論文の概要: MARCUS: An agentic, multimodal vision-language model for cardiac diagnosis and management

• arxiv url: http://arxiv.org/abs/2603.22179v1
• Date: Mon, 23 Mar 2026 16:42:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:39.789863
• Title: MARCUS: An agentic, multimodal vision-language model for cardiac diagnosis and management
• Title（参考訳）: MARCUS : 心臓診断・管理のためのエージェント・マルチモーダル視覚言語モデル
• Abstract要約: 現在のAIビジョン言語モデルは単一のモダリティ入力に限られており、非インタラクティブである。 MARCUSは心電図,心エコー図,心磁気共鳴画像(CMR)の終末解釈のためのエージェントビジョン言語システムである。 MARCUSは、多段階言語モデル最適化とドメイン訓練された視覚エンコーダを統合し、マルチモーダルオーケストレータによってコーディネートされる、モダリティ固有の視覚言語エキスパートモデルからなる階層型エージェントアーキテクチャを採用している。
• 参考スコア（独自算出の注目度）: 7.8540088642712815
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Cardiovascular disease remains the leading cause of global mortality, with progress hindered by human interpretation of complex cardiac tests. Current AI vision-language models are limited to single-modality inputs and are non-interactive. We present MARCUS (Multimodal Autonomous Reasoning and Chat for Ultrasound and Signals), an agentic vision-language system for end-to-end interpretation of electrocardiograms (ECGs), echocardiograms, and cardiac magnetic resonance imaging (CMR) independently and as multimodal input. MARCUS employs a hierarchical agentic architecture comprising modality-specific vision-language expert models, each integrating domain-trained visual encoders with multi-stage language model optimization, coordinated by a multimodal orchestrator. Trained on 13.5 million images (0.25M ECGs, 1.3M echocardiogram images, 12M CMR images) and our novel expert-curated dataset spanning 1.6 million questions, MARCUS achieves state-of-the-art performance surpassing frontier models (GPT-5 Thinking, Gemini 2.5 Pro Deep Think). Across internal (Stanford) and external (UCSF) test cohorts, MARCUS achieves accuracies of 87-91% for ECG, 67-86% for echocardiography, and 85-88% for CMR, outperforming frontier models by 34-45% (P<0.001). On multimodal cases, MARCUS achieved 70% accuracy, nearly triple that of frontier models (22-28%), with 1.7-3.0x higher free-text quality scores. Our agentic architecture also confers resistance to mirage reasoning, whereby vision-language models derive reasoning from unintended textual signals or hallucinated visual content. MARCUS demonstrates that domain-specific visual encoders with an agentic orchestrator enable multimodal cardiac interpretation. We release our models, code, and benchmark open-source.
