論文の概要: PathJev: Decision-Native Vision-Language Modelling for Histopathology

• arxiv url: http://arxiv.org/abs/2610.32478v1
• Date: Fri, 23 Oct 2026 10:47:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 01:38:06.499369
• Title: PathJev: Decision-Native Vision-Language Modelling for Histopathology
• Title（参考訳）: PathJev: 病理組織学のための決定-負の視覚-言語モデリング
• Abstract要約: 病理組織学のための決定ネイティブモデルであるMedGemma-1.5-4BをLoRAアダプタと意思決定ヘッドで構築する。 PathJev-Pは、同じバックボーン、データ、選択ルールでトレーニングされた生成モデルよりも正確である。
• 参考スコア（独自算出の注目度）: 3.000787275078792
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Vision-language models used for decisions in histopathology rarely return calibrated probabilities over the candidates a user cares about. Decision-native models write a question and a candidate set chosen at run time into the input and return a normalised distribution from a small decision head in one forward pass. We build PathJev-P, a decision-native model for histopathology: MedGemma-1.5-4B with LoRA adapters and a decision head, trained on 40,000 patch states from three public collections whose expert labels are turned into typed questions with organ-specific candidate sets and a "none of these" option. In a comparison over 3 seeds with an analysis plan fixed before testing, on test sets without documented overlap with the training data of the backbone, PathJev-P is more accurate than a generative model trained with the same backbone, data and selection rule, the zero-shot pathology model CONCH and a general medical decision model (balanced accuracy 0.541 against 0.492, 0.345 and 0.213); its advantage over the generative model comes from two organs absent from training. The calibration advantage depends on how the generative model's probabilities are read out. With the summed candidate log-likelihood used in previous work, PathJev-P has the lower calibration error (ECE 0.204 against 0.279); with a length-normalised read-out of the same generative model, examined post hoc, the two have similar mean calibration error (0.201) and the generative model is better calibrated on the unseen organs, where PathJev-P remains over-confident. A supervised linear probe on a pathology foundation model is better calibrated in every setting. In a qualitative whole-slide demonstration, PathJev-P labels unsupervised tissue clusters with abstention and separates carcinoma from other tissue while running the model on a fraction of the tiles.
• Abstract（参考訳）: 病理学における決定に使用される視覚言語モデルは、ユーザが関心を持つ候補に対して、校正された確率を返すことは滅多にない。 決定ネイティブモデルは、実行時に選択された候補セットと質問を書き、入力に入力し、1つのフォワードパスで小さな決定ヘッドから正規化された分布を返す。 MedGemma-1.5-4BにはLoRAアダプタと決定ヘッドがあり、3つの公開コレクションから4万のパッチステートがトレーニングされています。 試験前に固定された分析計画の3種の比較において、バックボーンのトレーニングデータと重複しないテストセットにおいて、PathJev−Pは、同じバックボーン、データ及び選択規則、ゼロショット病理モデルCONCHおよび一般的な医療決定モデル(0.541対0.492、0.345、0.213)で訓練された生成モデルよりも正確である。 キャリブレーションの利点は、生成モデルの確率がどのように読み出されるかに依存する。 前回の研究で用いられた総和候補対数類似度では、PathJev-P は低い校正誤差 (ECE 0.204 against 0.279) を持ち、同じ生成モデルの長正規化読み出し、検査後、両者は同様の平均校正誤差 (0.201) を持ち、生成モデルは未確認臓器の校正精度が良く、PathJev-P は過信状態のままである。 病理基盤モデル上の教師付き線形プローブは, それぞれの設定で校正がよい。 定性的な全スライドデモでは、PathJev-Pは、教師なしの組織クラスターを吸収してラベル付けし、タイルのごく一部でモデルを走らせながら、他の組織から癌を分離する。

関連論文リスト

• RetiJev: Fast and Source-Grounded Ophthalmic Decision Models [49.18315352624845]
  自己回帰型大規模言語モデル(LLM)は、事前に定義されたアクション間の決定にかなりのレイテンシと計算オーバーヘッドをもたらす。 RetiJev-Dataは,78,158個の臨床診断と診断質問からなる眼科原点検コーパスである。 RetiJev は 0.8B-9B 決定モデルのファミリーで, 自己回帰的復号化を伴わず, 直接解を求める。
  論文  参考訳（メタデータ） (2026-10-22T08:59:47Z)
• From Retrieval to Typed Decisions: Calibrated System One Models from Biomedical Sentence Encoders [0.0]
  本稿では,SBERT2S1について述べる。SBERT2S1は,文変換器をバイエンコーダ,クロスヘッド(C)および前処理残差(PFR)決定モデルに変換する。 6組の親と親のペアで、検索トレーニングはコンテンツを持つオプションのゼロショットマッチングを改善する。 2つの頭と5つの訓練目標の一致した格子は、CがPFRを全ての目標で上回っていることを示している。
  論文  参考訳（メタデータ） (2026-10-01T21:03:42Z)
• OmniMed-Jev: Calibrating LVLM Confidence for Trustworthy Medical Multimodal Decisions via System One [9.555285052728198]
  提案するOmniMed-Jevは,複数モーダル供給候補集合に対する選択,Nuul,スコア決定として,それぞれの医学的決定を表現している。 様々な画像モダリティを受け入れ、異なる予測タスクをカバーし、1つの候補条件付き確率モデルを通してそれらを表現する。 OmniMed-Jevの報告した確率トラックは、同じバックボーン、データ、スケジュールでトレーニングされた生成ベースラインに対するインターフェース制御された比較において、より正確に観察された。
  論文  参考訳（メタデータ） (2026-09-30T08:53:54Z)
• Benchmarking System One decision models against trained classifiers and language models for automated decision gates [1.089614199781423]
  1つのハーネスは6つのファミリーから8つの決定モデルチェックポイントを送信する。 タスクラベルでは、細調整されたDeBERTa-v3-largeが最も精度が高い。 その結果、自動決定ゲートの条件依存ルールが得られる。
  論文  参考訳（メタデータ） (2026-09-29T19:57:59Z)
• Off-the-Shelf LLMs as Process Scorers: Training-Free Alternative to PRMs for Mathematical Reasoning [51.88950852117154]
  Chunk-Level Guided Generationは、既製の大規模言語モデルをプロセススコアラとして使用する、トレーニング不要の代替手段である。 本研究では,系統的な長さバイアスのため,大モデル確率の可変長推論ステップが信頼できないことを示す。 Chunk-Level Guided Generation は PRM guided search よりもかなり短い推論トレースを生成する。
  論文  参考訳（メタデータ） (2026-06-01T04:43:36Z)
• Brain Tumor Classification on MRI in Light of Molecular Markers [56.99710477905796]
  1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。 本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
  論文  参考訳（メタデータ） (2024-09-29T07:04:26Z)
• An Interpretable Web-based Glioblastoma Multiforme Prognosis Prediction Tool using Random Forest Model [1.1024591739346292]
  治療後1年間のGBM患者の健康状態を推定する予測モデルを提案する。 総計467名のGBM患者の臨床像を13の特徴と2つの経過日で比較検討した。 GBM患者生存の予後因子のトップ3はMGMT遺伝子プロモーター,切除範囲,年齢であった。
  論文  参考訳（メタデータ） (2021-08-30T07:56:34Z)

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。