論文の概要: Foundation Models in Biomedical Imaging: Turning Hype into Reality

• arxiv url: http://arxiv.org/abs/2512.15808v1
• Date: Wed, 17 Dec 2025 05:18:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-19 18:10:31.738516
• Title: Foundation Models in Biomedical Imaging: Turning Hype into Reality
• Title（参考訳）: バイオメディカルイメージングの基礎モデル:ハイプを現実に変える
• Authors: Amgad Muneer, Kai Zhang, Ibraheem Hamdi, Rizwan Qureshi, Muhammad Waqas, Shereen Fouad, Hazrat Ali, Syed Muhammad Anwar, Jia Wu,
• Abstract要約: ファンデーションモデル(FM)は、バイオメディカルイメージングを含むさまざまな領域にわたる人工知能の顕著なシフトを推進している。 バイオメディカル領域におけるFMのコア機能と限界を調べることで,現状を批判的に評価し,誇大広告を分析した。 我々は、信頼性、バイアス、安全性から生じるデプロイメントにおける最重要課題、アルゴリズムバイアス、データバイアスとプライバシの課題、モデル幻覚について論じる。
• 参考スコア（独自算出の注目度）: 17.139610489482262
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Foundation models (FMs) are driving a prominent shift in artificial intelligence across different domains, including biomedical imaging. These models are designed to move beyond narrow pattern recognition towards emulating sophisticated clinical reasoning, understanding complex spatial relationships, and integrating multimodal data with unprecedented flexibility. However, a critical gap exists between this potential and the current reality, where the clinical evaluation and deployment of FMs are hampered by significant challenges. Herein, we critically assess the current state-of-the-art, analyzing hype by examining the core capabilities and limitations of FMs in the biomedical domain. We also provide a taxonomy of reasoning, ranging from emulated sequential logic and spatial understanding to the integration of explicit symbolic knowledge, to evaluate whether these models exhibit genuine cognition or merely mimic surface-level patterns. We argue that a critical frontier lies beyond statistical correlation, in the pursuit of causal inference, which is essential for building robust models that understand cause and effect. Furthermore, we discuss the paramount issues in deployment stemming from trustworthiness, bias, and safety, dissecting the challenges of algorithmic bias, data bias and privacy, and model hallucinations. We also draw attention to the need for more inclusive, rigorous, and clinically relevant validation frameworks to ensure their safe and ethical application. We conclude that while the vision of autonomous AI-doctors remains distant, the immediate reality is the emergence of powerful technology and assistive tools that would benefit clinical practice. The future of FMs in biomedical imaging hinges not on scale alone, but on developing hybrid, causally aware, and verifiably safe systems that augment, rather than replace, human expertise.
• Abstract（参考訳）: ファンデーションモデル(FM)は、バイオメディカルイメージングを含むさまざまな領域にわたる人工知能の顕著なシフトを推進している。 これらのモデルは、狭義のパターン認識を超えて、洗練された臨床推論をエミュレートし、複雑な空間的関係を理解し、前例のない柔軟性でマルチモーダルデータを統合するように設計されている。 しかし、このポテンシャルと現在の現実の間には重大なギャップがあり、FMの臨床的評価と展開は重大な課題によって妨げられている。 本稿では, バイオメディカル領域におけるFMのコア機能と限界を検証し, ハイプを分析し, 現状を批判的に評価する。 また、逐次論理と空間的理解のエミュレートから、明示的な記号的知識の統合に至るまでの推論の分類を提供し、これらのモデルが真の認識を示すか、単に表面レベルのパターンを模倣するかを評価する。 我々は、原因と効果を理解する堅牢なモデルを構築するのに不可欠である因果推論の追求において、重要なフロンティアは統計的相関を超えていると論じる。 さらに、信頼性、バイアス、安全性から生じるデプロイメントにおける最重要課題、アルゴリズムバイアス、データバイアスとプライバシの課題、モデル幻覚について論じる。 我々はまた、より包括的で厳格で、臨床的に関係のある検証フレームワークの必要性に注意を向け、安全で倫理的な適用を確実にする。 我々は、自律型AIドクターのビジョンは依然として遠くにあるが、現実は、臨床実践に役立つ強力な技術と補助ツールの出現である、と結論付けている。 バイオメディカルイメージングにおけるFMの未来は、スケールだけでなく、人間の専門知識を置き換えるのではなく、強化するハイブリッドで因果的に認識され、検証可能な安全なシステムを開発することにある。

