Fugu-MT 論文翻訳(概要): Aloe-Vision: Robust Vision-Language Models for Healthcare

論文の概要: Aloe-Vision: Robust Vision-Language Models for Healthcare

arxiv url: http://arxiv.org/abs/2606.27500v1
Date: Thu, 25 Jun 2026 19:36:38 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-29 18:24:25.29728
Title: Aloe-Vision: Robust Vision-Language Models for Healthcare
Title（参考訳）: Aloe-Vision:医療のためのロバストなビジョンランゲージモデル
Abstract要約: 医療に特化したLVLM(Large Vision-Language Models)が、将来性のある研究方向として浮上している。しかし、進歩は、高品質な医療マルチモーダルデータの不足、安全クリティカルな設定の堅牢性への懸念、狭く汚染される可能性のある評価ベンチマークによって制限されている。この研究は、マルチモーダルとテキストのみのソースをまたいだ医療ドメインと一般ドメインの両方を統合する、大規模で高品質なフィルタデータであるAloe-Vision-Dataを導入している。
参考スコア（独自算出の注目度）: 4.974285692877258
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Large Vision-Language Models (LVLMs) specialized in healthcare are emerging as a promising research direction due to their potential impact in clinical and biomedical applications. However, progress is constrained by the scarcity of high-quality medical multimodal data, concerns about robustness in safety-critical settings, and the narrow and potentially contaminated evaluation benchmarks that limit reliable assessment. To address these issues, the field requires state-of-the-art solutions to be fully open and reproducible systems in which all components can be inspected, evaluated, and improved. This work introduces Aloe-Vision-Data, a large-scale, quality-filtered mixture which integrates both medical and general domains across multimodal and text-only sources, designed for direct use in model fine-tuning. Building on this dataset, we train the Aloe-Vision family of medical LVLMs, openly released with full weights, training recipes and data, in two scales (7B and 72B). Through comprehensive benchmarking, we demonstrate that high quality training mixtures produce balanced LVLMs which yield significant gains over the baseline models without compromising general capabilities, achieving competitive performance with respect to state-of-the-art alternatives. To support reliable evaluation, we introduce CareQA-Vision, a carefully curated vision benchmark derived from MIR and EIR exams, the residency entrance exams for medical and nursing specialists in Spain, offering novel vision questions with low likelihood of contamination. Finally, we show that current LVLMs remain vulnerable to adversarial and misleading inputs, underscoring reliability challenges in clinical contexts.
Abstract（参考訳）: 医療に特化したLVLM(Large Vision-Language Models)は,臨床・バイオメディカル応用における潜在的な影響から,将来的な研究の方向性として浮上している。しかし、進歩は、高品質な医療マルチモーダルデータの不足、安全クリティカルな設定の堅牢性への懸念、信頼性評価を制限する狭く汚染された評価ベンチマークによって制限されている。これらの問題に対処するためには、すべてのコンポーネントを検査、評価、改善可能な、完全にオープンで再現可能なシステムを実現するための最先端のソリューションが必要である。この研究は、マルチモーダルおよびテキストのみのソースをまたいだ医療ドメインと一般ドメインを統合し、モデルファインチューニングで直接使用するために設計された、大規模で高品質なフィルタデータであるAloe-Vision-Dataを紹介した。このデータセットに基づいて、フルウェイトとトレーニングのレシピとデータを2つのスケール(7Bと72B)で公開リリースする医療用LVLMのAloe-Visionファミリーをトレーニングします。総合的なベンチマークにより、高品質な学習混合物がバランスの取れたLVLMを生成し、汎用性を損なうことなく、最先端の代替品に対する競争性能を達成できることを示した。信頼性評価を支援するため,スペインにおける医療・看護専門医の在院試験であるMIRおよびEIR試験から得られた注意深く評価された視力評価指標であるCareQA-Visionを導入し,汚染の可能性が低い新しい視力検査を行った。最後に,現在のLVLMは,臨床コンテキストにおける信頼性の課題を浮き彫りにして,敵意や誤解を招く入力に対して脆弱なままであることを示す。

