論文の概要: MedVLSynther: Synthesizing High-Quality Visual Question Answering from Medical Documents with Generator-Verifier LMMs

• arxiv url: http://arxiv.org/abs/2510.25867v1
• Date: Wed, 29 Oct 2025 18:10:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-31 16:05:09.53164
• Title: MedVLSynther: Synthesizing High-Quality Visual Question Answering from Medical Documents with Generator-Verifier LMMs
• Title（参考訳）: MedVLSynther: ジェネレータを用いた医用文書からの高品質視覚質問応答の合成
• Authors: Xiaoke Huang, Ningsen Wang, Hui Liu, Xianfeng Tang, Yuyin Zhou,
• Abstract要約: 本稿では,バイオメディカル文献から直接高品質なVQAアイテムを合成するルーリック誘導型ジェネレータフレームワークであるMedVL Syntherを紹介する。 PubMed Centralへのパイプラインでは、MedSynVQA: 13,087が13の画像モダリティと28の解剖学的領域にまたがる14,803の画像を監査した。 検証可能な報酬を用いた強化学習によるオープンウェイトLMMのトレーニングは、6つのVQAベンチマークで精度を向上させる。
• 参考スコア（独自算出の注目度）: 31.549507149494904
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large Multimodal Models (LMMs) are increasingly capable of answering medical questions that require joint reasoning over images and text, yet training general medical VQA systems is impeded by the lack of large, openly usable, high-quality corpora. We present MedVLSynther, a rubric-guided generator-verifier framework that synthesizes high-quality multiple-choice VQA items directly from open biomedical literature by conditioning on figures, captions, and in-text references. The generator produces self-contained stems and parallel, mutually exclusive options under a machine-checkable JSON schema; a multi-stage verifier enforces essential gates (self-containment, single correct answer, clinical validity, image-text consistency), awards fine-grained positive points, and penalizes common failure modes before acceptance. Applying this pipeline to PubMed Central yields MedSynVQA: 13,087 audited questions over 14,803 images spanning 13 imaging modalities and 28 anatomical regions. Training open-weight LMMs with reinforcement learning using verifiable rewards improves accuracy across six medical VQA benchmarks, achieving averages of 55.85 (3B) and 58.15 (7B), with up to 77.57 on VQA-RAD and 67.76 on PathVQA, outperforming strong medical LMMs. A Ablations verify that both generation and verification are necessary and that more verified data consistently helps, and a targeted contamination analysis detects no leakage from evaluation suites. By operating entirely on open literature and open-weight models, MedVLSynther offers an auditable, reproducible, and privacy-preserving path to scalable medical VQA training data.
• Abstract（参考訳）: 大規模マルチモーダルモデル(LMM)は画像やテキストに対する共同推論を必要とする医学的疑問に答える能力がますます高まっているが、一般医療用VQAシステムの訓練は、大規模でオープンに使用可能な高品質なコーパスの欠如によって妨げられている。 MedVLSyntherは、図形、キャプション、テキスト中の参照を条件に、オープンなバイオメディカル文献から直接高品質なVQAアイテムを合成する、ルーリック誘導型ジェネレータ検証フレームワークである。 多段検証器は、本質的なゲート(自己完結、単一正解、臨床的妥当性、画像テキスト整合性)を強制し、きめ細かい正の点を付与し、受け入れ前に共通の障害モードを罰する。 このパイプラインをPubMed Centralに適用すると、MedSynVQA: 13,087は、13の画像モダリティと28の解剖学的領域にまたがる14,803のイメージに対して、質問を監査した。 検証可能な報酬を用いた強化学習によるオープンウェイト LMM の訓練は、6つの医療用 VQA ベンチマークで平均 55.85 (3B) と 58.15 (7B) を達成し、パスVQA では 77.57 、パスVQA では 67.76 を達成し、強力な医療用 LMM を上回っている。 Ablationsは、生成と検証の両方が必要であり、より検証されたデータが一貫して有効であることを検証し、ターゲットの汚染分析は評価スイートからの漏洩を検知しない。 MedVLSyntherは完全にオープン文学とオープンウェイトモデルで運用することで、スケーラブルな医療用VQAトレーニングデータへの監査可能、再現可能、およびプライバシ保護パスを提供する。

関連論文リスト

• Multimodal Retrieval-Augmented Generation with Large Language Models for Medical VQA [0.6015898117103068]
  MedVQA (Medicical Visual Question Answering) は、医療画像上の自然言語クエリーを、臨床的な意思決定と患者医療を支援する。 本稿では,汎用的な命令調整型大規模言語モデルと検索拡張生成(RAG)フレームワークを用いたMasonNLPシステムを提案する。 19チーム中3位、51チームが平均41.37%の成績を残した。
  論文  参考訳（メタデータ） (2025-10-12T07:03:58Z)
• MedFrameQA: A Multi-Image Medical VQA Benchmark for Clinical Reasoning [24.9872402922819]
  既存の医療用VQAベンチマークは、主にシングルイメージ分析に焦点を当てている。 医療用VQAにおけるマルチイメージ推論を明示的に評価する最初のベンチマークであるMedFrameQAを紹介する。
  論文  参考訳（メタデータ） (2025-05-22T17:46:11Z)
• Agentic Medical Knowledge Graphs Enhance Medical Question Answering: Bridging the Gap Between LLMs and Evolving Medical Knowledge [6.977177904883792]
  AMG-RAGは医療知識グラフの構築と継続的な更新を自動化するフレームワークである。 推論を統合し、PubMedやWikiSearchといった現在の外部証拠を検索する。 MEDQAのF1スコアは74.1%、MEDMCQAの精度は66.34パーセントで、同等のモデルと10倍から100倍のモデルの両方を上回っている。
  論文  参考訳（メタデータ） (2025-02-18T16:29:45Z)
• GMAI-MMBench: A Comprehensive Multimodal Evaluation Benchmark Towards General Medical AI [67.09501109871351]
  LVLM(Large Vision-Language Model)は、画像、テキスト、生理学的信号などの多様なデータタイプを扱うことができる。 GMAI-MMBenchは、よく分類されたデータ構造と、これまででもっとも包括的な一般医療用AIベンチマークである。 38の医療画像モダリティ、18の臨床関連タスク、18の部門、視覚質問回答(VQA)フォーマットの4つの知覚的粒度からなる284のデータセットで構成されている。
  論文  参考訳（メタデータ） (2024-08-06T17:59:21Z)
• PMC-VQA: Visual Instruction Tuning for Medical Visual Question Answering [56.25766322554655]
  MedVQA(Medicical Visual Question Answering)は、診断精度と医療提供を向上する重要な機会を提供する。 本稿では,事前学習した視覚エンコーダの視覚情報を大規模言語モデルに整列させることにより,医用視覚理解のための生成モデルを提案する。 PMC-VQAで提案されたモデルをトレーニングし、VQA-RAD、SLAKE、Image-Clef 2019など、複数の公開ベンチマークで微調整する。
  論文  参考訳（メタデータ） (2023-05-17T17:50:16Z)

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。