論文の概要: Towards Efficient Prompt-based Continual Learning in Distributed Medical AI

• arxiv url: http://arxiv.org/abs/2508.10954v1
• Date: Thu, 14 Aug 2025 06:46:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-18 14:51:23.607168
• Title: Towards Efficient Prompt-based Continual Learning in Distributed Medical AI
• Title（参考訳）: 分散医療AIにおける効率的なプロンプト型連続学習に向けて
• Authors: Gyutae Oh, Jitae Shin,
• Abstract要約: 現代のAIモデルは、大規模で高品質なデータセットで最先端のパフォーマンスを達成する。 医療分野における倫理的、社会的、制度的な制約は、データ共有を厳しく制限している。 本稿では,最小拡張戦略を持つ統一的なプロンプトプールを特徴とする,プロンプトベース連続学習(PCL)手法を提案する。
• 参考スコア（独自算出の注目度）: 0.13265175299265505
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modern AI models achieve state-of-the-art performance with large-scale, high-quality datasets; however, ethical, social, and institutional constraints in the medical domain severely restrict data sharing, rendering centralized learning nearly impossible. Each institution must incrementally update models using only local data. Traditional training overfits new samples and suffers from catastrophic forgetting, losing previously acquired knowledge. Medical data distributions also shift due to varying diagnostic equipment and demographics. Although continual learning (CL) has advanced, most methods address natural images, leaving medical-domain-specific CL underexplored. We propose a prompt-based continual learning (PCL) approach featuring a unified prompt pool with a minimal expansion strategy: by expanding and freezing a subset of prompts, our method reduces computational overhead, and a novel regularization term balances retention and adaptation. Experiments on three diabetic retinopathy datasets Aptos2019, LI2019, and Diabetic Retinopathy Detection show our model improves final classification accuracy by at least 10% and F1-score by 9 points over state-of-the-art approaches while lowering inference cost. We anticipate this study will drive sustainable medical AI advances, enabling real-time diagnosis, patient monitoring, and telemedicine applications in distributed healthcare. Code will be released upon acceptance
• Abstract（参考訳）: 現代のAIモデルは、大規模で高品質なデータセットで最先端のパフォーマンスを達成するが、医療領域における倫理的、社会的、制度的な制約はデータの共有を厳しく制限し、集中的な学習をほぼ不可能にしている。 各機関は、ローカルデータのみを使用してモデルを段階的に更新する必要がある。 伝統的なトレーニングは、新しいサンプルをオーバーフィットさせ、破滅的な忘れ物に悩まされ、以前獲得した知識を失う。 医療データの分布は、様々な診断装置や人口統計によって変化している。 継続学習(CL)は進歩しているが、ほとんどの手法は自然画像に対処し、医学領域固有のCLは未探索のままである。 我々は,プロンプトのサブセットを拡張・凍結することにより,計算オーバーヘッドを低減し,新しい正規化項は保持と適応のバランスをとるという,統一的なプロンプトプールと最小拡張戦略を備えたプロンプトベース連続学習(PCL)アプローチを提案する。 Aptos2019, LI2019, 糖尿病網膜症検出の3つの糖尿病網膜症データセットを用いた実験では, 推論コストを下げつつ, 最終分類精度を少なくとも10%, F1スコアを9ポイント改善した。 この研究は、持続可能な医療AIの進歩を加速し、リアルタイム診断、患者のモニタリング、分散医療における遠隔医療の応用を可能にすることを期待する。 コードは受理時に解放される

