論文の概要: PathCowork: Learning from real-world pathology practice to build AI copilots
- arxiv url: http://arxiv.org/abs/2610.39441v1
- Date: Thu, 29 Oct 2026 06:15:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-02 23:45:15.869055
- Title: PathCowork: Learning from real-world pathology practice to build AI copilots
- Title（参考訳）: PathCowork: 現実の病理から学び、AIコパイロットを作る
- Abstract要約: PathCoworkは、病理学者のナレーションを受けた検査を、診断AIエージェントをガイドする視覚的基盤と手順の監督に変換するフレームワークである。
16人の病理学者による48のセッションで、プラットフォームは1028分間のスライドレビューを得た。
この根拠と記録された診断手順を組み合わせたエージェントは、クロード・コードやコーデックスよりも平均17.9ポイント、24.1ポイント高かった。
- 参考スコア（独自算出の注目度）: 6.3535167970223485
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Medical AI learns from the answers doctors record, but rarely from how they interpret the evidence to reach them. Here we introduce PathCowork, a framework that turns pathologists' narrated examinations into supervision for visual grounding and procedures that guide diagnostic AI agents. Synchronized gaze, narration and navigation link visual findings to the process of interpreting them. Across 48 sessions from 16 pathologists, the platform captured 1,028 minutes of slide review. Using these data, we trained PathCowork-1T for server deployment and PathCowork-27B for local deployment, with improved visual grounding. Across five organ-specific evaluations, agents combining this grounding with recorded diagnostic procedures achieved primary task scores averaging 17.9 and 24.1 percentage points higher than Claude Code and Codex, respectively, with shorter processing times and lower inference costs. Compared to the state-of-the-art multiple-instance learning AIs, the PathCowork agent-proposed regions achieved higher prostate-grading scores with limited slide labels. PathCowork can also help construct pathology AI benchmarks where questions derived from the recordings identified difficulties in recognizing viewing context and rejecting inapplicable premises. In summary, PathCowork proposes a new paradigm to scale up the data collection and train pathology AI through transparent reasoning from diagnostic sessions, opening a path towards systems that learn directly from routine clinical practice.
- Abstract（参考訳）: 医療AIは、医師が記録した回答から学習するが、それらに到達するための証拠の解釈方法から学ぶことは滅多にない。
ここでは、病理学者のナレーションを受けた検査を、診断AIエージェントをガイドする視覚的根拠と手順の監督に変換するフレームワークであるPathCoworkを紹介します。
同期視線, ナレーション, ナビゲーションリンクの視覚的発見と解釈の過程
16人の病理学者による48のセッションで、プラットフォームは1028分間のスライドレビューを得た。
これらのデータを用いて、サーバデプロイメントのためのPathCowork-1Tと、ローカルデプロイメントのためのPathCowork-27Bをトレーニングし、視覚的グラウンドニングを改善しました。
5つの臓器特異的評価において、この接地と記録された診断手順を組み合わせたエージェントは、クロードコードとコーデックスより平均17.9ポイント、24.1ポイント高く、処理時間の短縮と推論コストの低減を実現した。
最先端のマルチインスタンス学習AIと比較して、PathCoworkエージェントが提案する領域は、スライドラベルが限定された前立腺グレーティングスコアを達成している。
PathCoworkは、記録から派生した質問が、視聴コンテキストを認識し、適用不可能な前提を拒否する困難を識別する、病理AIベンチマークの構築にも役立てることができる。
まとめると、PathCoworkは診断セッションからの透過的な推論を通じてデータ収集と病理学AIをスケールアップし、通常の臨床実践から直接学習するシステムへの道を開く新しいパラダイムを提案する。
