論文の概要: PathoJev: Efficient Pathology Decisions from Shared Visual Context

• arxiv url: http://arxiv.org/abs/2610.40752v1
• Date: Thu, 29 Oct 2026 16:14:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 22:05:31.456947
• Title: PathoJev: Efficient Pathology Decisions from Shared Visual Context
• Title（参考訳）: PathoJev: 共有ビジュアルコンテキストによる効率的な病態決定
• Abstract要約: そこで我々はPathoJevを導入する。PathoJevは,全スライディングおよび地域レベルの評価のための解答確率を予測するモデルである。 PathoJevは各スライドを一度エンコードし、共有されたビジュアルコンテキスト上で独立した質問サフィックスをバッチで評価する。 WSI-Benchでは、9BモデルはSlideChatの9.1倍高速で動作する。
• 参考スコア（独自算出の注目度）: 31.392698925383403
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Pathology workflows require multiple visual judgments about the same slide, from identifying tumor type to assessing grade and invasion. Generating and parsing a separate textual response for each structured question adds latency between visual evidence and usable decisions. Building on the System One paradigm, we introduce PathoJev, a pathology model that directly predicts answer probabilities for whole-slide and region-level assessment. PathoJev encodes each slide once and evaluates independent question suffixes in batches over the shared visual context. Reusing the hybrid backbone's recurrent states further limits the computation that grows with slide-context length for each additional question. Across three whole-slide benchmarks, the 9B and 27B models achieve mean accuracies of 77.2% and 78.1%, exceeding SlideChat by 5.4 and 6.3 percentage points. Both scales also maintain competitive accuracy on five ROI benchmarks. On WSI-Bench, the 9B model runs 9.1x faster than SlideChat. Shared context accelerates eight-question workloads by 6.9x and 5.9x over separate prefix encoding, rising to 11.2x and 8.9x for 64 questions. These results provide a reusable probabilistic interface for combining multiple visual judgments in whole-slide and local tissue assessment. Code: https://github.com/ChyaZhang/PathoJev.
• Abstract（参考訳）: 病理ワークフローは同じスライドについて複数の視覚的判断を必要とする。 各構造化された質問に対する別のテキスト応答の生成と解析は、視覚的エビデンスと使用可能な決定の間の遅延を追加する。 システム1のパラダイムをベースとしたPathoJevは,全スライディングおよび地域レベルの評価において,解答確率を直接予測する病理モデルである。 PathoJevは各スライドを一度エンコードし、共有されたビジュアルコンテキスト上で独立した質問サフィックスをバッチで評価する。 ハイブリッドバックボーンのリカレントステートの再利用は、追加の質問ごとにスライドコンテキスト長で成長する計算をさらに制限する。 3つのベンチマークで、9Bと27Bの平均精度は77.2%と78.1%で、SlideChatを5.4と6.3ポイント上回っている。 両方のスケールは、5つのROIベンチマーク上での競合精度も維持する。 WSI-Benchでは、9BモデルはSlideChatの9.1倍高速で動作する。 共有コンテキストは、64の質問で11.2xと8.9xに上昇し、個別のプレフィックスエンコーディングで8クエストワークロードを6.9xと5.9xで加速する。 これらの結果は、スライディング全体および局所組織評価における複数の視覚的判断を組み合わせるために、再利用可能な確率的インターフェースを提供する。 コード:https://github.com/ChyaZhang/PathoJev

