論文の概要: UNICON: UNIfied CONtinual Learning for Medical Foundational Models

• arxiv url: http://arxiv.org/abs/2508.14024v1
• Date: Tue, 19 Aug 2025 17:31:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-20 15:36:32.032325
• Title: UNICON: UNIfied CONtinual Learning for Medical Foundational Models
• Title（参考訳）: UNICON: 医療基礎モデルのためのユニファイド・コンチネンタルラーニング
• Authors: Mohammad Areeb Qazi, Munachiso S Nwadike, Ibrahim Almakky, Mohammad Yaqub, Numan Saeed,
• Abstract要約: 医用画像では、データの不足により、すべての領域、モダリティ、タスクに対する事前トレーニングが困難になる。 継続的学習は、異なるドメインやタスクでモデルを逐次微調整することで、ソリューションを提供する。 基礎モデルのシームレスな適応を可能にするフレームワークであるUNIfied Continual Learning for Medical Foundational Models (UNICON)を提案する。
• 参考スコア（独自算出の注目度）: 0.8672882547905405
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Foundational models are trained on extensive datasets to capture the general trends of a domain. However, in medical imaging, the scarcity of data makes pre-training for every domain, modality, or task challenging. Continual learning offers a solution by fine-tuning a model sequentially on different domains or tasks, enabling it to integrate new knowledge without requiring large datasets for each training phase. In this paper, we propose UNIfied CONtinual Learning for Medical Foundational Models (UNICON), a framework that enables the seamless adaptation of foundation models to diverse domains, tasks, and modalities. Unlike conventional adaptation methods that treat these changes in isolation, UNICON provides a unified, perpetually expandable framework. Through careful integration, we show that foundation models can dynamically expand across imaging modalities, anatomical regions, and clinical objectives without catastrophic forgetting or task interference. Empirically, we validate our approach by adapting a chest CT foundation model initially trained for classification to a prognosis and segmentation task. Our results show improved performance across both additional tasks. Furthermore, we continually incorporated PET scans and achieved a 5\% improvement in Dice score compared to respective baselines. These findings establish that foundation models are not inherently constrained to their initial training scope but can evolve, paving the way toward generalist AI models for medical imaging.
• Abstract（参考訳）: 基礎モデルは、ドメインの一般的なトレンドを捉えるために、広範囲なデータセットで訓練される。 しかし、医用画像では、データの不足により、すべての領域、モダリティ、タスクに対する事前トレーニングが困難になる。 継続的学習は、異なるドメインやタスクでモデルを逐次微調整することで、トレーニングフェーズ毎に大きなデータセットを必要とすることなく、新たな知識を統合するソリューションを提供する。 本稿では,Unified Continual Learning for Medical Foundational Models (UNICON)を提案する。 これらの変更を分離して扱う従来の適応手法とは異なり、UNICONは統一的で恒久的に拡張可能なフレームワークを提供する。 注意深い統合により,基礎モデルは画像のモダリティ,解剖学的領域,臨床目的を,破滅的な忘れ込みやタスク干渉を伴わずに動的に拡張できることを示す。 胸部CTファンデーションモデルを用いて,予後とセグメンテーションの課題に適応し,そのアプローチを実証的に検証した。 その結果,2つの追加タスクで性能が向上した。 さらに,PETスキャンを連続的に導入し,各ベースラインと比較してDiceスコアが5倍向上した。 これらの結果から,基礎モデルは初期訓練範囲に本質的に制約されず,進化し,医用画像のための汎用AIモデルへの道を開くことが確認された。

