論文の概要: Mixture of Multicenter Experts in Multimodal AI for Debiased Radiotherapy Target Delineation

• arxiv url: http://arxiv.org/abs/2410.00046v3
• Date: Thu, 18 Sep 2025 15:48:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-19 15:20:13.624156
• Title: Mixture of Multicenter Experts in Multimodal AI for Debiased Radiotherapy Target Delineation
• Title（参考訳）: 放射線治療のためのマルチモーダルAIにおける多施設専門家の混在
• Authors: Yujin Oh, Sangjoon Park, Xiang Li, Pengfei Jin, Yi Wang, Jonathan Paly, Jason Efstathiou, Annie Chan, Jun Won Kim, Hwa Kyung Byun, Ik Jae Lee, Jaeho Cho, Chan Woo Wee, Peng Shu, Peilong Wang, Nathan Yu, Jason Holmes, Jong Chul Ye, Quanzheng Li, Wei Liu, Woong Sub Koom, Jin Sung Kim, Kyungsang Kim,
• Abstract要約: 本稿では,医療分野におけるAIバイアスに対処するために,機関間のデータ共有を必要とせず,マルチセンターエキスパートの混在(Mixture of Multicenter Experts, MoME)フレームワークを提案する。 MoMEは、様々な臨床戦略から専門的な専門知識を統合し、医療センター全体のモデル一般化可能性と適応性を高める。
• 参考スコア（独自算出の注目度）: 40.85439754751206
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Clinical decision-making reflects diverse strategies shaped by regional patient populations and institutional protocols. However, most existing medical artificial intelligence (AI) models are trained on highly prevalent data patterns, which reinforces biases and fails to capture the breadth of clinical expertise. Inspired by the recent advances in Mixture of Experts (MoE), we propose a Mixture of Multicenter Experts (MoME) framework to address AI bias in the medical domain without requiring data sharing across institutions. MoME integrates specialized expertise from diverse clinical strategies to enhance model generalizability and adaptability across medical centers. We validate this framework using a multimodal target volume delineation model for prostate cancer radiotherapy. With few-shot training that combines imaging and clinical notes from each center, the model outperformed baselines, particularly in settings with high inter-center variability or limited data availability. Furthermore, MoME enables model customization to local clinical preferences without cross-institutional data exchange, making it especially suitable for resource-constrained settings while promoting broadly generalizable medical AI.
• Abstract（参考訳）: 臨床的意思決定は、地域患者の人口と制度的プロトコルによって形成された多様な戦略を反映している。 しかし、既存の医療人工知能(AI)モデルは、偏見を強化し、臨床専門知識の広さを捉えることができない、非常に一般的なデータパターンに基づいて訓練されている。 近年のMixture of Experts(MoE)の発展に触発されて,医療分野におけるAIバイアスに対処するMixture of Multicenter Experts(MoME)フレームワークを提案する。 MoMEは、様々な臨床戦略から専門的な専門知識を統合し、医療センター全体のモデル一般化可能性と適応性を高める。 前立腺癌放射線治療のためのマルチモーダルターゲットボリュームデラインモデルを用いて,本枠組みを検証した。 各センターからの画像と臨床メモを組み合わせた数ショットのトレーニングでは、特に中心間の変動やデータ可用性の制限のある設定において、モデルがベースラインを上回った。 さらに、MoMEは、施設間データ交換を使わずに、局所的な臨床的嗜好に対するモデルカスタマイズを可能にし、広く一般化可能な医療AIを推進しつつ、リソース制約された設定に特に適している。

