論文の概要: A Comprehensive Survey of Foundation Models in Medicine

• arxiv url: http://arxiv.org/abs/2406.10729v3
• Date: Thu, 16 Jan 2025 16:04:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-17 11:51:27.652030
• Title: A Comprehensive Survey of Foundation Models in Medicine
• Title（参考訳）: 医学の基礎モデルに関する総合的研究
• Authors: Wasif Khan, Seowung Leem, Kyle B. See, Joshua K. Wong, Shaoting Zhang, Ruogu Fang,
• Abstract要約: ファンデーションモデル(FM)は、大規模なデータセットに基づいてトレーニングされた大規模ディープラーニングモデルである。 我々は医学におけるFMのレビューを行い、その進化、学習戦略、旗艦モデル、アプリケーション、関連する課題に焦点を当てる。 本稿では,臨床自然言語処理,医用コンピュータビジョン,グラフ学習,その他のバイオ・オミクス関連タスクにまたがるFM対応医療応用の詳細な分類法を提案する。
• 参考スコア（独自算出の注目度）: 8.879092631568263
• License:
• Abstract: Foundation models (FMs) are large-scale deep learning models trained on massive datasets, often using self-supervised learning techniques. These models serve as a versatile base for a wide range of downstream tasks, including those in medicine and healthcare. FMs have demonstrated remarkable success across multiple healthcare domains. However, existing surveys in this field do not comprehensively cover all areas where FMs have made significant strides. In this survey, we present a comprehensive review of FMs in medicine, focusing on their evolution, learning strategies, flagship models, applications, and associated challenges. We examine how prominent FMs, such as the BERT and GPT families, are transforming various aspects of healthcare, including clinical large language models, medical image analysis, and omics research. Additionally, we provide a detailed taxonomy of FM-enabled healthcare applications, spanning clinical natural language processing, medical computer vision, graph learning, and other biology- and omics- related tasks. Despite the transformative potentials of FMs, they also pose unique challenges. This survey delves into these challenges and highlights open research questions and lessons learned to guide researchers and practitioners. Our goal is to provide valuable insights into the capabilities of FMs in health, facilitating responsible deployment and mitigating associated risks.
• Abstract（参考訳）: ファンデーションモデル(FM)は、大規模なデータセットに基づいてトレーニングされた大規模なディープラーニングモデルであり、しばしば自己教師付き学習技術を使用する。 これらのモデルは、医療や医療など、幅広い下流業務のための汎用的な基盤として機能する。 FMは、複数の医療領域で顕著な成功を収めている。 しかし、この分野での既存の調査は、FMが大きな進歩を遂げたすべての領域を包括的にカバーしていない。 本稿では,医学におけるFMの進化,学習戦略,フラッグシップモデル,アプリケーション,関連する課題を中心に,包括的レビューを行う。 我々は,臨床大言語モデル,医用画像解析,オミクス研究など,医療の様々な側面を転換している,BERTやGPTファミリーなどのFMについて検討する。 さらに,臨床自然言語処理,医用コンピュータビジョン,グラフ学習,その他のバイオ・オミクス関連タスクにまたがるFM対応医療応用の詳細な分類について報告する。 FMの変換ポテンシャルにもかかわらず、それらはユニークな課題も生み出す。 この調査はこれらの課題を掘り下げ、研究者や実践者を導くために学んだオープンな研究の疑問と教訓を強調している。 私たちの目標は、FMの健康機能に関する貴重な洞察を提供することで、責任あるデプロイメントを促進し、関連するリスクを軽減することです。

