論文の概要: Zero-Training Task-Specific Model Synthesis for Few-Shot Medical Image Classification

• arxiv url: http://arxiv.org/abs/2511.14082v1
• Date: Tue, 18 Nov 2025 03:12:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-19 16:23:52.897667
• Title: Zero-Training Task-Specific Model Synthesis for Few-Shot Medical Image Classification
• Title（参考訳）: Few-Shot 医療画像分類のためのゼロトレーニングタスク特化モデル合成
• Authors: Yao Qin, Yangyang Yan, YuanChao Yang, Jinhua Pang, Huanyong Bi, Yuan Liu, HaiHua Wang,
• Abstract要約: 深層学習モデルは、医用画像解析において顕著な成功を収めてきたが、大規模かつ精巧に注釈付けされたデータセットの要求に制約されている。 ゼロトレーニングタスク特化モデル合成(ZS-TMS)という新しいパラダイムを提案する。 既存のモデルに適応したり、新しいモデルをトレーニングする代わりに、大規模で事前訓練された生成エンジンを活用して、タスク固有の分類器のパラメータ集合全体を直接的に合成する。
• 参考スコア（独自算出の注目度）: 5.59515535487396
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning models have achieved remarkable success in medical image analysis but are fundamentally constrained by the requirement for large-scale, meticulously annotated datasets. This dependency on "big data" is a critical bottleneck in the medical domain, where patient data is inherently difficult to acquire and expert annotation is expensive, particularly for rare diseases where samples are scarce by definition. To overcome this fundamental challenge, we propose a novel paradigm: Zero-Training Task-Specific Model Synthesis (ZS-TMS). Instead of adapting a pre-existing model or training a new one, our approach leverages a large-scale, pre-trained generative engine to directly synthesize the entire set of parameters for a task-specific classifier. Our framework, the Semantic-Guided Parameter Synthesizer (SGPS), takes as input minimal, multi-modal task information as little as a single example image (1-shot) and a corresponding clinical text description to directly synthesize the entire set of parameters for a task-specific classifier. The generative engine interprets these inputs to generate the weights for a lightweight, efficient classifier (e.g., an EfficientNet-V2), which can be deployed for inference immediately without any task-specific training or fine-tuning. We conduct extensive evaluations on challenging few-shot classification benchmarks derived from the ISIC 2018 skin lesion dataset and a custom rare disease dataset. Our results demonstrate that SGPS establishes a new state-of-the-art, significantly outperforming advanced few-shot and zero-shot learning methods, especially in the ultra-low data regimes of 1-shot and 5-shot classification. This work paves the way for the rapid development and deployment of AI-powered diagnostic tools, particularly for the long tail of rare diseases where data is critically limited.
• Abstract（参考訳）: 深層学習モデルは、医用画像解析において顕著な成功を収めてきたが、大規模で精巧に注釈付けされたデータセットの要求に根本的に制約されている。 この「ビッグデータ」への依存は、患者データが本質的に取得が困難であり、専門家のアノテーションが高価である医療領域において重要なボトルネックとなっている。 そこで本研究では,ZES-TMS(Zero-Training Task-Specific Model Synthesis)という新しいパラダイムを提案する。 既存のモデルに適応したり、新しいモデルをトレーニングする代わりに、大規模で事前訓練された生成エンジンを活用して、タスク固有の分類器のパラメータ集合全体を直接的に合成する。 筆者らのフレームワークであるSemantic-Guided Parameter Synthesizer (SGPS)は,入力最小限のマルチモーダルタスク情報として,単一例画像(1-shot)と対応する臨床テキスト記述を用いて,タスク固有分類器のパラメータ集合全体を直接的に合成する。 生成エンジンはこれらの入力を解釈し、軽量で効率的な分類器(例えばEfficientNet-V2)の重みを生成する。 我々は、ISIC 2018皮膚病変データセットとカスタムレア疾患データセットから得られた、挑戦的な数ショット分類ベンチマークについて、広範囲に評価を行った。 以上の結果から,SGPSは,特に1ショットと5ショットの超低速データ構造において,高度な数ショットとゼロショットの学習方法よりも優れる新しい最先端技術を確立していることが示された。 この研究は、AIを利用した診断ツールの迅速な開発と展開の道を開いた。

