論文の概要: TIAgent: From Natural Language to Grounded Agentic Workflows for Computational Pathology

• arxiv url: http://arxiv.org/abs/2610.32993v1
• Date: Wed, 30 Sep 2026 13:30:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 06:06:26.119624
• Title: TIAgent: From Natural Language to Grounded Agentic Workflows for Computational Pathology
• Title（参考訳）: TIAgent: 自然言語からコンピュータ病理のための接地型エージェントワークフローへ
• Abstract要約: 大規模言語モデル(LLM)は、そのような分析を構築するための有望な自然言語インタフェースを提供する。 本稿では,自動CPathワークフロー生成フレームワークであるTIAgentを紹介する。 結果のグラフは検査および実行が可能で、複雑なCPathを自然言語で構築することができる。
• 参考スコア（独自算出の注目度）: 0.16999370482438725
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Computational pathology (CPath) analyses increasingly depend on multi-step computational workflows that require substantial programming expertise, limiting their accessibility to pathologists and other domain experts without extensive coding experience. Although large language models (LLMs) provide a promising natural-language interface for constructing such analyses, hallucinated operations and incorrect workflow specifications limit their reliability in scientific settings. We introduce Tissue Image Analysis Agent (TIAgent), an automated CPath workflow generation framework that, given a natural-language prompt specifying a complex analytical task together with an input dataset, automatically constructs a verifiable computational graph employing existing CPath operations. The resulting graph can be inspected and executed, enabling natural-language construction of complex CPath workflows for applications including automated biomarker discovery and tissue analysis. We demonstrate end-to-end workflow generation and execution and systematically benchmark 14 backbone LLMs across 90 unit tasks spanning 18 CPath operation types. The ability of each LLM to generate a complete and correct unit workflow is quantified using Unit Workflow Success (UWS). Performance varied substantially across backbone models, with Kimi-K2.7-Code achieving the highest UWS of 0.967 (95% CI: 0.907-0.989). Analysis of node and parameter correctness further revealed that selecting the appropriate computational operation and correctly configuring it represent distinct challenges for LLM-based workflow generation. TIAgent provides a foundation for making complex CPath workflow construction more accessible while enabling systematic evaluation of LLM-driven scientific workflow generation.
• Abstract（参考訳）: 計算病理学(CPath)の分析は、かなりのプログラミングの専門知識を必要とする多段階の計算ワークフローにますます依存し、広範なコーディング経験のない病理学者や他のドメインエキスパートへのアクセシビリティを制限している。 大規模言語モデル(LLM)は、そのような分析を構築するための有望な自然言語インタフェースを提供するが、幻覚的操作と誤ったワークフロー仕様は、科学的設定における信頼性を制限している。 組織画像解析エージェント(TIAgent)は,入力データセットとともに複雑な解析タスクを指定する自然言語プロンプトを付与し,既存のCPath操作を用いた検証可能な計算グラフを自動的に構築する自動CPathワークフロー生成フレームワークである。 結果のグラフは検査および実行が可能で、自動バイオマーカー発見や組織分析を含むアプリケーションのための複雑なCPathワークフローを自然言語で構築することができる。 エンドツーエンドのワークフロー生成と実行を実演し、18種類のCPath操作にまたがる90のタスクにまたがる14のバックボーンLLMを体系的にベンチマークする。 各LLMが完全な正しい単体ワークフローを生成する能力は、単体ワークフロー継承(UWS)を使って定量化されます。 Kimi-K2.7-Code は 0.967 (95% CI: 0.907-0.989) の最高 UWS を達成した。 ノードとパラメータの正しさの分析により、適切な計算操作を選択し、正しく構成することは、LLMベースのワークフロー生成において、異なる課題を示すことが明らかとなった。 TIAgentは、複雑なCPathワークフローの構築をより容易にし、LCM駆動の科学ワークフロー生成の体系的な評価を可能にする基盤を提供する。

関連論文リスト

• OOPMAS: Object-Oriented Multi-Agent Systems for Query-Level Workflow Generation [55.27793983826255]
  OOPMASは、エージェントセットと調整ワークフローの両方を個々のクエリの粒度で生成する、トレーニング不要のフレームワークである。 コード、数学、QAにまたがるクエリの混合タスクベンチマークでは、OOPMASは89.6%の精度を達成し、最強のベースラインを18.1ポイント上回っている。
  論文  参考訳（メタデータ） (2026-10-06T05:31:29Z)
• From Research Question to Scientific Workflow: Leveraging Agentic AI for Science Automation [0.0]
  我々は,Hyperflow WMS上で動作する1000 Genomes集団遺伝ワークフロー上でのアーキテクチャの実装と評価を行った。 150クエリに関するアブレーション調査では、Skillsはフルマッチインテントの精度を44%から83%に引き上げ、スキル駆動の遅延ワークフロー生成はデータ転送を92%削減する。
  論文  参考訳（メタデータ） (2026-04-23T17:52:52Z)
• An Agentic Framework for Autonomous Materials Computation [70.24472585135929]
  大規模言語モデル(LLM)は、科学的発見を加速するための強力なツールとして登場した。 近年の進歩はLLMをエージェントフレームワークに統合し、複雑な科学実験のための検索、推論、ツールの使用を可能にしている。 本稿では,第一原理計算の信頼性向上を目的としたドメイン特化エージェントを提案する。
  論文  参考訳（メタデータ） (2025-12-22T15:03:57Z)
• LLM Agents for Interactive Workflow Provenance: Reference Architecture and Evaluation Methodology [3.470217255779291]
  本稿では,対話型大規模言語モデル(LLM)エージェントをランタイムデータ解析に活用する評価手法,参照アーキテクチャ,オープンソース実装を提案する。 提案手法では,自然言語を構造化された前処理クエリに変換する軽量なメタデータ駆動型設計を用いる。 LLaMA、GPT、Gemini、Claudeにまたがる評価では、多様なクエリクラスと現実世界の化学ワークフローを網羅し、モジュール設計、即時チューニング、Retrieval-Augmented Generation (RAG)が正確で洞察に富んだエージェント応答を可能にすることを示している。
  論文  参考訳（メタデータ） (2025-09-17T13:51:29Z)
• Benchmarking Agentic Workflow Generation [80.74757493266057]
  複数面シナリオと複雑なグラフワークフロー構造を備えた統合ワークフロー生成ベンチマークであるWorfBenchを紹介する。 また,サブシーケンスとサブグラフマッチングアルゴリズムを利用したシステム評価プロトコルWorfEvalを提案する。 我々は、生成されたタスクが下流のタスクを強化し、推論中により少ない時間で優れたパフォーマンスを達成することを観察する。
  論文  参考訳（メタデータ） (2024-10-10T12:41:19Z)
• MLAgentBench: Evaluating Language Agents on Machine Learning Experimentation [96.71370747681078]
  我々は,CIFAR-10におけるモデル性能の改善から,BabyLMのような最近の研究課題まで,13のタスクからなるMLAgentBenchを紹介した。 各タスクに対して、エージェントはファイルの読み書き、コードの実行、出力の検査などのアクションを実行することができる。 我々は、Claude v1.0、Claude v2.1、Claude v3 Opus、GPT-4、GPT-4-turbo、Gemini-Pro、Mixtralに基づいてベンチマークエージェントをベンチマークし、Claude v3 Opusエージェントが成功率の点で最高であることを示す。
  論文  参考訳（メタデータ） (2023-10-05T04:06:12Z)

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。