関連論文リスト

• A Survey of Medical Vision-and-Language Applications and Their Techniques [48.268198631277315]
  医療ビジョン・アンド・ランゲージモデル(MVLM)は、複雑な医療データを解釈するための自然言語インタフェースを提供する能力から、大きな関心を集めている。 本稿では,MVLMの概要と適用した各種医療課題について概観する。 また、これらのタスクに使用するデータセットについても検討し、標準化された評価指標に基づいて異なるモデルの性能を比較した。
  論文  参考訳（メタデータ） (2024-11-19T03:27:05Z)
• Foundation Models for Remote Sensing and Earth Observation: A Survey [101.77425018347557]
  本調査は、リモートセンシング基礎モデル(RSFM)の新しい分野を体系的にレビューする。 モチベーションと背景の概要から始まり、続いて基本概念が導入された。 我々はこれらのモデルを公開データセットと比較し、既存の課題について議論し、今後の研究方向性を提案する。
  論文  参考訳（メタデータ） (2024-10-22T01:08:21Z)
• A Survey of Deep Learning-based Radiology Report Generation Using Multimodal Data [41.8344712915454]
  自動放射線診断レポート生成は、医師の作業負荷を軽減し、医療資源の地域格差を最小限にすることができる。 マルチモーダル入力データから情報を得るためには、医師を模倣する計算モデルが必要であるため、これは難しい課題である。 近年, トランスフォーマー, コントラスト学習, 知識ベース構築など, 深層学習に基づく手法を用いてこの問題に対処する研究が進められている。 本調査では,最新の研究で開発された重要な手法を要約し,ディープラーニングに基づくレポート生成のための一般的なワークフローを提案する。
  論文  参考訳（メタデータ） (2024-05-21T14:37:35Z)
• Open Challenges and Opportunities in Federated Foundation Models Towards Biomedical Healthcare [14.399086205317358]
  ファンデーションモデル(FM)は、教師なし事前訓練、自己教師付き学習、微調整の指導、人間のフィードバックからの強化学習など、膨大なデータセットで訓練される。 これらのモデルは、臨床報告、診断画像、マルチモーダル患者間相互作用などの多様なデータフォームの処理を必要とする生体医学的応用に不可欠である。 FLをこれらの洗練されたモデルに組み込むことは、機密性の高い医療データのプライバシーを守りながら、分析能力を活用するという有望な戦略を示す。
  論文  参考訳（メタデータ） (2024-05-10T19:22:24Z)
• Progress and Opportunities of Foundation Models in Bioinformatics [77.74411726471439]
  基礎モデル(FM)は、特に深層学習の領域において、計算生物学の新しい時代に定着した。 我々の焦点は、特定の生物学的問題にFMを応用することであり、研究ニーズに適切なFMを選択するために研究コミュニティを指導することを目的としています。 データノイズ、モデル説明可能性、潜在的なバイアスなど、生物学においてFMが直面する課題と限界を分析します。
  論文  参考訳（メタデータ） (2024-02-06T02:29:17Z)
• Learning from models beyond fine-tuning [78.20895343699658]
  Learn From Model (LFM) は、モデルインターフェースに基づいた基礎モデル(FM)の研究、修正、設計に焦点を当てている。 LFM技術の研究は、モデルチューニング、モデル蒸留、モデル再利用、メタラーニング、モデル編集の5つの分野に大別できる。 本稿では, LFM の観点から, FM に基づく現在の手法を概観する。
  論文  参考訳（メタデータ） (2023-10-12T10:20:36Z)
• Opportunities and Challenges for ChatGPT and Large Language Models in Biomedicine and Health [22.858424132819795]
  チャットGPTは、バイオメディシンと健康の分野における多様な応用の出現につながっている。 生体情報検索,質問応答,医用テキスト要約,医学教育の分野について検討する。 テキスト生成タスクの分野では,従来の最先端手法を超越した大きな進歩が見られた。
  論文  参考訳（メタデータ） (2023-06-15T20:19:08Z)
• Artificial General Intelligence for Medical Imaging Analysis [92.3940918983821]
  大規模人工知能(AGI)モデルは、様々な汎用ドメインタスクにおいて前例のない成功を収めた。 これらのモデルは、医学分野固有の複雑さとユニークな特徴から生じる顕著な課題に直面している。 このレビューは、医療画像、医療などにおけるAGIの将来的な意味についての洞察を提供することを目的としている。
  論文  参考訳（メタデータ） (2023-06-08T18:04:13Z)
• Towards Medical Artificial General Intelligence via Knowledge-Enhanced Multimodal Pretraining [121.89793208683625]
  医療人工知能(MAGI)は、1つの基礎モデルで異なる医療課題を解くことができる。 我々は、Micical-knedge-enhanced mulTimOdal pretRaining (motoR)と呼ばれる新しいパラダイムを提案する。
  論文  参考訳（メタデータ） (2023-04-26T01:26:19Z)
• A Survey on Incorporating Domain Knowledge into Deep Learning for Medical Image Analysis [38.90186125141749]
  医療データセットの小型化は、ディープラーニングにおいて依然として大きなボトルネックとなっている。 従来のアプローチでは、移動学習を通じて自然画像からの情報を活用していた。 近年の研究では、医師の知識を活用して、医師の訓練方法に似たネットワークを構築している。
  論文  参考訳（メタデータ） (2020-04-25T14:27:47Z)

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。