関連論文リスト

• A Semantically Enhanced Generative Foundation Model Improves Pathological Image Synthesis [82.01597026329158]
  本稿では,組織合成のための相関調整フレームワーク(CRAFTS)について紹介する。 CRAFTSは、生物学的精度を確保するためにセマンティックドリフトを抑制する新しいアライメント機構を組み込んでいる。 本モデルは,30種類の癌にまたがる多彩な病理像を生成する。
  論文  参考訳（メタデータ） (2025-12-15T10:22:43Z)
• Adaptation of Foundation Models for Medical Image Analysis: Strategies, Challenges, and Future Directions [4.332241609032423]
  基礎モデル(FM)は、医用画像解析における変換パラダイムとして登場した。 本稿では,医療画像の特定の要求にFMを適用するための戦略を包括的に評価する。
  論文  参考訳（メタデータ） (2025-11-03T06:57:42Z)
• RAD: Towards Trustworthy Retrieval-Augmented Multi-modal Clinical Diagnosis [56.373297358647655]
  Retrieval-Augmented Diagnosis (RAD)は、下流タスクで直接マルチモーダルモデルに外部知識を注入する新しいフレームワークである。 RADは、複数の医療ソースからの疾患中心の知識の検索と改善、ガイドライン強化コントラスト損失トランスフォーマー、デュアルデコーダの3つの主要なメカニズムで機能する。
  論文  参考訳（メタデータ） (2025-09-24T10:36:14Z)
• Anomaly Detection and Generation with Diffusion Models: A Survey [51.61574868316922]
  異常検出(AD)は、サイバーセキュリティ、金融、医療、工業製造など、さまざまな分野において重要な役割を担っている。 近年のディープラーニング,特に拡散モデル(DM)の進歩は,大きな関心を集めている。 この調査は、研究者や実践者が様々なアプリケーションにまたがる革新的なADソリューションにDMを利用することをガイドすることを目的としている。
  論文  参考訳（メタデータ） (2025-06-11T03:29:18Z)
• The challenge of uncertainty quantification of large language models in medicine [0.0]
  本研究では,医学応用のための大規模言語モデル(LLM)の不確実性定量化について検討する。 私たちの研究は、不確実性を障壁としてではなく、AI設計に対する動的で反射的なアプローチを招待する知識の不可欠な部分として捉えています。
  論文  参考訳（メタデータ） (2025-04-07T17:24:11Z)
• Foundation Models in Computational Pathology: A Review of Challenges, Opportunities, and Impact [0.34826922265324145]
  は、細胞と病理のスペクトルにわたって微妙な視覚下組織の手がかりをマイニングする能力を示している。 データの規模は劇的に増加し、数千から数百万のマルチギガピクセルの組織画像へと成長した。 これらのイノベーションの真の可能性と臨床実践への統合について検討する。
  論文  参考訳（メタデータ） (2025-02-12T11:57:11Z)
• Towards Privacy-aware Mental Health AI Models: Advances, Challenges, and Opportunities [58.61680631581921]
  メンタルヘルス障害は、深い個人的・社会的負担を生じさせるが、従来の診断はリソース集約的でアクセシビリティが制限される。 本稿では、これらの課題を考察し、匿名化、合成データ、プライバシー保護トレーニングを含む解決策を提案する。 臨床的な意思決定をサポートし、メンタルヘルスの結果を改善する、信頼できるプライバシを意識したAIツールを進化させることを目標としている。
  論文  参考訳（メタデータ） (2025-02-01T15:10:02Z)
• Progress and Opportunities of Foundation Models in Bioinformatics [77.74411726471439]
  基礎モデル(FM)は、特に深層学習の領域において、計算生物学の新しい時代に定着した。 我々の焦点は、特定の生物学的問題にFMを応用することであり、研究ニーズに適切なFMを選択するために研究コミュニティを指導することを目的としています。 データノイズ、モデル説明可能性、潜在的なバイアスなど、生物学においてFMが直面する課題と限界を分析します。
  論文  参考訳（メタデータ） (2024-02-06T02:29:17Z)
• Diagnosing Transformers: Illuminating Feature Spaces for Clinical Decision-Making [14.377412942836143]
  事前訓練されたトランスフォーマーは、限られた臨床ノートを使用して臨床意思決定を支援するために微調整されることが多い。 モデルの解釈可能性は、特に医学のような高度な領域において、信頼を確立し、安全性を確保するために不可欠である。 本稿では,微調整型変換器の特徴空間の解釈可能性を高めるための体系的フレームワークであるSUFOを紹介する。
  論文  参考訳（メタデータ） (2023-05-27T22:15:48Z)

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。