deep-DxSearchは、強化学習(RL)でエンドツーエンドに訓練されたエージェントRAGシステムである。 Deep-DxSearchでは,患者記録と信頼性のある医療知識情報を含む大規模医療検索コーパスを構築した。実験により、エンドツーエンドのRLトレーニングフレームワークは、プロンプトエンジニアリングやトレーニングフリーなRAGアプローチよりも一貫して優れています。
論文参考訳（メタデータ） (2025-08-21T17:42:47Z)
An Agentic System for Rare Disease Diagnosis with Traceable Reasoning [69.46279475491164]
大型言語モデル(LLM)を用いた最初のまれな疾患診断エージェントシステムであるDeepRareを紹介する。 DeepRareは、まれな疾患の診断仮説を分類し、それぞれに透明な推論の連鎖が伴う。このシステムは2,919の疾患に対して異常な診断性能を示し、1013の疾患に対して100%の精度を達成している。
論文参考訳（メタデータ） (2025-06-25T13:42:26Z)
An Intrinsically Explainable Approach to Detecting Vertebral Compression Fractures in CT Scans via Neurosymbolic Modeling [9.108675519106319]
脊椎圧迫骨折(VCFs)は骨粗しょう症の一般的な原因であり、潜在的に重篤な結果である。機会論的診断のような高度なシナリオでは、モデル解釈可能性がAIレコメンデーションの採用の鍵となる。我々はCTボリュームにおけるVCF検出のためのニューロシンボリックアプローチを導入する。
論文参考訳（メタデータ） (2024-12-23T04:01:44Z)
Diagnosis Of Takotsubo Syndrome By Robust Feature Selection From The Complex Latent Space Of DL-based Segmentation Network [4.583480375083946]
医学における分類モデルやセグメンテーションモデルを用いて、潜伏した特徴を学習し、堅牢な特徴選択をオプトアウトし、過度な適合につながる可能性がある。本稿では,診断を支援するセグメンテーションモデルの潜在空間を用いた特徴選択手法を提案する。診断精度82%が従来のSOTA (State-of-the-art) を上回り, 心疾患の鑑別診断に有用であった。
論文参考訳（メタデータ） (2023-12-19T22:53:32Z)
Deep Learning Based Decision Support for Medicine -- A Case Study on Skin Cancer Diagnosis [6.820831423843006]
皮膚がん検診におけるDeep Learning-based Decision Support Systemの臨床応用は、患者のケアの質を向上させる可能性がある。本稿では,臨床像,皮膚内視鏡像,病理像から皮膚癌の診断例を例に,医療応用における説明可能なDLベースの意思決定支援に向けた取り組みの概要について述べる。
論文参考訳（メタデータ） (2021-03-02T11:07:49Z)

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。