• Abstract（参考訳）: 心臓血管疾患は、複雑な心臓検査の人間の解釈によって進行が妨げられ、世界的死亡の主な原因となっている。 現在のAIビジョン言語モデルは単一のモダリティ入力に限られており、非インタラクティブである。 MARCUS(Multimodal Autonomous Reasoning and Chat for Ultrasound and Signals)は、心電図(ECG)、心エコー図、心磁気共鳴画像(CMR)のエンドツーエンド解釈のためのエージェントビジョン言語システムである。 MARCUSは、多段階言語モデル最適化とドメイン訓練された視覚エンコーダを統合し、マルチモーダルオーケストレータによってコーディネートされる、モダリティ固有の視覚言語エキスパートモデルからなる階層型エージェントアーキテクチャを採用している。 13.5万の画像(0.25万の心電図、1.3万の心エコー画像、12万のCMR画像)と、1.6万の質問にまたがる新たな専門家計算データセットに基づいて、MARCUSは最先端モデル(GPT-5 Thinking, Gemini 2.5 Pro Deep Think)を超える最先端のパフォーマンスを達成する。 心電図では87～91%,心エコーでは67～86%,CMRでは85～88%,フロンティアモデルでは34～45%(P<0.001)であった。 マルチモーダルの場合、MARCUSは70%の精度を達成し、フロンティアモデルの3倍(22-28%)、フリーテキストの品質スコアは1.7-3.0倍に向上した。 エージェントアーキテクチャはまた、意図しないテキスト信号や幻覚的内容から視覚言語モデルを引き出す、ミラージュ推論に対する耐性も提案する。 MARCUSは、エージェントオーケストレータを持つドメイン固有の視覚エンコーダがマルチモーダル心臓の解釈を可能にすることを示した。 当社はモデル、コード、ベンチマークをオープンソースとしてリリースしています。

関連論文リスト

• ClinFusion: A Vision-Centric Multimodal LLM System for Holistic Medical Understanding [67.57715989349471]
  MLLM(Multimodal large language model)は、臨床実践に革命をもたらす大きな可能性を秘めている。 我々は、総合的な医学的理解のために設計された視覚中心のMLLMであるClinFusionを紹介する。 ClinFusionは、総合的な2Dおよび3Dマルチモーダル・メディカル・ベンチマーク・スイートにまたがって、最先端の新たな状態を設定する。
  論文  参考訳（メタデータ） (2026-07-27T17:59:49Z)
• Development of an automated, reliable, and clinically meaningful artificial intelligence (AI) tool for diagnosing cardiac disease from conventional cardiovascular magnetic resonance (CMR) images [30.83069805418805]
  CMRを用いた心血管疾患診断のための自動データキュレーションパイプラインを開発した。 3つの視覚基礎モデル(DINO, VSTedPT)は2段階のアプローチでこれらのモードを微調整した。 微調整されたAIモデルは、独立したテストセット上で高い差別的な診断性能を達成した。
  論文  参考訳（メタデータ） (2026-07-22T12:36:56Z)
• Disease-Centric Vision-Language Pretraining with Hybrid Visual Encoding for 3D Computed Tomography [75.7789001619107]
  ビジョン言語による事前トレーニングは、汎用医療AIにとって大きな可能性を秘めている。 3つの主要なコンポーネントを特徴とするフレームワークを提案する。 診断対応プロンプト戦略では、トレーニング前の推論ギャップを埋めるために、実際の臨床用語と集約された疾患プロトタイプを用いている。
  論文  参考訳（メタデータ） (2026-06-24T08:24:45Z)
• OphMAE: Bridging Volumetric and Planar Imaging with a Foundation Model for Adaptive Ophthalmological Diagnosis [13.730900699529698]
  OphMAE (Ophthalmic Multimodal Masked Autoencoder) は、3D光コヒーレンス・トモグラフィー(OCT)の体積深度と2D en face OCTの平面コンテキストを相乗化するために設計された多次元基礎モデルである。 このモデルは最先端の成績を示し、年齢関連黄斑変性症(AMD)96.9%、糖尿病黄斑浮腫症(DME)97.2%でAUC(Area Under the Curve)を達成した。 この作業は、眼科AIのスケーラブルで適応可能なフレームワークを確立し、さまざまなタスクにわたる堅牢なパフォーマンスを保証する。
  論文  参考訳（メタデータ） (2026-05-04T15:18:06Z)
• LUMINA: A Multi-Vendor Mammography Benchmark with Energy Harmonization Protocol [9.075009508165273]
  このデータセットは、病理診断されたラベル、BI-RADSアセスメント、乳腺密度アノテーションを持つ468人の患者の1824枚の画像を含んでいる。 LUMINAは6つの取得システムにまたがっており、高エネルギーと低エネルギーの撮像方式がある。 我々は,診断,BI-RADS分類,密度推定の3つの臨床的課題について,CNNとトランスフォーマーモデルをベンチマークした。
  論文  参考訳（メタデータ） (2026-03-15T22:41:40Z)
• KorMedMCQA-V: A Multimodal Benchmark for Evaluating Vision-Language Models on the Korean Medical Licensing Examination [16.50828571559655]
