論文の概要: Foundation Models in Radiology: What, How, When, Why and Why Not

• arxiv url: http://arxiv.org/abs/2411.18730v2
• Date: Thu, 06 Feb 2025 23:34:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-10 14:53:16.538975
• Title: Foundation Models in Radiology: What, How, When, Why and Why Not
• Title（参考訳）: 放射線学の基礎モデル:何、どのように、いつ、なぜ、なぜ、そうでないのか
• Authors: Magdalini Paschali, Zhihong Chen, Louis Blankemeier, Maya Varma, Alaa Youssef, Christian Bluethgen, Curtis Langlotz, Sergios Gatidis, Akshay Chaudhari,
• Abstract要約: 人工知能の最近の進歩は、テキストデータと画像データの両方を解釈、生成できる大規模ディープラーニングモデルの出現を目撃している。 ファウンデーションモデルは近年、学術、産業、規制機関から大きな注目を集めている。 本論は,基礎モデルに関する標準化された用語を確立することを目的としている。
• 参考スコア（独自算出の注目度）: 15.314933454351674
• License:
• Abstract: Recent advances in artificial intelligence have witnessed the emergence of large-scale deep learning models capable of interpreting and generating both textual and imaging data. Such models, typically referred to as foundation models, are trained on extensive corpora of unlabeled data and demonstrate high performance across various tasks. Foundation models have recently received extensive attention from academic, industry, and regulatory bodies. Given the potentially transformative impact that foundation models can have on the field of radiology, this review aims to establish a standardized terminology concerning foundation models, with a specific focus on the requirements of training data, model training paradigms, model capabilities, and evaluation strategies. We further outline potential pathways to facilitate the training of radiology-specific foundation models, with a critical emphasis on elucidating both the benefits and challenges associated with such models. Overall, we envision that this review can unify technical advances and clinical needs in the training of foundation models for radiology in a safe and responsible manner, for ultimately benefiting patients, providers, and radiologists.
• Abstract（参考訳）: 人工知能の最近の進歩は、テキストデータと画像データの両方を解釈、生成できる大規模ディープラーニングモデルの出現を目撃している。 このようなモデルは一般的にファンデーションモデルと呼ばれ、ラベルなしデータの広範なコーパスに基づいて訓練され、様々なタスクで高い性能を示す。 ファウンデーションモデルは近年、学術、産業、規制機関から大きな注目を集めている。 本レビューは,基礎モデルが放射線学の分野にもたらす潜在的変革的影響を考慮し,基礎モデルに関する標準化された用語を確立することを目的としており,特に,トレーニングデータ,モデルトレーニングパラダイム,モデル能力,評価戦略の要件に焦点をあてている。 さらに、放射線学固有の基礎モデルのトレーニングを促進するための潜在的な経路を概説し、これらのモデルに関連する利点と課題の解明に重点を置いている。 本レビューは, 放射線学の基礎モデルを安全かつ責任ある方法で訓練し, 最終的には患者, 提供者, 放射線技師の利益を得る上で, 技術的進歩と臨床ニーズを統一するものであると考えられた。

