論文の概要: PlanPath: Exploration-Guided Orchestration for Patient-Level Pathology Reasoning

• arxiv url: http://arxiv.org/abs/2610.18664v1
• Date: Tue, 13 Oct 2026 16:25:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-16 20:15:57.891512
• Title: PlanPath: Exploration-Guided Orchestration for Patient-Level Pathology Reasoning
• Title（参考訳）: PlanPath: 患者レベル診断のための探索誘導オーケストレーション
• Abstract要約: 患者レベルの視覚的質問応答(VQA)のためのエージェントフレームワークであるPlanPathを提案する。 PlanPathは、必要な証拠、スライドへの経路、組織構造から個々の細胞への粗大な獲得など、調査計画に転換する。 腎癌と胃癌に対する2つの患者レベルVQAデータセットを構築した。
• 参考スコア（独自算出の注目度）: 40.84337458330024
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A patient's pathology case spans tens of slides from distinct specimens and anatomical sites, each carrying non-redundant, site-specific evidence. Forming a patient-level conclusion therefore requires locating the slides relevant to a given question and integrating complementary findings across them. However, existing pathology agents analyze one slide at a time and describe morphology rather than measure it, leaving evidence acquisition across a patient's specimens and patient-level quantification underexplored. To address this gap, we propose PlanPath, an agentic framework for patient-level pathology visual question answering (VQA). PlanPath turns the question into an exploration plan that specifies the evidence required, routes to the slides likely to carry it, and drives coarse-to-fine acquisition from tissue architecture down to individual cells. Tissue- and cell-level tools supply the counts, proportions, and extents, which PlanPath aggregates across slides into a traceable answer. To enable evaluation, we build two patient-level VQA datasets for renal and gastric cancer, averaging 15 WSIs per patient, with pathologist-verified question-answer pairs derived from diagnostic reports. Experimental results show that PlanPath outperforms the strongest baseline by 9.4% and 12.1% in overall accuracy on the two datasets and further improves existing slide-level agents when plugged into our framework. The dataset and code are available at: https://github.com/JSGe-AI/PlanPath_1.
• Abstract（参考訳）: 患者の病理組織は、異なる標本や解剖学的部位から何万ものスライドにまたがっており、それぞれに非冗長な部位特異的な証拠が報告されている。 したがって、患者レベルの結論を形成するには、与えられた質問に関連するスライドを配置し、それらの相補的な結果を統合する必要がある。 しかし、既存の病理エージェントは、一度に1つのスライドを分析し、それを測定するよりも形態を記述し、患者の検体全体にわたって証拠を入手し、患者レベルの定量化を過小評価している。 このギャップに対処するため,患者レベルの視覚的質問応答(VQA)のためのエージェントフレームワークであるPlanPathを提案する。 PlanPathは、必要な証拠、スライドへの経路、組織構造から個々の細胞への粗大な獲得など、調査計画に転換する。 組織レベルおよび細胞レベルのツールは、スライド全体でPlanPathが集計するカウント、比率、範囲をトレース可能な答えに供給する。 腎癌と胃癌に対する2つの患者レベルVQAデータセットを構築し,診断報告から得られた病理組織学的に検証された問合せ対を平均15 WSIとした。 実験の結果,PlanPathは2つのデータセットの全体的な精度が9.4%,12.1%向上し,フレームワークにプラグインされた場合の既存のスライドレベルエージェントをさらに改善した。 データセットとコードは、https://github.com/JSGe-AI/PlanPath_1.comから入手可能だ。

関連論文リスト

• Case2Flow: Bridging Patient Cases and Guideline Flowcharts through Multimodal Retrieval [65.99409194536337]
  Case2Flowは、患者に対して最も関連性の高いガイドラインフローチャートを取得するために設計されたタスクである。 FlowAtlasは、2,080の医療ガイドラインから抽出された202のフローチャートのキュレートコーパスである。 CRISPは、非形式的パッチを抑えることで遅延相互作用検索を鋭くする訓練不要スコアリング手法である。
  論文  参考訳（メタデータ） (2026-08-26T21:27:22Z)
• Paired Uterine Whole-Slide Images and Pathology Reports for Multimodal Computational Pathology [54.42160154368719]
  WSI(Whole-Slide Image)は、病理のデジタルトランスフォーメーションを可能にする。 病理組織像と病理所見を共同で解析するマルチモーダルモデルは、自動病理報告生成とAIによる診断に有望な可能性を示唆している。 本稿では,WSIsを併用した子宮疾患データセットであるTUM-Uteriaを紹介する。
  論文  参考訳（メタデータ） (2026-07-04T20:34:59Z)
• ADPv2: A Hierarchical Histological Tissue Type-Annotated Dataset for Potential Biomarker Discovery of Colorectal Disease [9.518786316441718]
  ADPv2は消化管病理に焦点をあてた新しいデータセットである。 本データセットは,正常な大腸生検スライドから得られた20,004枚の画像パッチを,32種類のHTT3レベルの階層分類で注釈した。 我々のデータセットは、臓器特異的な詳細な研究により、潜在的なバイオマーカーの発見が可能であることを示しています。
  論文  参考訳（メタデータ） (2025-07-08T04:19:10Z)
• A Survey of Pathology Foundation Model: Progress and Future Directions [3.009351592961681]
  コンピュータ病理学では、自動がん診断のためにスライド画像全体を解析する。 最近の病理基盤モデル (PFM) は, 大規模な病理組織学的データに基づいて, 抽出器と凝集器の双方を大幅に強化している。 PFMを組織する階層的な分類法を,任意の領域の基盤モデル解析に適用可能なトップダウンの哲学を通じて提案する。
  論文  参考訳（メタデータ） (2025-04-05T03:44:09Z)
• MIL vs. Aggregation: Evaluating Patient-Level Survival Prediction Strategies Using Graph-Based Learning [52.231128973251124]
  我々は,WSIおよび患者レベルでの生存を予測するための様々な戦略を比較した。 前者はそれぞれのWSIを独立したサンプルとして扱い、他の作業で採用された戦略を模倣します。 後者は、複数のWSIの予測を集約するか、最も関連性の高いスライドを自動的に識別するメソッドを含む。
  論文  参考訳（メタデータ） (2025-03-29T11:14:02Z)
• 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)
• Thoracic Cartilage Ultrasound-CT Registration using Dense Skeleton Graph [49.11220791279602]
  一般的なアトラスから個々の患者への計画された経路を正確にマッピングすることは困難である。 アトラスから現在の設定へ計画されたパスを転送できるように、グラフベースの非厳密な登録を提案する。
  論文  参考訳（メタデータ） (2023-07-07T18:57:21Z)
• Trajectories, bifurcations and pseudotime in large clinical datasets: applications to myocardial infarction and diabetes data [94.37521840642141]
  混合データ型と欠落値を特徴とする大規模臨床データセット分析のための半教師付き方法論を提案する。 この手法は、次元の減少、データの可視化、クラスタリング、特徴の選択と、部分的に順序付けられた観測列における測地距離(擬時)の定量化のタスクを同時に扱うことのできる弾性主グラフの適用に基づいている。
  論文  参考訳（メタデータ） (2020-07-07T21:04:55Z)

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。