論文の概要: GenMed: A Pairwise Generative Reformulation of Medical Diagnostic Tasks

• arxiv url: http://arxiv.org/abs/2605.10645v1
• Date: Mon, 11 May 2026 14:32:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.899775
• Title: GenMed: A Pairwise Generative Reformulation of Medical Diagnostic Tasks
• Title（参考訳）: GenMed : 医療診断タスクの創発的改革
• Authors: Hantao Zhang, Weidong Guo, Yuhe Liu, Jiancheng Yang, Sathvik Bhagavan, Danli Shi, Mingda Xu, Pascal Fua,
• Abstract要約: 拡散モデルと再フレーム推論をテスト時間出力最適化問題として用いた共同分布を$P(X,Y)$でモデル化する。 私たちのフレームワークは、アーキテクチャの変更や再トレーニングなしに、予測時に柔軟な勾配ベースの条件付けを可能にします。 本研究は, 再利用可能なタスク非依存型医療AIシステムの基礎として, 生成的関節モデリングの汎用性を強調した。
• 参考スコア（独自算出の注目度）: 32.49998442428115
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Data-driven medical AI is traditionally formulated as a discriminative mapping from input $X$ to output $Y$ via a learned function $f$, which does not generalize well across heterogeneous data and modalities encountered in real-world clinical settings. In this work, we propose a fundamentally different, generative paradigm. We model the joint distribution $P(X,Y)$ using diffusion models and reframe inference as a test-time output optimization problem. By guiding the generative process to match observed inputs, our framework enables flexible, gradient-based conditioning at inference time without architectural changes or retraining, effectively supporting arbitrary and previously unseen combinations of observations. Extensive experiments demonstrate strong performance across standard and cross-modality medical image segmentation, few-shot segmentation with only 2 or 4 training samples, degraded-input segmentation, shape completion from sparse and partial observations, and zero-shot application to demonstrate generality. To support these evaluations, we curated and released a large-scale text-shape dataset derived from MedShapeNet. Our results highlight the versatility of generative joint modeling as a foundation for reusable, task-agnostic medical AI systems.
• Abstract（参考訳）: データ駆動型医療AIは、伝統的に、入力$X$から学習関数$f$を介して出力$Y$への識別マッピングとして構成されている。 本研究では,基本的に異なる生成パラダイムを提案する。 拡散モデルと再フレーム推論をテスト時間出力最適化問題として用いた共同分布を$P(X,Y)$でモデル化する。 提案フレームワークは,観測された入力に一致する生成過程を導出することにより,アーキテクチャ変更や再学習を伴わずに,フレキシブルで勾配に基づく条件付けを可能にし,任意かつ従来目に見えない観測の組み合わせを効果的に支援する。 広汎な実験は、標準的および横断的な医療画像のセグメンテーション、訓練サンプルが2つか4つしかない数発のセグメンテーション、劣化したインプットセグメンテーション、スパースと部分的な観察からの形状完備化、一般性を示すゼロショット応用など、強い性能を示す。 これらの評価を支援するために、MedShapeNetから派生した大規模テキスト形状データセットをキュレートし、リリースした。 本研究は, 再利用可能なタスク非依存型医療AIシステムの基礎として, 生成的関節モデリングの汎用性を強調した。