関連論文リスト

• Exploring Foundation Models for Synthetic Medical Imaging: A Study on Chest X-Rays and Fine-Tuning Techniques [0.49000940389224884]
  機械学習は、疾患の予防と治療の特定を支援することで、医療を著しく進歩させた。 しかし、プライバシの懸念と厳格な規制のため、患者データへのアクセスは困難である可能性がある。 近年の研究では、微調整基礎モデルがこのようなデータを効果的に生成できることが示唆されている。
  論文  参考訳（メタデータ） (2024-09-06T17:36:08Z)
• Recent Advances in Predictive Modeling with Electronic Health Records [71.19967863320647]
  EHRデータを予測モデリングに利用すると、その特徴からいくつかの課題が生じる。 深層学習は、医療を含む様々な応用においてその優位性を示している。
  論文  参考訳（メタデータ） (2024-02-02T00:31:01Z)
• Foundational Models in Medical Imaging: A Comprehensive Survey and Future Vision [6.2847894163744105]
  ファンデーションモデルは、広範囲の下流タスクに適応した大規模で事前訓練されたディープラーニングモデルである。 これらのモデルは、コンテキスト推論、一般化、テスト時の迅速な機能を促進する。 コンピュータビジョンの進歩に乗じて、医療画像はこれらのモデルへの関心も高まっている。
  論文  参考訳（メタデータ） (2023-10-28T12:08:12Z)
• 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)
• Foundational Models Defining a New Era in Vision: A Survey and Outlook [151.49434496615427]
  視覚シーンの構成的性質を観察し、推論する視覚システムは、我々の世界を理解するのに不可欠である。 モデルは、このようなモダリティと大規模なトレーニングデータとのギャップを埋めることを学び、コンテキスト推論、一般化、テスト時の迅速な機能を容易にした。 このようなモデルの出力は、例えば、バウンディングボックスを設けて特定のオブジェクトをセグメント化したり、画像や映像シーンについて質問したり、言語命令でロボットの動作を操作することで対話的な対話を行うなど、リトレーニングすることなく、人為的なプロンプトによって変更することができる。
  論文  参考訳（メタデータ） (2023-07-25T17:59:18Z)
• Empirical Analysis of a Segmentation Foundation Model in Prostate Imaging [9.99042549094606]
  医療画像セグメンテーションのための基盤モデルUniverSegについて考察する。 本研究では,前立腺画像の文脈における経験的評価研究を行い,従来のタスク固有セグメンテーションモデルの訓練手法と比較する。
  論文  参考訳（メタデータ） (2023-07-06T20:00:52Z)
• On the Challenges and Perspectives of Foundation Models for Medical Image Analysis [17.613533812925635]
  医療基盤モデルは、幅広い下流タスクを解く上で大きな可能性を秘めている。 それらは、正確で堅牢なモデルの開発を加速し、大量のラベル付きデータを削減し、患者のデータのプライバシと機密性を維持するのに役立つ。
  論文  参考訳（メタデータ） (2023-06-09T06:54:58Z)
• Safe AI for health and beyond -- Monitoring to transform a health service [51.8524501805308]
  機械学習アルゴリズムの出力を監視するために必要なインフラストラクチャを評価する。 モデルのモニタリングと更新の例を示す2つのシナリオを提示します。
  論文  参考訳（メタデータ） (2023-03-02T17:27:45Z)
• Ultrasound Signal Processing: From Models to Deep Learning [64.56774869055826]
  医用超音波画像は、信頼性と解釈可能な画像再構成を提供するために、高品質な信号処理に大きく依存している。 データ駆動方式で最適化されたディープラーニングベースの手法が人気を集めている。 比較的新しいパラダイムは、データ駆動型ディープラーニングの活用とドメイン知識の活用という2つのパワーを組み合わせたものだ。
  論文  参考訳（メタデータ） (2022-04-09T13:04:36Z)
• On the Opportunities and Risks of Foundation Models [256.61956234436553]
  これらのモデルの基礎モデルは、批判的に中心的だが不完全な性格を根底から立証するものです。 本報告では,基礎モデルの可能性とリスクについて概説する。 これらの疑問に対処するためには、基礎モデルに関する重要な研究の多くは、深い学際的なコラボレーションが必要であると信じている。
  論文  参考訳（メタデータ） (2021-08-16T17:50:08Z)
• Key Technology Considerations in Developing and Deploying Machine Learning Models in Clinical Radiology Practice [0.0]
  機械学習研究者は、モデルが正確で、堅牢で、実際に利用できるようにするために、認識し、対処しなければならない重要な考慮事項のリストを提案する。 すなわち、不十分なトレーニングデータ、分散データセット、高コストのアノテーション、曖昧な基底真理、クラス表現の不均衡、非対称な誤分類コスト、関連するパフォーマンス指標、モデルから未確認データセットへの一般化、モデル崩壊、逆行攻撃、説明可能性、公正さとバイアス、臨床検証について論じる。
  論文  参考訳（メタデータ） (2021-02-03T09:53:43Z)

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。