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) - A Multi-modal Agentic Co-pilot for Evidence Grounded Computational Pathology [27.958607954013036]
PathPocketはマルチモーダルAIエージェントの共同パイロットで、特に根拠のある病理学のために設計されている。
臨床ガイドラインから専門家の意見まで、厳密な証拠階層にまたがって構成された約110,472件の公文書を含む、これまでで最も包括的な病理証拠コーパスを構築した。
このハイパーグラフは、入力理解、エビデンス検索、フィルタリング、診断生成を統合した、協調的なマルチエージェント推論フレームワークのトレース可能な証拠を提供する。
我々は,20万件以上の実世界のケースの多次元ベンチマークでシステムを厳格に評価し,既存の最先端技術を大幅に上回っている。
論文 参考訳（メタデータ） (2026-06-06T10:36:30Z) - Agentic Cognitive Profiling: Realigning Automated Alzheimer's Disease Detection with Clinical Construct Validity [66.94391219005291]
本稿では,臨床プロトコルロジックによる自動スクリーニングを実現するエージェント認知プロファイリング(ACP)を提案する。
我々の設計の中心は、すべての定量化を決定論的関数呼び出しに委譲することで、測定から意味的理解を分離することである。
ACPは、タスク試験で90.5%のスコアマッチ率、AD予測で85.3%の精度を達成し、一般的な基準を上回っている。
論文 参考訳（メタデータ） (2026-03-18T06:15:35Z) - Pathology-CoT: Learning Visual Chain-of-Thought Agent from Expert Whole Slide Image Diagnosis Behavior [6.583135094946921]
3つの重要なブレークスルーを通じて、この問題に対処するために設計されたフレームワークを紹介します。
まず、AI Session Recorderは、標準的な全スライド画像ビューアとシームレスに統合される。
第2に、ライトウェイトなヒューマン・イン・ザ・ループ・レビューは、行動コマンドのAIドラフトによる合理性を、Pathology-CoTデータセットに変換する。
第三に、我々のフレームワークはエージェントの病理を実践し、ヒトに適応し、アップグレード可能な臨床AIへの道を確立します。
論文 参考訳（メタデータ） (2025-10-06T08:44:04Z) - PathMR: Multimodal Visual Reasoning for Interpretable Pathology Diagnosis [9.728322291979564]
病理画像解析のための細胞レベルでのマルチモーダルビジュアル推論フレームワークであるPathMRを提案する。
PathMRは、テキスト生成品質、セグメンテーション精度、モーダルアライメントにおいて、最先端の視覚的推論手法よりも一貫して優れていることを示す。
論文 参考訳（メタデータ） (2025-08-28T14:46:24Z) - GRASPing Anatomy to Improve Pathology Segmentation [67.98147643529309]
本稿では,病的セグメンテーションモデルを強化するモジュール型プラグイン・アンド・プレイフレームワークGRASPを紹介する。
2つのPET/CTデータセット上でGRASPを評価し、系統的アブレーション研究を行い、フレームワークの内部動作について検討する。
論文 参考訳（メタデータ） (2025-08-05T12:26:36Z) - PathFinder: A Multi-Modal Multi-Agent System for Medical Diagnostic Decision-Making Applied to Histopathology [11.366456922386263]
スライド画像全体を通して病気を診断することは、現代の病理学において基本である。
従来のAIアプローチは、このような包括的で反復的なマルチスケールの診断手順を欠いている。
専門的な病理医の意思決定プロセスをエミュレートしたマルチモーダル・マルチエージェントフレームワークであるPathFinderを紹介した。
論文 参考訳（メタデータ） (2025-02-13T03:08:02Z) - Anatomy-guided Pathology Segmentation [56.883822515800205]
本研究では, 解剖学的特徴と病理学的情報を組み合わせた汎用的セグメンテーションモデルを構築し, 病理学的特徴のセグメンテーション精度を高めることを目的とする。
我々の解剖学・病理学交流(APEx)訓練では,ヒト解剖学の問合せ表現に結合特徴空間をデコードする問合せベースのセグメンテーション変換器を用いている。
これにより、FDG-PET-CTとChest X-Rayの病理分類タスクにおいて、強力なベースライン法に比べて最大3.3%のマージンで、ボード全体で最高の結果を報告できる。
論文 参考訳（メタデータ） (2024-07-08T11:44:15Z) - Computational Pathology: A Survey Review and The Way Forward [35.29627164279813]
計算病理学 CPath (Computational Pathology CPath) は、医学的な病理像を分析し、モデル化するための計算手法の開発を強化する学際的な科学である。
CPathの主な目的は,臨床病理の補助的CADシステムとして,デジタル診断の基盤とビジョンを開発することである。
論文 参考訳（メタデータ） (2023-04-11T20:28:33Z) - BiteNet: Bidirectional Temporal Encoder Network to Predict Medical
Outcomes [53.163089893876645]
本稿では,患者の医療旅行におけるコンテキスト依存と時間的関係を捉える,新たな自己注意機構を提案する。
エンド・ツー・エンドの双方向時間エンコーダネットワーク(BiteNet)が患者の旅路の表現を学習する。
実世界のEHRデータセットを用いた2つの教師付き予測と2つの教師なしクラスタリングタスクにおける手法の有効性を評価した。
論文 参考訳（メタデータ） (2020-09-24T00:42:36Z)
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。