論文の概要: Prompt Mechanisms in Medical Imaging: A Comprehensive Survey

• arxiv url: http://arxiv.org/abs/2507.01055v1
• Date: Sat, 28 Jun 2025 03:06:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-03 14:22:59.804869
• Title: Prompt Mechanisms in Medical Imaging: A Comprehensive Survey
• Title（参考訳）: 医用画像におけるプロンプト機構 : 包括的調査
• Authors: Hao Yang, Xinlong Liang, Zhang Li, Yue Sun, Zheyu Hu, Xinghe Xie, Behdad Dashtbozorg, Jincheng Huang, Shiwei Zhu, Luyi Han, Jiong Zhang, Shanshan Wang, Ritse Mann, Qifeng Yu, Tao Tan,
• Abstract要約: 深層学習は医療画像に変革をもたらす。 しかし、その臨床導入は、データの不足、分散シフト、堅牢なタスクの一般化の必要性といった課題によって、しばしば妨げられている。 深層学習モデルを導くための重要な戦略として,プロンプトベースの方法論が登場している。
• 参考スコア（独自算出の注目度）: 18.072753363565322
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Deep learning offers transformative potential in medical imaging, yet its clinical adoption is frequently hampered by challenges such as data scarcity, distribution shifts, and the need for robust task generalization. Prompt-based methodologies have emerged as a pivotal strategy to guide deep learning models, providing flexible, domain-specific adaptations that significantly enhance model performance and adaptability without extensive retraining. This systematic review critically examines the burgeoning landscape of prompt engineering in medical imaging. We dissect diverse prompt modalities, including textual instructions, visual prompts, and learnable embeddings, and analyze their integration for core tasks such as image generation, segmentation, and classification. Our synthesis reveals how these mechanisms improve task-specific outcomes by enhancing accuracy, robustness, and data efficiency and reducing reliance on manual feature engineering while fostering greater model interpretability by making the model's guidance explicit. Despite substantial advancements, we identify persistent challenges, particularly in prompt design optimization, data heterogeneity, and ensuring scalability for clinical deployment. Finally, this review outlines promising future trajectories, including advanced multimodal prompting and robust clinical integration, underscoring the critical role of prompt-driven AI in accelerating the revolution of diagnostics and personalized treatment planning in medicine.
• Abstract（参考訳）: 深層学習は医療画像の変革的可能性を提供するが、その臨床応用はデータ不足、分散シフト、堅牢なタスクの一般化の必要性といった課題によってしばしば妨げられる。 プロンプトベースの方法論は、ディープラーニングモデルを導くための重要な戦略として現れ、柔軟なドメイン固有の適応を提供し、広範囲なリトレーニングなしにモデルの性能と適応性を著しく向上させる。 この体系的なレビューは、医療画像における急激なエンジニアリングの急成長の風景を批判的に検証する。 テキスト命令や視覚的プロンプト,学習可能な埋め込みなど,さまざまな迅速なモーダルを識別し,画像生成やセグメンテーション,分類といった中核的なタスクへの統合を解析する。 これらのメカニズムは, 精度, 堅牢性, およびデータ効率を向上し, 手動の特徴工学への依存を低減し, モデルガイダンスを明確化することにより, モデル解釈可能性の向上を図っている。 大幅な進歩にもかかわらず、特に、設計の最適化、データの均一性、臨床展開のスケーラビリティの確保など、永続的な課題を特定します。 最後に、このレビューは、先進的なマルチモーダルプロンプトと堅牢な臨床統合を含む将来的な軌道について概説し、診断の革命と医療におけるパーソナライズされた治療計画の促進において、プロンプト駆動型AIが重要な役割を担っていることを強調する。

