Fugu-MT 論文翻訳(概要): Scaling Vision Foundation Models for Toxicologic Pathology

論文の概要: Scaling Vision Foundation Models for Toxicologic Pathology

arxiv url: http://arxiv.org/abs/2610.26586v1
Date: Mon, 19 Oct 2026 15:34:37 GMT
ステータス: 情報取得中
システム内更新日: 2026-10-21 06:57:51.942143
Title: Scaling Vision Foundation Models for Toxicologic Pathology
Title（参考訳）: 毒性疾患に対する視覚基礎モデルのスケーリング
Abstract要約: TOX-FMは、100万枚以上のスライド画像からなる大規模な多様な病理組織学データセットに基づいて訓練された非クリニカルPFMのファミリーである。我々は18の非クリニカルダウンストリームタスクのベンチマークを導入し、9つの臨床ダウンストリームタスクの確立されたベンチマークを導入し、最先端の臨床PFMに対してTOX-FMを評価する。
参考スコア（独自算出の注目度）: 2.418677059027004
License:
Abstract: Here, we present TOX-FM, a family of non-clinical PFMs trained on large-scale diverse histopathology datasets of over one million whole slide images consisting of over 60 organs across six animal species from over 14,000 toxicology studies across six decades. We introduce a comprehensive benchmark of 18 non-clinical downstream tasks, incorporate an established benchmark of 9 clinical downstream tasks, and evaluate TOX-FM against state-of-the-art clinical PFMs across both non-clinical and clinical domains. Notably, we explore open questions surrounding domain-specific training and cross-domain generalization, offering insights into the opportunities and challenges of applying PFMs in the non-clinical domain.
Abstract（参考訳）: ToX-FMは60年間に14,000以上の毒性研究から6種の動物種に60以上の臓器からなる100万枚以上のスライド画像からなる大規模多様な病理組織学データセットを訓練した非臨床PFMのファミリーである。我々は,18の非臨床下流タスクの総合ベンチマークを導入し,9つの臨床下流タスクの確立されたベンチマークを取り入れ,非臨床領域および臨床領域にわたる最先端臨床PFMに対するTOX-FMの評価を行った。特に、ドメイン固有のトレーニングとクロスドメインの一般化に関するオープンな疑問を探求し、非クリニカルドメインにPFMを適用する機会と課題についての洞察を提供する。

