論文の概要: Towards Brain MRI Foundation Models for the Clinic: Findings from the FOMO25 Challenge

• arxiv url: http://arxiv.org/abs/2604.11679v1
• Date: Mon, 13 Apr 2026 16:23:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:16.680255
• Title: Towards Brain MRI Foundation Models for the Clinic: Findings from the FOMO25 Challenge
• Title（参考訳）: 脳MRIの基礎モデルに向けて:FOMO25チャレンジから
• Authors: Asbjørn Munk, Stefano Cerri, Vardan Nersesjan, Christian Hedeager Krag, Jakob Ambsdorf, Pablo Rocamora García, Julia Machnio, Peirong Liu, Suhyun Ahn, Nasrin Akbari, Yasmina Al Khalil, Kimberly Amador, Sina Amirrajab, Tal Arbel, Meritxell Bach Cuadra, Ujjwal Baid, Bhakti Baheti, Jaume Banus, Kamil Barbierik, Christoph Brune, Yansong Bu, Baptiste Callard, Yuhan Chen, Cornelius Crijnen, Corentin Dancette, Peter Drotar, Prasad Dutande, Nils D. Forkert, Saurabh Garg, Jakub Gazda, Matej Gazda, Benoît Gérin, Partha Ghosh, Weikang Gong, Pedro M. Gordaliza, Sam Hashemi, Tobias Heimann, Fucang Jia, Jiexin Jiang, Emily Kaczmarek, Chris Kang, Seung Kwan Kang, Mohammad Khazaei, Julien Khlaut, Petros Koutsouvelis, Jae Sung Lee, Yuchong Li, Mengye Lyu, Mingchen Ma, Anant Madabhushi, Klaus H. Maier-Hein, Pierre Manceron, Andrés Martínez Mora, Moona Mazher, Felix Meister, Nataliia Molchanova, Steven A. Niederer, Leonard Nürnberg, Jinah Park, Abdul Qayyum, Jonas Richiardi, Antoine Saporta, Branislav Setlak, Ning Shen, Justin Szeto, Constantin Ulrich, Puru Vaish, Vibujithan Vigneshwaran, Leroy Volmer, Zihao Wang, Siqi Wei, Anthony Winder, Jelmer M. Wolterink, Maxence Wynen, Chang Yang, Si Young Yie, Mostafa Mehdipour Ghazi, Akshay Pai, Espen Jimenez Solem, Sebastian Nørgaard Llambias, Mikael Boesen, Michael Eriksen Benros, Juan Eugenio Iglesias, Mads Nielsen,
• Abstract要約: 我々はMICCAI 2025でFOMO25チャレンジを衛星イベントとして組織した。 参加者は,臨床ラベルから直接得られたデータに基づいて,大規模な事前学習データセットFOMO60Kを作成した。 16チームから19のファンデーションモデルが、標準化されたコンテナパイプラインを使用して評価された。
• 参考スコア（独自算出の注目度）: 33.95846433611413
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Clinical deployment of automated brain MRI analysis faces a fundamental challenge: clinical data is heterogeneous and noisy, and high-quality labels are prohibitively costly to obtain. Self-supervised learning (SSL) can address this by leveraging the vast amounts of unlabeled data produced in clinical workflows to train robust \textit{foundation models} that adapt out-of-domain with minimal supervision. However, the development of foundation models for brain MRI has been limited by small pretraining datasets and in-domain benchmarking focused on high-quality, research-grade data. To address this gap, we organized the FOMO25 challenge as a satellite event at MICCAI 2025. FOMO25 provided participants with a large pretraining dataset, FOMO60K, and evaluated models on data sourced directly from clinical workflows in few-shot and out-of-domain settings. Tasks covered infarct classification, meningioma segmentation, and brain age regression, and considered both models trained on FOMO60K (method track) and any data (open track). Nineteen foundation models from sixteen teams were evaluated using a standardized containerized pipeline. Results show that (a) self-supervised pretraining improves generalization on clinical data under domain shift, with the strongest models trained \textit{out-of-domain} surpassing supervised baselines trained \textit{in-domain}. (b) No single pretraining objective benefits all tasks: MAE favors segmentation, hybrid reconstruction-contrastive objectives favor classification, and (c) strong performance was achieved by small pretrained models, and improvements from scaling model size and training duration did not yield reliable benefits.
• Abstract（参考訳）: 臨床データは異質でノイズがあり、高品質なラベルは入手するのに著しくコストがかかる。 自己教師付き学習(SSL)は、臨床ワークフローで生成された膨大な量のラベルのないデータを活用して、最小限の監視でドメイン外に適用する堅牢な \textit{foundation model} をトレーニングすることで、この問題に対処することができる。 しかし、脳MRIの基礎モデルの開発は、少数の事前トレーニングデータセットと、高品質で研究レベルのデータに焦点を当てたドメイン内ベンチマークによって制限されてきた。 このギャップに対処するため、MICCAI 2025でFOMO25チャレンジを衛星イベントとして組織した。 FOMO25は参加者に対して、大規模な事前トレーニングデータセットであるFOMO60Kを提供し、いくつかのショットとドメイン外の設定で、臨床ワークフローから直接ソースされたデータの評価モデルを提供した。 課題は、梗塞分類、髄膜腫の分節化、脳年齢の回帰をカバーし、FOMO60K(method track)と任意のデータ(open track)でトレーニングされたモデルの両方を検討した。 標準化されたコンテナパイプラインを使用して、16チームから19のファンデーションモデルを評価した。 その結果は (a) 自己指導型プレトレーニングは, ドメインシフト下の臨床データの一般化を向上し, 教師付きベースラインを超越した最強モデルである「textit{out-of- Domain}」が得られた。 b) 単発事前学習目標が全てのタスクに利益をもたらすことはない。 (c) 小型事前訓練モデルにより強靭な性能が達成され, スケールモデルのサイズとトレーニング期間の改善は信頼性が得られなかった。