関連論文リスト

• Iterative Misclassification Error Training (IMET): An Optimized Neural Network Training Technique for Image Classification [0.5115559623386964]
  カリキュラム学習とコアセット選択に触発された新しいフレームワークであるIMET(Iterative Misclassification Error Training)を紹介する。 IMETは、トレーニングプロセスの合理化を図りつつ、エッジケースに対するモデルの注意を先入観的かつ稀な結果に優先順位付けしながら、誤分類されたサンプルを特定することを目的としている。 本稿では,最新のResNetアーキテクチャに対するベンチマーク医用画像分類データセット上でのIMETの性能を評価する。
  論文  参考訳（メタデータ） (2025-07-01T04:14:16Z)
• Private Training & Data Generation by Clustering Embeddings [74.00687214400021]
  差分プライバシー(DP)は、個々のデータを保護するための堅牢なフレームワークを提供する。 本稿では,DP合成画像埋め込み生成のための新しい原理的手法を提案する。 経験的に、合成的に生成された埋め込みに基づいて訓練された単純な2層ニューラルネットワークは、最先端(SOTA)分類の精度を達成する。
  論文  参考訳（メタデータ） (2025-06-20T00:17:14Z)
• ProtoKD: Learning from Extremely Scarce Data for Parasite Ova Recognition [5.224806515926022]
  ProtoKDは,極端に少ないデータを用いたマルチクラス寄生生物認識の課題に対処するための最初のアプローチの一つである。 我々は、この重要な方向の研究を推進し、提案したProtoKDフレームワークが最先端のパフォーマンスを達成することを検証するために、新しいベンチマークを構築した。
  論文  参考訳（メタデータ） (2023-09-18T23:49:04Z)
• Learnable Weight Initialization for Volumetric Medical Image Segmentation [66.3030435676252]
  本稿では,学習可能な重みに基づくハイブリッド医療画像セグメンテーション手法を提案する。 我々のアプローチはどんなハイブリッドモデルにも簡単に統合でき、外部のトレーニングデータを必要としない。 多臓器・肺がんセグメンテーションタスクの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-06-15T17:55:05Z)
• Longitudinal detection of new MS lesions using Deep Learning [0.0]
  新たなMS病変の検出・分節作業に対処するディープラーニングベースのパイプラインについて述べる。 まず,1つの時間点を用いたセグメンテーションタスクで訓練されたモデルからの移動学習を提案する。 第2に、新しい病変を伴う現実的な縦断時間を生成するためのデータ合成戦略を提案する。
  論文  参考訳（メタデータ） (2022-06-16T16:09:04Z)
• SANSformers: Self-Supervised Forecasting in Electronic Health Records with Attention-Free Models [48.07469930813923]
  本研究は,医療施設への患者訪問数を予測することにより,医療サービスの需要を予測することを目的とする。 SNSformerは、特定の帰納バイアスを設計し、EHRデータの特異な特徴を考慮に入れた、注意のない逐次モデルである。 本研究は, 各種患者集団を対象とした医療利用予測の修正における, 注意力のないモデルと自己指導型事前訓練の有望な可能性について考察した。
  論文  参考訳（メタデータ） (2021-08-31T08:23:56Z)
• Active Selection of Classification Features [0.0]
  人口統計などの補助的データは、最も有益なMRIスキャンを持つ個人を含む小さなサンプルを選択するのに役立ちます。 本研究では,2つの実用的手法を提案し,その性能を3つの実世界のベンチマークデータセットで評価する。
  論文  参考訳（メタデータ） (2021-02-26T18:19:08Z)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)
• Self-Training with Improved Regularization for Sample-Efficient Chest X-Ray Classification [80.00316465793702]
  挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。 その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
  論文  参考訳（メタデータ） (2020-05-03T02:36:00Z)

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。