関連論文リスト

• Navigating the landscape of multimodal AI in medicine: a scoping review on technical challenges and clinical applications [2.3754862363513523]
  本稿では,医学領域全体にわたるディープラーニングベースのマルチモーダルAIアプリケーションの展望を概観する。 マルチモーダルAIモデルは、AUCの6.2ポイントの平均的な改善により、一貫して単調なAIモデルを上回っている。 我々は,マルチモーダルAI開発を推進している重要な要因を特定し,フィールドの成熟を促進するための推奨事項を提案する。
  論文  参考訳（メタデータ） (2024-11-06T09:18:05Z)
• FEDKIM: Adaptive Federated Knowledge Injection into Medical Foundation Models [54.09244105445476]
  本研究は,フェデレート・ラーニング・フレームワーク内で医療基盤モデルを拡張するための新しい知識注入手法であるFedKIMを紹介する。 FedKIMは軽量なローカルモデルを活用して、プライベートデータから医療知識を抽出し、この知識を集中基盤モデルに統合する。 7つのモードで12タスクを対象に実験を行い,FedKIMの有効性について検討した。
  論文  参考訳（メタデータ） (2024-08-17T15:42:29Z)
• Med-MoE: Mixture of Domain-Specific Experts for Lightweight Medical Vision-Language Models [17.643421997037514]
  差別的, 生成的両マルチモーダル医療課題に対処する新しい枠組みを提案する。 Med-MoEの学習は、マルチモーダル医療アライメント、命令チューニングとルーティング、ドメイン固有のMoEチューニングの3つのステップで構成されている。 我々のモデルは最先端のベースラインに匹敵する性能を達成できる。
  論文  参考訳（メタデータ） (2024-04-16T02:35:17Z)
• Towards a clinically accessible radiology foundation model: open-access and lightweight, with automated evaluation [113.5002649181103]
  オープンソースの小型マルチモーダルモデル(SMM)を訓練し、放射線学における未測定臨床ニーズに対する能力ギャップを埋める。 トレーニングのために,697万以上の画像テキストペアからなる大規模なデータセットを組み立てる。 評価のために,GPT-4に基づく実測値CheXpromptを提案する。 LlaVA-Radの推論は高速で、単一のV100 GPU上でプライベート設定で実行できる。
  論文  参考訳（メタデータ） (2024-03-12T18:12:02Z)
• Towards AI-Based Precision Oncology: A Machine Learning Framework for Personalized Counterfactual Treatment Suggestions based on Multi-Omics Data [0.05025737475817938]
  本稿では,個別のがん治療提案のためのモジュール型機械学習フレームワークを提案する。 このフレームワークは、データ駆動がん研究に固有の重要な課題に対処するように調整されている。 本手法は,臨床医に現実的な意思決定支援ツール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） (2024-02-19T14:54:20Z)
• Review of multimodal machine learning approaches in healthcare [0.0]
  臨床医は、情報的な判断をするために、さまざまなデータソースに依存しています。 機械学習の最近の進歩は、より効率的なマルチモーダルデータの取り込みを促進する。
  論文  参考訳（メタデータ） (2024-02-04T12:21:38Z)
• XAI for In-hospital Mortality Prediction via Multimodal ICU Data [57.73357047856416]
  マルチモーダルICUデータを用いて病院内死亡率を予測するための,効率的で説明可能なAIソリューションを提案する。 我々は,臨床データから異種入力を受信し,意思決定を行うマルチモーダル・ラーニングを我々のフレームワークに導入する。 我々の枠組みは、医療研究において重要な要素の発見を容易にする他の臨床課題に容易に移行することができる。
  論文  参考訳（メタデータ） (2023-12-29T14:28:04Z)
• Ambiguous Medical Image Segmentation using Diffusion Models [60.378180265885945]
  我々は,グループ洞察の分布を学習することで,複数の可算出力を生成する単一拡散モデルに基づくアプローチを提案する。 提案モデルでは,拡散の固有のサンプリングプロセスを利用してセグメンテーションマスクの分布を生成する。 その結果,提案手法は既存の最先端曖昧なセグメンテーションネットワークよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2023-04-10T17:58:22Z)
• Cross-Modal Information Maximization for Medical Imaging: CMIM [62.28852442561818]
  病院では、同じ情報を異なるモダリティの下で利用できるようにする特定の情報システムにデータがサイロ化される。 これは、テスト時に常に利用できないかもしれない同じ情報の複数のビューを列車で取得し、使用するためのユニークな機会を提供する。 テスト時にモダリティの低下に耐性を持つマルチモーダル入力の優れた表現を学習することで、利用可能なデータを最大限活用する革新的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-10-20T20:05:35Z)

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。