論文の概要: SpeechDx: A Multi-Task Benchmark for Clinical Speech AI

• arxiv url: http://arxiv.org/abs/2606.17339v1
• Date: Mon, 15 Jun 2026 22:38:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-17 17:15:32.162632
• Title: SpeechDx: A Multi-Task Benchmark for Clinical Speech AI
• Title（参考訳）: SpeechDx: 臨床音声AIのためのマルチタスクベンチマーク
• Authors: Sejal Bhalla, Larry Kieu, Aina Merchant, Eyal de Lara, Alex Mariakakis,
• Abstract要約: 音声は、神経系、運動系、呼吸系、発声系を同時に行うことによって、健康に独特な情報的窓を提供する。 最近の臨床音声AI法は、独立した条件特異的研究を通じて大きく進歩している。 我々は、12のデータセットと27のタスクにまたがる臨床音声AIのための大規模ベンチマークであるSpeechDxを紹介した。
• 参考スコア（独自算出の注目度）: 7.379112766484577
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Speech offers a uniquely informative window into health by simultaneously engaging neurological, motor, respiratory, and vocal systems. Current clinical speech AI methods have largely progressed through isolated condition-specific studies, making results difficult to compare and generalization difficult to assess. We introduce SpeechDx, a large-scale benchmark for clinical speech AI spanning 12 datasets and 27 tasks across diverse health conditions. To enable evaluation across shared clinical mechanisms, SpeechDx structures tasks by the stage of speech production they disrupt: conceptualization, formulation, and articulation. The benchmark tests generalization by including tasks with limited labeled data and evaluating the same health condition across multiple datasets, distinguishing clinically meaningful patterns from dataset artefacts. We systematically evaluate 12 state-of-the-art audio encoders across all tasks and under zero-shot cross-condition transfer. Results show that large-scale speech models represent the strongest overall baselines, domain-specific models improve performance only on closely matched tasks, and no current representation generalizes reliably across the clinical speech landscape. SpeechDx establishes a shared evaluation framework for tracking progress toward general-purpose clinical speech representations
• Abstract（参考訳）: 音声は、神経系、運動系、呼吸系、発声系を同時に行うことによって、健康に独特な情報的窓を提供する。 最近の臨床音声AI手法は、独立した条件特異的な研究を通じて大きく進歩し、その結果の比較や一般化が困難になっている。 我々は、12のデータセットと27のタスクにまたがる臨床音声AIのための大規模ベンチマークであるSpeechDxを紹介した。 共有臨床メカニズム間での評価を可能にするために、SpeechDxは、音声生成の段階で、概念化、定式化、調音といったタスクを分解する。 このベンチマークは、ラベル付きデータを限定したタスクを含め、複数のデータセットで同じ健康状態を評価し、臨床的に意味のあるパターンとデータセットアーティファクトを区別することで一般化をテストする。 我々は,全タスクにまたがる12の最先端オーディオエンコーダを,ゼロショットのクロスコンディショニングの下で体系的に評価した。 その結果、大規模音声モデルは最強の全体ベースラインを示し、ドメイン固有モデルは密に一致したタスクでのみ性能を向上し、現在の表現は臨床音声のランドスケープ全体にわたって確実に一般化されないことがわかった。 SpeechDxは、汎用的な臨床音声表現に向けた進捗追跡のための共有評価フレームワークを確立する