  KorMedMCQA-V (KorMedMCQA-V) は、韓国の医療ライセンス試験方式のマルチモーダル質問応答ベンチマークである。 このデータセットは1,534の質問と2,043の関連画像で構成されている。
  論文  参考訳（メタデータ） (2026-02-14T07:42:04Z)
• Enabling Ultra-Fast Cardiovascular Imaging Across Heterogeneous Clinical Environments with a Generalist Foundation Model and Multimodal Database [64.65360708629485]
  MMCMR-427Kは、最大かつ最も包括的なマルチモーダル心血管共鳴k空間データベースである。 CardioMMは、異種高速CMRイメージングシナリオに適応可能な再構成基盤モデルである。 CardioMMは、物理インフォームドデータ一貫性と意味的文脈理解を統合して、堅牢な再構築を実現する。
  論文  参考訳（メタデータ） (2025-12-25T12:47:50Z)
• Hulu-Med: A Transparent Generalist Model towards Holistic Medical Vision-Language Understanding [112.46150793476603]
  透明で汎用的な医用ビジョンランゲージモデル(VLM)であるHulu-Medを紹介する。 Hulu-Medは1670万サンプルのキュレートされたコーパスで訓練されており、12の解剖学的システムと14の医用画像モダリティにまたがっている。 Hulu-Medは、30ベンチマーク中27ベンチマークで既存のオープンソースモデルを上回っ、16ベンチマークでGPT-4oなどのプロプライエタリシステムを上回っている。
  論文  参考訳（メタデータ） (2025-10-09T17:06:42Z)
• DKG-LLM : A Framework for Medical Diagnosis and Personalized Treatment Recommendations via Dynamic Knowledge Graph and Large Language Model Integration [0.0]
  医療診断とパーソナライズされた治療レコメンデーションのためのDKG-LLMフレームワークを提案する。 このフレームワークは、動的知識グラフ(DKG)とGrok 3の大規模言語モデルを統合する。 評価の結果,DKG-LLMの診断精度は84.19%,治療推奨精度は89.63%であった。
  論文  参考訳（メタデータ） (2025-08-08T10:04:40Z)
• Heartcare Suite: Multi-dimensional Understanding of ECG with Raw Multi-lead Signal Modeling [50.58126509704037]
  医療スイート(Heartcare Suite)は、微細心電図(ECG)の理解のためのフレームワークである。 Heartcare-220Kは高品質で構造化され、包括的なマルチモーダルECGデータセットである。 Heartcare-Benchは、ECGシナリオにおける医療マルチモーダル大言語モデル(Med-MLLM)の最適化を導くためのベンチマークである。
  論文  参考訳（メタデータ） (2025-06-06T07:56:41Z)
• Multi-Model Ensemble Approach for Accurate Bi-Atrial Segmentation in LGE-MRI of Atrial Fibrillation Patients [3.676588766498097]
  心房細動(AF)は、心臓不整脈の最も多い形態であり、死亡率と死亡率の増加と関連している。 この研究は、Unet、ResNet、EfficientNet、VGGを含む複数の機械学習モデルを統合するアンサンブルアプローチを示し、LGE-MRIデータから自動両房セグメンテーションを実行する。
  論文  参考訳（メタデータ） (2024-09-24T13:33:46Z)
• RadGenome-Chest CT: A Grounded Vision-Language Dataset for Chest CT Analysis [56.57177181778517]
  RadGenome-Chest CTはCT-RATEに基づく大規模3次元胸部CT解釈データセットである。 私たちは、最新の強力なユニバーサルセグメンテーションと大きな言語モデルを活用して、元のデータセットを拡張します。
  論文  参考訳（メタデータ） (2024-04-25T17:11:37Z)
• Advancing COVID-19 Diagnosis with Privacy-Preserving Collaboration in Artificial Intelligence [79.038671794961]
  我々はUCADI(Unified CT-COVID AI Diagnostic Initiative)を立ち上げ、各ホスト機関でAIモデルを分散的にトレーニングし、独立して実行することができる。 本研究は,中国とイギリスに所在する23の病院で採取した3,336例の胸部CT9,573例について検討した。
  論文  参考訳（メタデータ） (2021-11-18T00:43:41Z)
• ECG Heartbeat Classification Using Multimodal Fusion [13.524306011331303]
  本稿では,心電図の心拍数分類のための2つの計算効率の良いマルチモーダル融合フレームワークを提案する。 MFFでは,CNNの垂直層から特徴を抽出し,それらを融合させてユニークかつ相互依存的な情報を得た。 不整脈では99.7%,MIでは99.2%の分類が得られた。
  論文  参考訳（メタデータ） (2021-07-21T03:48:35Z)

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。