論文の概要: Evaluating Fundus-Specific Foundation Models for Diabetic Macular Edema Detection

• arxiv url: http://arxiv.org/abs/2510.07277v1
• Date: Wed, 08 Oct 2025 17:41:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-09 16:41:20.669001
• Title: Evaluating Fundus-Specific Foundation Models for Diabetic Macular Edema Detection
• Title（参考訳）: 糖尿病黄斑浮腫検出のための基礎的基礎モデルの評価
• Authors: Franco Javier Arellano, José Ignacio Orlando,
• Abstract要約: 糖尿病黄斑浮腫 (DME) は糖尿病網膜症 (DR) における視覚障害の主要な原因である 深層学習は、基底画像からこの状態を自動的に検出する有望な結果を示している。 ファンデーションモデル(FM)が特にDME検出に対処できるかどうかは不明である。
• 参考スコア（独自算出の注目度）: 0.19514194744184568
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Diabetic Macular Edema (DME) is a leading cause of vision loss among patients with Diabetic Retinopathy (DR). While deep learning has shown promising results for automatically detecting this condition from fundus images, its application remains challenging due the limited availability of annotated data. Foundation Models (FM) have emerged as an alternative solution. However, it is unclear if they can cope with DME detection in particular. In this paper, we systematically compare different FM and standard transfer learning approaches for this task. Specifically, we compare the two most popular FM for retinal images--RETFound and FLAIR--and an EfficientNet-B0 backbone, across different training regimes and evaluation settings in IDRiD, MESSIDOR-2 and OCT-and-Eye-Fundus-Images (OEFI). Results show that despite their scale, FM do not consistently outperform fine-tuned CNNs in this task. In particular, an EfficientNet-B0 ranked first or second in terms of area under the ROC and precision/recall curves in most evaluation settings, with RETFound only showing promising results in OEFI. FLAIR, on the other hand, demonstrated competitive zero-shot performance, achieving notable AUC-PR scores when prompted appropriately. These findings reveal that FM might not be a good tool for fine-grained ophthalmic tasks such as DME detection even after fine-tuning, suggesting that lightweight CNNs remain strong baselines in data-scarce environments.
• Abstract（参考訳）: 糖尿病黄斑浮腫 (DME) は糖尿病網膜症 (DR) 患者の視覚障害の主要な原因である。 ディープラーニングは、この状態を自動的に検出する有望な結果を示しているが、アノテートされたデータが不足しているため、その応用は依然として困難である。 Foundation Models (FM) が代替ソリューションとして登場した。 しかし、特にDME検出に対処できるかどうかは不明である。 本稿では,この課題に対するFMと標準転送学習のアプローチを体系的に比較する。 具体的には、網膜画像に対する最も一般的なFMであるRETFoundとFLAIRの2つを比較し、IDRiD、MESSIDOR-2、OCT-and-Eye-Fundus-Images(OEFI)のトレーニング体制と評価設定の異なる効率的なNet-B0バックボーンを比較した。 その結果、FMはスケールにもかかわらず、このタスクにおいて微調整CNNを常に上回っているわけではないことがわかった。 特に、効率の良いNet-B0は、OC以下の領域で1位または2位、ほとんどの評価設定では精度/リコール曲線で1位、RETFoundはOEFIでのみ有望な結果を示す。 一方、FLAIRは競争力のあるゼロショット性能を示し、適切に誘導されたAUC-PRスコアを達成した。 これらの結果から,FMは細調整後のDME検出などの細粒度眼科作業には適さない可能性が示唆された。

関連論文リスト

• FusionFM: Fusing Eye-specific Foundational Models for Optimized Ophthalmic Diagnosis [36.79693801937608]
  ファンデーションモデル(FM)は、様々な下流タスクの一般化を改善することにより、医療画像解析において大きな可能性を秘めている。 我々の知る限り、これは単眼と融合眼のFMの両方を体系的に評価する最初の研究である。 我々は、複数の国の標準化データセットを用いて4つの最先端FMをベンチマークし、AUCとF1メトリクスを用いてそれらの性能を評価した。
  論文  参考訳（メタデータ） (2025-08-15T01:17:52Z)
• Deep Learning Ensemble for Predicting Diabetic Macular Edema Onset Using Ultra-Wide Field Color Fundus Image [2.9945018168793025]
  糖尿病性黄斑浮腫(DME)は糖尿病の重篤な合併症である。 1年以内にci-DMEの発症を予測するアンサンブル法を提案する。
  論文  参考訳（メタデータ） (2024-10-09T02:16:29Z)
• Improving Diffusion Models for ECG Imputation with an Augmented Template Prior [43.6099225257178]
  ノイズと品質の悪い録音は、モバイルヘルスシステムを使って収集された信号にとって大きな問題である。 近年の研究では、確率的時系列モデルによるECGの欠落値の計算が検討されている。 本稿では,様々な健康状態の事前情報として,テンプレート誘導型拡散確率モデル(DDPM)PulseDiffを提案する。
  論文  参考訳（メタデータ） (2023-10-24T11:34:15Z)
• Data-Efficient Vision Transformers for Multi-Label Disease Classification on Chest Radiographs [55.78588835407174]
  視覚変換器(ViT)は一般的な画像の分類性能が高いにもかかわらず、このタスクには適用されていない。 ViTは、畳み込みではなくパッチベースの自己アテンションに依存しており、CNNとは対照的に、ローカル接続に関する事前の知識は存在しない。 以上の結果から,ViTとCNNのパフォーマンスはViTの利点に匹敵するものの,DeiTsはトレーニング用に適度に大規模なデータセットが利用可能であれば,前者よりも優れることがわかった。
  論文  参考訳（メタデータ） (2022-08-17T09:07:45Z)
• A Deep Learning-Based Unified Framework for Red Lesions Detection on Retinal Fundus Images [0.5018156030818883]
  糖尿病性網膜症(DR)の早期徴候は赤髄、微小動脈瘤(MAs)、出血(HMs)である 既存の手法のほとんどは、そのテクスチャ、サイズ、形態の違いから、MAsかHMsのみを検出する。 そこで本研究では,小病変と大病変を同時に扱う2流レッド病変検出システムを提案する。
  論文  参考訳（メタデータ） (2021-09-10T00:12:13Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)
• Federated Deep AUC Maximization for Heterogeneous Data with a Constant Communication Complexity [77.78624443410216]
  異種胸部データ検出のための改良型FDAMアルゴリズムを提案する。 本研究は,提案アルゴリズムの通信が機械数に強く依存し,精度レベルにも強く依存していることを示す。 FDAMアルゴリズムのベンチマークデータセットと、異なる組織の医療用胸部X線画像に対する効果を実験により実証した。
  論文  参考訳（メタデータ） (2021-02-09T04:05:19Z)
• Robust Deep AUC Maximization: A New Surrogate Loss and Empirical Studies on Medical Image Classification [63.44396343014749]
  AUCスコアに対する新たなマージンベースサロゲート損失関数を提案する。 一般的に使用されるものよりも頑丈である。 大規模な最適化の観点からも同じ利点を享受しながら、正方損失。 私たちの知る限りでは、DAMが大規模医療画像データセットで成功するのはこれが初めてです。
  論文  参考訳（メタデータ） (2020-12-06T03:41:51Z)

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。