関連論文リスト

• Federated Foundation Model for GI Endoscopy Images [7.9528382609447545]
  ファンデーションモデルは汎用表現を学習することで有望なソリューションを提供する。 ファンデーションモデルトレーニングは通常、広範なデータセットを必要とし、病院は大量のデータを生成するが、プライバシー制限は直接的なデータ共有を妨げている。 本稿では,腹腔鏡画像の基礎モデルをトレーニングするためのFLフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-30T01:18:17Z)
• Steady Progress Beats Stagnation: Mutual Aid of Foundation and Conventional Models in Mixed Domain Semi-Supervised Medical Image Segmentation [36.07607318734544]
  ファンデーションモデルとコンベンショナルモデルのためのシナジスティックトレーニングフレームワーク(SynFoC)を紹介する。 我々は,スクラッチから訓練された従来のモデルが,基礎モデルの信頼性の高い誤予測を補正する能力を持っていることを観察する。 4つのパブリックなマルチドメインデータセットにまたがって,本手法の優位性を実証する。
  論文  参考訳（メタデータ） (2025-03-21T10:03:32Z)
• Med-LEGO: Editing and Adapting toward Generalist Medical Image Diagnosis [17.10843389390131]
  Med-LEGOは、ジェネラリストCADモデルのシームレスな統合や更新を可能にする、トレーニング不要のフレームワークである。 我々の実験では、Med-LEGOは、クロスドメインとインドメインの両方の医療タスクにおいて、既存の手法よりも優れています。
  論文  参考訳（メタデータ） (2025-03-03T04:27:11Z)
• Continually Evolved Multimodal Foundation Models for Cancer Prognosis [50.43145292874533]
  がん予後は、患者の予後と生存率を予測する重要なタスクである。 これまでの研究では、臨床ノート、医療画像、ゲノムデータなどの多様なデータモダリティを統合し、補完的な情報を活用している。 既存のアプローチには2つの大きな制限がある。まず、各病院の患者記録など、各種のトレーニングに新しく到着したデータを組み込むことに苦慮する。 第二に、ほとんどのマルチモーダル統合手法は単純化された結合やタスク固有のパイプラインに依存しており、モダリティ間の複雑な相互依存を捉えることができない。
  論文  参考訳（メタデータ） (2025-01-30T06:49:57Z)
• Efficient MedSAMs: Segment Anything in Medical Images on Laptop [69.28565867103542]
  我々は,迅速な医用画像のセグメンテーションに特化した初の国際コンペを組織した。 トップチームは軽量なセグメンテーション基盤モデルを開発し、効率的な推論パイプラインを実装した。 最高のパフォーマンスのアルゴリズムは、臨床導入を促進するために、ユーザフレンドリーなインターフェースを備えたオープンソースソフトウェアに組み込まれている。
  論文  参考訳（メタデータ） (2024-12-20T17:33:35Z)
• LoRKD: Low-Rank Knowledge Decomposition for Medical Foundation Models [59.961172635689664]
  知識分解」は、特定の医療課題のパフォーマンス向上を目的としている。 我々はLow-Rank Knowledge Decomposition(LoRKD)という新しいフレームワークを提案する。 LoRKDは、低ランクのエキスパートモジュールと効率的な知識分離畳み込みを組み込むことで、グラデーションを異なるタスクから明確に分離する。
  論文  参考訳（メタデータ） (2024-09-29T03:56:21Z)
• 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)
• Incremental Learning for Heterogeneous Structure Segmentation in Brain Tumor MRI [11.314017805825685]
  本稿では,従来のタスクと新しいタスクを分離するために,バランスの取れた剛性と可塑性分岐を有する分散型二重フローモジュールを提案する。 標的領域を連続的に変化させる脳腫瘍セグメンテーションタスクの枠組みについて検討した。
  論文  参考訳（メタデータ） (2023-05-30T20:39:03Z)
• Domain Generalization on Medical Imaging Classification using Episodic Training with Task Augmentation [62.49837463676111]
  本稿では,医用画像分類におけるタスク強化によるエピソードトレーニングの新たな手法を提案する。 実際の医療展開において、限られた数のソースドメインによって動機付けられ、ユニークなタスクレベルのオーバーフィッティングを検討します。
  論文  参考訳（メタデータ） (2021-06-13T03:56:59Z)

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。