関連論文リスト

• Bayesian Test-Time Inference of Task-Aligned Similarity from Weak Interactive Feedback [50.42640957891911]
  言語モデルシステムは、類似性を比較することで、繰り返しテスト時の決定を行う。 しかし、類似性はユニークではない:語彙、意味、構造、類似性はNの選択点を取得することができる。 本稿では,現在の意思決定を統括するトレーニングフリーベイズ手法であるAxis Interactive Signalsを紹介する。
  論文  参考訳（メタデータ） (2026-10-13T16:19:49Z)
• ParaGeo: Decomposing Paralinguistic Variation into a Shared Latent Geometry [18.901420508390846]
  ParaGeoは、凍結した音声言語モデルにおけるパラ言語的変動の一致した内容の分解である。 GLM-4-Voiceプローブは8つの文にまたがる12のベンチマークファミリーから80の要求された制御にまたがる。
  論文  参考訳（メタデータ） (2026-10-02T10:46:16Z)
• PathoArgus: Advancing Evidence-Grounded Long-Context Visual Reasoning across Gigapixel Whole-Slide and Multi-Slide Case Contexts [14.635805865055433]
  完全エビデンスチェーンを明示的にテストするベンチマークおよび評価プロトコルであるPathoArgus-Benchを紹介する。 PathoArgus-Benchは15のTCGAプロジェクトから4,913人の患者から22,078の質問を受けている。 また、ターゲットのWSIセットが移動、置換、削除される間、質問テキストが固定される483個のクォーテの制御セットであるESGをコントリビュートする。
  論文  参考訳（メタデータ） (2026-08-18T10:16:33Z)
• StateSight: Benchmarking Latent Spatial-State Reconstruction in Vision-Language Models [0.5624504968545648]
  我々は,立方体-ネット対面推論,閉立方体-towerカウント,隣接する連結成分カウントのベンチマークであるStateSightを紹介する。 各タスクファミリーには300の単一イメージプロンプトがあり、決定論的オラクルラベルと正確なマッチスコアがある。 OpenAI GPT-5.5はAPIモデルの識別子gpt-5.5を使用して、3つのタスクで59.3%、33.3%、28.3%の精度を達成した。
  論文  参考訳（メタデータ） (2026-08-15T20:13:12Z)
• Toward Anthropomorphic Dialogue: A Closed-Loop Framework for Human-Like Chat Generation, Evaluation, and Preference Alignment [11.379426404872833]
  AnthroDialは、システムアーキテクチャ、実行可能評価、診断アライメントの連立問題として人為的対話を定式化するクローズドループフレームワークである。 ロール条件のスケジュールされた対話とペルソナとシナリオカード、長期記憶、仮想時間、シングルドラフトメッセージ決定を組み合わせる。 生成,評価,報酬形成における人為的対話は,同じ行動次元を共有していることを示す。
  論文  参考訳（メタデータ） (2026-07-19T11:06:40Z)
• Efficient Visual Pointing for Embodied AI:Agent-Driven Data Synthesis, Cross-Block Attention, and Iterative Correction [55.11480729304395]
  PointArena 2026は77.2%の精度でベンチマークで2位である。 ap proachは3つの障害モードをターゲットにしている。第一に、エージェント駆動のシンセシスは大きなセマンティクスとアンカー相対的な候補プールを構築する。 次に、determinis tic steerable-dataパイプラインは、認証された10,000サンプルのメインセットと、マスク、テンプレート、パス検証を使用するリザーブサンプルを生成する。
  論文  参考訳（メタデータ） (2026-06-29T06:39:03Z)
• AutoPrune: Each Complexity Deserves a Pruning Policy [58.448785378705566]
  Complexity Pruning(AutoPrune)は、プルングポリシーをさまざまなサンプルやタスクの複雑さに合わせて調整する、トレーニングフリーのプラグイン・アンド・プレイフレームワークである。 我々はAutoPruneを、標準的な視覚適応タスクと、自律運転のためのビジョン・ランゲージ・アクションモデルで評価する。
  論文  参考訳（メタデータ） (2025-09-28T15:09:00Z)
• In Situ Answer Sentence Selection at Web-scale [120.69820139008138]
  Passage-based Extracting Answer Sentence In-place (PEASI)は、Webスケール設定に最適化されたAS2の新しい設計である。 PEASIをマルチタスク学習フレームワークでトレーニングし,各コンポーネント間の特徴共有を促進する。 実験により、PEASIはAS2の現在の最先端設定、すなわち文を独立してランク付けするためのポイントワイズモデルを6.51%精度で効果的に上回っている。
  論文  参考訳（メタデータ） (2022-01-16T06:36:00Z)

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。