関連論文リスト

• Semi-Supervised Diseased Detection from Speech Dialogues with Multi-Level Data Modeling [27.224093715611534]
  本稿では,音声から医療状況を検出するための新しい枠組みを提案する。 エンドツーエンドアプローチは,多粒度特徴を動的に集約し,高品質な擬似ラベルを生成する。 この研究は、医学的音声分析における弱い極端の監督から学ぶための原則的なアプローチを提供する。
  論文  参考訳（メタデータ） (2026-01-08T09:10:16Z)
• Language Models as Semantic Teachers: Post-Training Alignment for Medical Audio Understanding [15.79973026677169]
  事前訓練された音響モデルは、聴力音の音響パターンを検出するのに優れるが、臨床的意義を把握できないことが多い。 AcuLaは、医療用言語モデルと整合することで、任意のオーディオエンコーダに意味理解を組み込むフレームワークである。 我々の研究は、このオーディオ言語アライメントが純粋に音響モデルから臨床的に認識される診断ツールに変換することを実証している。
  論文  参考訳（メタデータ） (2025-12-04T14:30:58Z)
• A Fully Open and Generalizable Foundation Model for Ultrasound Clinical Applications [77.3888788549565]
  一般臨床用超音波基礎モデルであるEchoCareについて紹介する。 我々は、キュレートされた、一般公開された大規模なデータセットであるEchoCareData上で、自己教師付き学習を通じてEchoCareを開発した。 最小限のトレーニングで、EchoCareは10の代表的なベンチマークで最先端の比較モデルを上回っている。
  論文  参考訳（メタデータ） (2025-09-15T10:05:31Z)
• Unified Multi-task Learning for Voice-Based Detection of Diverse Clinical Conditions [14.745982411183766]
  プライバシを意識したマルチタスク学習フレームワークであるMARVELを,9つの異なる神経・呼吸・音声障害を同時に検出する。 当社のフレームワークは, シングルモーダルベースラインを5～19%上回り, 9タスクのうち7タスクにおいて最先端の自己監督モデルを上回っている。
  論文  参考訳（メタデータ） (2025-08-28T12:37:25Z)
• EndoBench: A Comprehensive Evaluation of Multi-Modal Large Language Models for Endoscopy Analysis [62.00431604976949]
  EndoBenchは、内視鏡的プラクティスの全スペクトルにわたるMLLMを評価するために特別に設計された最初の包括的なベンチマークである。 我々は、汎用、医療特化、プロプライエタリMLLMを含む23の最先端モデルをベンチマークする。 私たちの実験では、プロプライエタリなMLLMは、オープンソースや医療専門のモデルよりも優れていますが、それでも人間の専門家を追い越しています。
  論文  参考訳（メタデータ） (2025-05-29T16:14:34Z)
• A Tutorial on Clinical Speech AI Development: From Data Collection to Model Validation [19.367198670893778]
  本稿では,臨床音声AIの堅牢な開発に必要な要素について概説する。 目的は、入力と出力がより解釈可能で臨床的に意味のある音声の側面にリンクするモデルの構築に関する包括的なガイダンスを提供することである。
  論文  参考訳（メタデータ） (2024-10-29T00:58:15Z)
• Show from Tell: Audio-Visual Modelling in Clinical Settings [58.88175583465277]
  臨床環境でのオーディオ・ビジュアル・モデリングを考察し、人間の専門的アノテーションを使わずに医学的表現を学習するためのソリューションを提供する。 この目的のために, 単純かつ効果的なマルチモーダル自己教師型学習フレームワークを提案する。 提案手法は,音声のみを基準として,超音波画像中の解剖学的関心領域をローカライズすることができる。
  論文  参考訳（メタデータ） (2023-10-25T08:55:48Z)
• SLUE Phase-2: A Benchmark Suite of Diverse Spoken Language Understanding Tasks [88.4408774253634]
  音声言語理解(SLU)タスクは、音声研究コミュニティで何十年にもわたって研究されてきた。 SLUタスクベンチマークはそれほど多くはなく、既存のベンチマークの多くは、すべての研究者が自由に利用できないデータを使っている。 最近の研究は、いくつかのタスクにそのようなベンチマークを導入し始めている。
  論文  参考訳（メタデータ） (2022-12-20T18:39:59Z)
• CBLUE: A Chinese Biomedical Language Understanding Evaluation Benchmark [51.38557174322772]
  中国初のバイオメディカル言語理解評価ベンチマークを提示する。 名前付きエンティティ認識、情報抽出、臨床診断正規化、単文/文対分類を含む自然言語理解タスクのコレクションである。 本研究は,現在の11種類の中国モデルによる実験結果について報告し,その実験結果から,現在最先端のニューラルモデルがヒトの天井よりもはるかに悪い性能を示すことが示された。
  論文  参考訳（メタデータ） (2021-06-15T12:25:30Z)

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。