関連論文リスト

VIPER: An Expert-Curated Benchmark for Vision-Language Models in Veterinary Pathology [10.892551272191682]
VIPERは、毒性病理学における視覚言語モデル評価のための最初の専門家によるベンチマークである。 7つの臓器系にまたがる419個のH&E染色ラット組織像に関連する1,251の質問が含まれている。以上の結果から,獣医学とヒト病理学の領域ギャップを著しく特定し,過剰診断のリスクを露呈し,領域固有のトレーニングが視覚的基盤の予測に不可欠であることが示唆された。
論文参考訳（メタデータ） (2026-08-26T20:12:27Z)
BRIGHT: A Collaborative Generalist-Specialist Foundation Model for Breast Pathology [45.17010679841919]
一般病理基盤モデル (PFM) は様々な臨床応用において顕著な予測能力を示した。乳腺病理に特化して設計された最初のPFMであるBRIGHTを提案する。
論文参考訳（メタデータ） (2026-03-03T14:24:35Z)
DermoGPT: Open Weights and Open Data for Morphology-Grounded Dermatological Reasoning MLLMs [54.8829900010621]
MLLM (Multimodal Large Language Models) は、医学的応用を約束するが、限られたトレーニングデータ、狭いタスクカバレッジ、臨床現場での監督の欠如により、皮膚科の遅れが進行する。これらのギャップに対処するための包括的なフレームワークを提示します。まず,211,243のイメージと72,675のトラジェクトリを5つのタスク形式に分けた大規模形態素解析コーパスであるDermo Instructを紹介する。第二にDermoBenchは、4つの臨床軸(形態学、診断、推論、フェアネス)にまたがる11のタスクを評価する厳密なベンチマークで、3600の挑戦的なサブセットを含む。
論文参考訳（メタデータ） (2026-01-05T07:55:36Z)
EVLF-FM: Explainable Vision Language Foundation Model for Medicine [26.787109735346103]
本稿では,多モード視覚言語基盤モデルEVLF-FMについて述べる。 EVLF-FMの開発とテストは、23のグローバルデータセットから13万以上のサンプルを含んでいた。疾患診断のための内部検証では、EVLF-FMは最高平均精度0.858とF1スコア0.797を達成した。医学的な視覚的グラウンドでは、EVLF-FMは平均mIOU 0.743、Acc@0.5 0.837の9つのモードで恒星の性能を達成した。
論文参考訳（メタデータ） (2025-09-29T03:15:57Z)
Beyond Diagnosis: Evaluating Multimodal LLMs for Pathology Localization in Chest Radiographs [33.80781505782195]
胸部X線写真における病理像の局所化能力について,2つの汎用大言語モデル (LLM) とドメイン固有モデル (MedGemma) を評価した。 GPT-5は49.7%、GPT-4(39.1%)とMedGemma(17.7%)の順で、いずれもタスク固有のCNNベースライン(59.9%)と放射線学ベンチマーク(80.1%)より低い。 GPT-4は, 解剖学的位置が固定された病理では良好に機能したが, 空間的変化に悩まされ, より頻度の低い予測が得られた。
論文参考訳（メタデータ） (2025-09-22T16:54:23Z)
Boosting Pathology Foundation Models via Few-shot Prompt-tuning for Rare Cancer Subtyping [80.92960114162746]
視覚言語病理基盤モデルの可能性を生かした新しいフレームワークPathPTを提案する。 PathPTは、WSIレベルの監視を、VLモデルのゼロショット機能を活用することで、きめ細かいタイルレベルのガイダンスに変換する。以上の結果から,PathPTは一貫して優れた性能を示し,サブタイピング精度と癌領域の接地能力を著しく向上することが示された。
論文参考訳（メタデータ） (2025-08-21T18:04:41Z)
EndoBench: A Comprehensive Evaluation of Multi-Modal Large Language Models for Endoscopy Analysis [62.00431604976949]
EndoBenchは、内視鏡的プラクティスの全スペクトルにわたるMLLMを評価するために特別に設計された最初の包括的なベンチマークである。我々は、汎用、医療特化、プロプライエタリMLLMを含む23の最先端モデルをベンチマークする。私たちの実験では、プロプライエタリなMLLMは、オープンソースや医療専門のモデルよりも優れていますが、それでも人間の専門家を追い越しています。
論文参考訳（メタデータ） (2025-05-29T16:14:34Z)
PathOrchestra: A Comprehensive Foundation Model for Computational Pathology with Over 100 Diverse Clinical-Grade Tasks [39.97710183184273]
本稿では,300Kの病理スライドからなるデータセット上で,自己教師型学習を通じて学習した多種多様な病理基盤モデルPathOrchestraを提案する。このモデルは、61のプライベートデータセットと51のパブリックデータセットを組み合わせて、112の臨床的タスクで厳格に評価された。 PathOrchestraは27,755のWSIと9,415,729のROIで例外的なパフォーマンスを示し、47のタスクで0.950以上の精度を達成した。
論文参考訳（メタデータ） (2025-03-31T17:28:02Z)
Towards a clinically accessible radiology foundation model: open-access and lightweight, with automated evaluation [113.5002649181103]
オープンソースの小型マルチモーダルモデル(SMM)を訓練し、放射線学における未測定臨床ニーズに対する能力ギャップを埋める。トレーニングのために,697万以上の画像テキストペアからなる大規模なデータセットを組み立てる。評価のために,GPT-4に基づく実測値CheXpromptを提案する。 LlaVA-Radの推論は高速で、単一のV100 GPU上でプライベート設定で実行できる。
論文参考訳（メタデータ） (2024-03-12T18:12:02Z)

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。