関連論文リスト

• MultiRetNet: A Multimodal Vision Model and Deferral System for Staging Diabetic Retinopathy [0.0]
  糖尿病網膜症(DR)は予防可能な失明の主要な原因であり、世界中で1億人以上に影響している。 低所得層の個人は、診断前に進行するリスクが高く、主にスクリーニングへのアクセスが限られているためである。 DRステージング精度を向上させるために,網膜イメージング,社会経済的要因,および協調性プロファイルを組み合わせた新しいパイプラインであるMultiRetNetを提案する。
  論文  参考訳（メタデータ） (2025-07-19T20:00:31Z)
• Self-Supervised Learning for Pre-training Capsule Networks: Overcoming Medical Imaging Dataset Challenges [2.9248916859490173]
  本研究では,大腸癌に対するポリープ診断におけるプレトレーニングカプセルネットワークの自己指導的学習法について検討した。 我々は,医学データセットの典型的な課題を示す3,433個のサンプルからなるPICCOLOデータセットを使用した。 本研究は,医学領域における自己指導型学習の補助的課題として,コントラスト学習とインペイント技術が有用であることが示唆された。
  論文  参考訳（メタデータ） (2025-02-07T08:32:26Z)
• LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical Imaging via Second-order Graph Matching [59.01894976615714]
  LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。 55の公開データセットから約13万の医療画像を収集しました。 LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
  論文  参考訳（メタデータ） (2023-06-20T22:21:34Z)
• Application of federated learning techniques for arrhythmia classification using 12-lead ECG signals [0.11184789007828977]
  この作業では、フェデレートラーニング(FL)プライバシ保護方法論を使用して、高定義のECGの異種集合上でAIモデルをトレーニングする。 CL, IID, 非IIDアプローチを用いて訓練したモデルと比較した。
  論文  参考訳（メタデータ） (2022-08-23T14:21:16Z)
• Density-Aware Personalized Training for Risk Prediction in Imbalanced Medical Data [89.79617468457393]
  不均衡率(クラス密度差)のトレーニングモデルは、最適以下の予測につながる可能性がある。 この不均衡問題に対するモデルトレーニングのためのフレームワークを提案する。 実世界の医療データセットにおけるモデルの性能向上を実証する。
  論文  参考訳（メタデータ） (2022-07-23T00:39:53Z)
• 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)
• LifeLonger: A Benchmark for Continual Disease Classification [59.13735398630546]
  MedMNISTコレクションの連続的な疾患分類のためのベンチマークであるLifeLongerを紹介する。 タスクとクラスでの病気の漸進的な学習は、モデルをスクラッチから再トレーニングすることなく、新しいサンプルを分類する問題に対処する。 クロスドメインインクリメンタル学習は、これまで得られた知識を維持しながら、異なる機関から派生したデータセットを扱う問題に対処する。
  論文  参考訳（メタデータ） (2022-04-12T12:25:05Z)
• When Accuracy Meets Privacy: Two-Stage Federated Transfer Learning Framework in Classification of Medical Images on Limited Data: A COVID-19 Case Study [77.34726150561087]
  新型コロナウイルスのパンデミックが急速に広がり、世界の医療資源が不足している。 CNNは医療画像の解析に広く利用され、検証されている。
  論文  参考訳（メタデータ） (2022-03-24T02:09:41Z)
• Practical Challenges in Differentially-Private Federated Survival Analysis of Medical Data [57.19441629270029]
  本稿では,ニューラルネットワークの本質的特性を活用し,生存分析モデルの訓練過程を関連づける。 小さな医療データセットと少数のデータセンターの現実的な設定では、このノイズはモデルを収束させるのが難しくなります。 DPFed-post は,私的フェデレート学習方式に後処理の段階を追加する。
  論文  参考訳（メタデータ） (2022-02-08T10:03:24Z)
• About Explicit Variance Minimization: Training Neural Networks for Medical Imaging With Limited Data Annotations [2.3204178451683264]
  VAT(Variance Aware Training)法は、モデル損失関数に分散誤差を導入することにより、この特性を利用する。 多様な領域から得られた3つの医用画像データセットと様々な学習目標に対するVATの有効性を検証した。
  論文  参考訳（メタデータ） (2021-05-28T21:34:04Z)
• The unreasonable effectiveness of Batch-Norm statistics in addressing catastrophic forgetting across medical institutions [8.244654685687054]
  モデル改良と事前学習した知識の保持のトレードオフについて検討する。 本稿では,従来のデータセットのグローバルバッチ正規化統計値を用いて,弾性重み付け(EWC)を適応する,単純で効果的な手法を提案する。
  論文  参考訳（メタデータ） (2020-11-16T16:57:05Z)

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。