論文の概要: Mammo-FM: Breast-specific foundational model for Integrated Mammographic Diagnosis, Prognosis, and Reporting

• arxiv url: http://arxiv.org/abs/2512.00198v1
• Date: Fri, 28 Nov 2025 20:41:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-02 19:46:34.108314
• Title: Mammo-FM: Breast-specific foundational model for Integrated Mammographic Diagnosis, Prognosis, and Reporting
• Title（参考訳）: マンモFM : 乳腺診断・予後・報告のための乳腺特異的基礎モデル
• Authors: Shantanu Ghosh, Vedant Parthesh Joshi, Rayan Syed, Aya Kassem, Abhishek Varshney, Payel Basak, Weicheng Dai, Judy Wawira Gichoya, Hari M. Trivedi, Imon Banerjee, Shyam Visweswaran, Clare B. Poynton, Kayhan Batmanghelich,
• Abstract要約: Mammo-FMはマンモグラフィーのための最初の基礎モデルであり、これまでで最大かつ最も多様なデータセットで事前訓練されている。 Mammo-FMは、乳がん診断、病理組織局在、構造化レポート生成、がんリスク予後など、乳房画像におけるコア臨床タスクの統一基盤を提供する。
• 参考スコア（独自算出の注目度）: 10.376219551996792
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Breast cancer is one of the leading causes of death among women worldwide. We introduce Mammo-FM, the first foundation model specifically for mammography, pretrained on the largest and most diverse dataset to date - 140,677 patients (821,326 mammograms) across four U.S. institutions. Mammo-FM provides a unified foundation for core clinical tasks in breast imaging, including cancer diagnosis, pathology localization, structured report generation, and cancer risk prognosis within a single framework. Its alignment between images and text enables both visual and textual interpretability, improving transparency and clinical auditability, which are essential for real-world adoption. We rigorously evaluate Mammo-FM across diagnosis, prognosis, and report-generation tasks in in- and out-of-distribution datasets. Despite operating on native-resolution mammograms and using only one-third of the parameters of state-of-the-art generalist FMs, Mammo-FM consistently outperforms them across multiple public and private benchmarks. These results highlight the efficiency and value of domain-specific foundation models designed around the full spectrum of tasks within a clinical domain and emphasize the importance of rigorous, domain-aligned evaluation.
• Abstract（参考訳）: 乳がんは世界中で女性の死因の1つとなっている。 マンモグラフィーを専門とする最初の基礎モデルであるマンモFM(Mammo-FM)について紹介する。 Mammo-FMは、乳がん診断、病理組織局在、構造化レポート生成、がんリスク予後など、乳房画像におけるコア臨床タスクの統一基盤を提供する。 画像とテキストのアライメントにより、ビジュアルとテキストの両方の解釈が可能となり、透明性と臨床監査性が向上する。 本研究は, 診断, 予後, およびアウト・オブ・アウト・ディストリビューション・データセットにおけるレポート生成タスクにおいて, マンモFMを厳格に評価する。 ネイティブ解像度のマンモグラムを運用し、最先端のジェネラリストFMのパラメータの3分の1しか使用していないにもかかわらず、Mammo-FMは複数の公開およびプライベートベンチマークでそれらを常に上回っている。 これらの結果は、臨床領域内のタスクの全スペクトルに基づいて設計されたドメイン固有基盤モデルの効率性と価値を強調し、厳密なドメイン整合性評価の重要性を強調した。

関連論文リスト

• Epistemic-aware Vision-Language Foundation Model for Fetal Ultrasound Interpretation [83.02147613524032]
  医療用AIシステムFetalMindについて報告する。 本稿では、専門家による2部グラフをモデルに注入し、ビュー・ディスリーズ関連を分離するSED(Salient Epistemic Disentanglement)を提案する。 FetalMindはすべての妊娠期のオープンソースおよびクローズドソースベースラインを上回り、平均利得は+14%、臨界条件では+61.2%高い。
  論文  参考訳（メタデータ） (2025-10-14T19:57:03Z)
• A Versatile Foundation Model for AI-enabled Mammogram Interpretation [36.48796962019666]
  VersaMammoは制限を克服するために設計されたマンモグラムの汎用基盤モデルである。 まず,教師モデルは自己教師型学習を用いて学習し,ラベルのないマンモグラムから伝達可能な特徴を抽出する。 そして、教師付き学習と知識蒸留を組み合わせることで、特徴と臨床知識の両方をVersaMammoに転送する。
  論文  参考訳（メタデータ） (2025-09-24T16:04:39Z)
• ChestX-Reasoner: Advancing Radiology Foundation Models with Reasoning through Step-by-Step Verification [57.22053411719822]
  ChestX-Reasoner(チェストX-Reasoner)は、臨床報告から直接採掘されるプロセスの監督を活用するために設計された放射線診断MLLMである。 我々の2段階のトレーニングフレームワークは、モデル推論と臨床標準との整合性を高めるために、プロセス報酬によって指導された教師付き微調整と強化学習を組み合わせる。
  論文  参考訳（メタデータ） (2025-04-29T16:48:23Z)
• Integrating AI for Human-Centric Breast Cancer Diagnostics: A Multi-Scale and Multi-View Swin Transformer Framework [5.211860566766601]
  この論文は、乳癌の診断を強化するためのヒューマン・センターワークフローにおけるAIの統合に焦点を当てている。 診断の堅牢性と精度を高めるハイブリッド・マルチスケール・マルチビューSwin Transformerベースのフレームワーク(MSMV-Swin)を提案する。
  論文  参考訳（メタデータ） (2025-03-17T15:48:56Z)
• Panoptic Segmentation of Mammograms with Text-To-Image Diffusion Model [1.2130800774416757]
  視覚言語拡散モデルは、様々な下流タスクに対する画像生成と転送性において顕著な性能を示した。 本稿では,安定拡散モデルから最新のパン光学セグメントアーキテクチャへの入力として,事前学習した特徴を活用することを提案する。
  論文  参考訳（メタデータ） (2024-07-19T14:04:05Z)
• Mask-Enhanced Segment Anything Model for Tumor Lesion Semantic Segmentation [48.107348956719775]
  Mask-Enhanced SAM (M-SAM) は, 腫瘍の3次元セグメント化に適した革新的なアーキテクチャである。 本稿では,M-SAM内におけるMask-Enhanced Adapter (MEA) を提案する。 我々のM-SAMは高いセグメンテーション精度を達成し、またロバストな一般化を示す。
  論文  参考訳（メタデータ） (2024-03-09T13:37:02Z)
• C^2M-DoT: Cross-modal consistent multi-view medical report generation with domain transfer network [67.97926983664676]
  ドメイン転送ネットワーク(C2M-DoT)を用いたクロスモーダルなマルチビュー医療レポート生成を提案する。 C2M-DoTは、すべてのメトリクスで最先端のベースラインを大幅に上回る。
  論文  参考訳（メタデータ） (2023-10-09T02:31:36Z)
• MammoDG: Generalisable Deep Learning Breaks the Limits of Cross-Domain Multi-Center Breast Cancer Screening [4.587250201300601]
  マンモグラフィーは高い変動性とマンモグラフィーのパターンのために課題を提起する。 MammoDGはクロスドメインマルチセンターマンモグラフィーデータの汎用的で信頼性の高い解析のための新しいディープラーニングフレームワークである。
  論文  参考訳（メタデータ） (2023-08-02T10:10:22Z)

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。