関連論文リスト

• DeepSelective: Interpretable Prognosis Prediction via Feature Selection and Compression in EHR Data [26.378114734793492]
  EHRデータを用いた患者予後予測のための新しいエンドツーエンドディープラーニングフレームワークであるDeepSelectiveを提案する。 DeepSelectiveは、データ圧縮技術と革新的な機能選択アプローチを組み合わせて、カスタム設計モジュールを統合する。 実験の結果,DeepSelectiveは予測精度を向上するだけでなく,解釈可能性も向上し,臨床診断に有用なツールであることがわかった。
  論文  参考訳（メタデータ） (2025-04-15T15:04:39Z)
• Doctor-in-the-Loop: An Explainable, Multi-View Deep Learning Framework for Predicting Pathological Response in Non-Small Cell Lung Cancer [0.6800826356148091]
  非小細胞肺癌(NSCLC)はいまだに世界的な健康上の課題である。 専門家主導のドメイン知識と説明可能な人工知能技術を統合する新しいフレームワークであるDoctor-in-the-Loopを提案する。 アプローチでは段階的なマルチビュー戦略を採用し,より広いコンテキスト特徴からより微細で病変特異的な詳細まで,モデルの焦点を段階的に洗練する。
  論文  参考訳（メタデータ） (2025-02-21T16:35:30Z)
• Fast Medical Shape Reconstruction via Meta-learned Implicit Neural Representations [5.213304732451705]
  検索と処理時間の最小化は、重要なシナリオにおける迅速な応答と意思決定を促進する可能性がある。 近年の手法は暗黙的神経機能を利用して医療形状再構築の課題を解決しようとするものである。
  論文  参考訳（メタデータ） (2024-09-11T08:44:10Z)
• Exploration of Attention Mechanism-Enhanced Deep Learning Models in the Mining of Medical Textual Data [3.22071437711162]
  本研究では,医療用テキストマイニングにおける注意機構を利用した深層学習モデルの利用について検討した。 本研究の目的は、深層学習と注意機構を取り入れることで、本質的な医療情報を特定する能力を高めることである。
  論文  参考訳（メタデータ） (2024-05-23T00:20:14Z)
• RIDGE: Reproducibility, Integrity, Dependability, Generalizability, and Efficiency Assessment of Medical Image Segmentation Models [1.4675465116143782]
  本稿では, 深層学習に基づく医用画像分割モデルの再現性, 統合性, 依存性, 一般化性, 効率性を評価するための RIDGE チェックリストを提案する。 RIDGEチェックリストは単なる評価ツールではなく、研究の質と透明性の向上を目指す研究者のためのガイドラインでもある。
  論文  参考訳（メタデータ） (2024-01-16T21:45:08Z)
• Clairvoyance: A Pipeline Toolkit for Medical Time Series [95.22483029602921]
  時系列学習は、データ駆動の*クリニカルな意思決定支援のパンとバターである* Clairvoyanceは、ソフトウェアツールキットとして機能する、統合されたエンドツーエンドのオートMLフレンドリなパイプラインを提案する。 Clairvoyanceは、臨床時系列MLのための包括的で自動化可能なパイプラインの生存可能性を示す最初のものである。
  論文  参考訳（メタデータ） (2023-10-28T12:08:03Z)
• Validating polyp and instrument segmentation methods in colonoscopy through Medico 2020 and MedAI 2021 Challenges [58.32937972322058]
  メディコオートマチックポリープセグメンテーション(Medico 2020)と「メディコ:医療画像の透明性(MedAI 2021)」コンペティション。 本報告では, それぞれのコントリビューションを包括的に分析し, ベストパフォーマンスメソッドの強さを強調し, クリニックへの臨床翻訳の可能性について考察する。
  論文  参考訳（メタデータ） (2023-07-30T16:08:45Z)
• Robust and Efficient Medical Imaging with Self-Supervision [80.62711706785834]
  医用画像AIの堅牢性とデータ効率を向上させるための統一表現学習戦略であるREMEDISを提案する。 様々な医療画像タスクを研究し, 振り返りデータを用いて3つの現実的な応用シナリオをシミュレートする。
  論文  参考訳（メタデータ） (2022-05-19T17:34:18Z)

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。