関連論文リスト

• Adapting HFMCA to Graph Data: Self-Supervised Learning for Generalizable fMRI Representations [57.054499278843856]
  機能的磁気共鳴画像(fMRI)解析は、データセットのサイズが限られ、研究間でのドメインの変動が原因で大きな課題に直面している。 コンピュータビジョンにインスパイアされた従来の自己教師付き学習手法は、正と負のサンプルペアに依存することが多い。 本稿では,最近開発された階層関数最大相関アルゴリズム(HFMCA)をグラフ構造fMRIデータに適用することを提案する。
  論文  参考訳（メタデータ） (2025-10-05T12:35:01Z)
• Federated Foundation Model for GI Endoscopy Images [7.9528382609447545]
  ファンデーションモデルは汎用表現を学習することで有望なソリューションを提供する。 ファンデーションモデルトレーニングは通常、広範なデータセットを必要とし、病院は大量のデータを生成するが、プライバシー制限は直接的なデータ共有を妨げている。 本稿では,腹腔鏡画像の基礎モデルをトレーニングするためのFLフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-30T01:18:17Z)
• FedEFM: Federated Endovascular Foundation Model with Unseen Data [11.320026809291239]
  本稿では,血管内介入のための分散化フェデレーション学習環境における基礎モデルを学習するための新しい手法を提案する。 我々は、知識蒸留の枠組みの中で、微分可能なアース・マーバーの距離を用いて、目に見えないデータ問題に取り組む。 本研究は, 血管内挿術とロボット支援手術の進歩に寄与し, 新たな最先端の成果が得られた。
  論文  参考訳（メタデータ） (2025-01-28T14:46:38Z)
• Towards a clinically accessible radiology foundation model: open-access and lightweight, with automated evaluation [113.5002649181103]
  オープンソースの小型マルチモーダルモデル(SMM)を訓練し、放射線学における未測定臨床ニーズに対する能力ギャップを埋める。 トレーニングのために,697万以上の画像テキストペアからなる大規模なデータセットを組み立てる。 評価のために,GPT-4に基づく実測値CheXpromptを提案する。 LlaVA-Radの推論は高速で、単一のV100 GPU上でプライベート設定で実行できる。
  論文  参考訳（メタデータ） (2024-03-12T18:12:02Z)
• A Multi-Center Study on the Adaptability of a Shared Foundation Model for Electronic Health Records [2.83988353856908]
  ファンデーションモデルは、下流の医療タスクに容易に適応可能なモジュラーコンポーネントを提供することで、医療におけるAI転換を約束している。 本研究は,257万人のスタンフォード医科患者の縦断的医療記録データに基づいてトレーニングしたEMHファンデーションモデル(FM_SM$)の適応性について検討した。 本研究は, 病院間での共用EHR基盤モデルの適用により, より低コストで予測性能が向上することが示唆された。
  論文  参考訳（メタデータ） (2023-11-20T01:58:27Z)
• ArSDM: Colonoscopy Images Synthesis with Adaptive Refinement Semantic Diffusion Models [69.9178140563928]
  大腸内視鏡検査は臨床診断や治療に不可欠である。 注釈付きデータの不足は、既存の手法の有効性と一般化を制限する。 本稿では, 下流作業に有用な大腸内視鏡画像を生成するために, 適応Refinement Semantic Diffusion Model (ArSDM)を提案する。
  論文  参考訳（メタデータ） (2023-09-03T07:55:46Z)
• 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)

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。