関連論文リスト

• The Mean is the Mirage: Entropy-Adaptive Model Merging under Heterogeneous Domain Shifts in Medical Imaging [3.597779662054083]
  予期せぬテスト時間分散シフトの下でのモデルのマージは、平均的な信頼性の低下など、単純な戦略を反映することが多い。 本稿では,前方パスのみを介してバッチ固有のマージモデルを生成するエントロピー適応型完全オンラインモデルマージ手法を提案する。 本研究では,9つの医学領域および自然領域の一般化画像分類データセットにまたがる2つのバックボーンを用いて,最先端のベースラインを用いた手法を広範に評価した。
  論文  参考訳（メタデータ） (2026-02-24T21:06:19Z)
• MetaVoxel: Joint Diffusion Modeling of Imaging and Clinical Metadata [5.963599483233974]
  生成的共同拡散モデリングフレームワークであるMetaVoxelを紹介する。 一つのMetaVoxelモデルで画像生成,年齢推定,性別予測を行うことができることを示す。
  論文  参考訳（メタデータ） (2025-12-10T19:47:52Z)
• Nonparametric Data Attribution for Diffusion Models [57.820618036556084]
  生成モデルのデータ属性は、個々のトレーニング例がモデル出力に与える影響を定量化する。 生成画像とトレーニング画像のパッチレベルの類似性によって影響を測定する非パラメトリック属性法を提案する。
  論文  参考訳（メタデータ） (2025-10-16T03:37:16Z)
• UniSegDiff: Boosting Unified Lesion Segmentation via a Staged Diffusion Model [53.34835793648352]
  病変分割のための新しい拡散モデルフレームワークUniSegDiffを提案する。 UniSegDiffは、複数のモダリティと臓器にまたがる統一された方法で病変のセグメンテーションに対処する。 総合的な実験結果から、UniSegDiffは従来のSOTA(State-of-the-art)アプローチよりも大幅に優れていた。
  論文  参考訳（メタデータ） (2025-07-24T12:33:10Z)
• Test-Time Domain Generalization via Universe Learning: A Multi-Graph Matching Approach for Medical Image Segmentation [17.49123106322442]
  テスト時間適応(TTA)は、未ラベルのテストデータを用いて学習モデルを調整する。 形態情報を導入し,マルチグラフマッチングに基づくフレームワークを提案する。 本手法は,2つの医用画像セグメンテーションベンチマークにおいて,他の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2025-03-17T10:11:11Z)
• Ambiguous Medical Image Segmentation using Diffusion Models [60.378180265885945]
  我々は,グループ洞察の分布を学習することで,複数の可算出力を生成する単一拡散モデルに基づくアプローチを提案する。 提案モデルでは,拡散の固有のサンプリングプロセスを利用してセグメンテーションマスクの分布を生成する。 その結果,提案手法は既存の最先端曖昧なセグメンテーションネットワークよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2023-04-10T17:58:22Z)
• HyperImpute: Generalized Iterative Imputation with Automatic Model Selection [77.86861638371926]
  カラムワイズモデルを適応的かつ自動的に構成するための一般化反復計算フレームワークを提案する。 既製の学習者,シミュレータ,インターフェースを備えた具体的な実装を提供する。
  論文  参考訳（メタデータ） (2022-06-15T19:10:35Z)
• Adversarial Sample Enhanced Domain Adaptation: A Case Study on Predictive Modeling with Electronic Health Records [57.75125067744978]
  ドメイン適応を容易にするデータ拡張手法を提案する。 逆生成したサンプルはドメイン適応時に使用される。 その結果,本手法の有効性とタスクの一般性が確認された。
  論文  参考訳（メタデータ） (2021-01-13T03:20:20Z)
• Robust Finite Mixture Regression for Heterogeneous Targets [70.19798470463378]
  本稿では,サンプルクラスタの探索と,複数の不完全な混合型ターゲットを同時にモデル化するFMRモデルを提案する。 我々は、高次元の学習フレームワークの下で、無症状のオラクルのパフォーマンス境界をモデルに提供します。 その結果,我々のモデルは最先端の性能を達成できることがわかった。
  論文  参考訳（メタデータ） (2020-10-12T03:27:07Z)
• Cross-Domain Segmentation with Adversarial Loss and Covariate Shift for Biomedical Imaging [2.1204495827342438]
  本論文は,異なるモダリティから異なるパターンと共有パターンをカプセル化することにより,ドメイン間データから堅牢な表現を学習できる新しいモデルの実現を目的とする。 正常な臨床試験で得られたCTおよびMRI肝データに対する試験は、提案したモデルが他のすべてのベースラインを大きなマージンで上回っていることを示している。
  論文  参考訳（メタデータ） (2020-06-08T07:35:55Z)

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。