関連論文リスト

MMBU: A Massive Multi-modal Biomedical Understanding Benchmark to Probe the Perception Capabilities of Vision-Language Models [83.50100003741628]
ビジョンと言語モデル(VLM)は、バイオメディカルイメージングを変革する大きな可能性を秘めている。本稿では,MMBU(Massive Multimodal Biomedical Understanding)ベンチマークを紹介する。今までで最大のビジョンと言語ベンチマークで、35のサブモダリティと豊富な構造化メタデータをカバーしている。
論文参考訳（メタデータ） (2026-06-04T20:24:47Z)
MedAlign: A Synergistic Framework of Multimodal Preference Optimization and Federated Meta-Cognitive Reasoning [52.064286116035134]
我々はMed-VQA(Med-VQA)のための視覚的LVLM応答を保証するフレームワークであるMedAlignを開発した。まず、優先学習を視覚的コンテキストに合わせるために、マルチモーダルな直接選好最適化(mDPO)の目的を提案する。次に、画像とテキストの類似性を生かし、クエリを専門的でコンテキスト拡張されたLVLMにルーティングする検索型混合処理(RA-MoE)アーキテクチャを設計する。
論文参考訳（メタデータ） (2025-10-24T02:11:05Z)
MedRepBench: A Comprehensive Benchmark for Medical Report Interpretation [2.3251933592942247]
私たちはMedRepBenchを紹介します。MedRepBenchは、1,900の特定されていない現実の中国の医療レポートから構築された総合的なベンチマークです。このベンチマークは主に、構造化された医療報告理解のためのエンドツーエンドのVLMを評価するために設計されている。また、OCR+LLMパイプラインは、高いパフォーマンスにもかかわらず、レイアウトのブラインドネスとレイテンシの問題に悩まされていることも観察した。
論文参考訳（メタデータ） (2025-08-21T07:52:45Z)
How Far Have Medical Vision-Language Models Come? A Comprehensive Benchmarking Study [16.84832179579428]
VLM(Vision-Language Models)は、Webスケールのコーパスを訓練し、自然画像のタスクに優れ、医療に利用されつつある。本稿では,8つのベンチマークを用いて,オープンソース汎用および医療専門のVLMの総合評価を行う。まず、大規模な汎用モデルは、いくつかのベンチマークで、すでに医学固有のモデルと一致しているか、あるいは超えている。第二に、推論のパフォーマンスは理解よりも一貫して低く、安全な意思決定支援にとって重要な障壁を強調します。
論文参考訳（メタデータ） (2025-07-15T11:12:39Z)
Uncertainty-Driven Expert Control: Enhancing the Reliability of Medical Vision-Language Models [52.2001050216955]
既存の方法は、モデル構造を調整したり、高品質なデータで微調整したり、好みの微調整によって、医療ビジョン言語モデル(MedVLM)の性能を向上させることを目的としている。我々は,MedVLMと臨床専門知識の連携を図るために,Expert-Controlled-Free Guidance (Expert-CFG) という,ループ内のエキスパート・イン・ザ・ループフレームワークを提案する。
論文参考訳（メタデータ） (2025-07-12T09:03:30Z)
On the Robustness of Medical Vision-Language Models: Are they Truly Generalizable? [0.9626666671366837]
我々は、複数の医療画像データセットに複数の摂動を適用した汚職ベンチマークであるMediMeta-Cを紹介する。本稿では,事前訓練されたMVLMの視覚的エンコーダ適応であるRobustMedCLIPを提案する。
論文参考訳（メタデータ） (2025-05-21T12:08:31Z)
Med-CoDE: Medical Critique based Disagreement Evaluation Framework [72.42301910238861]
医学的文脈における大きな言語モデル(LLM)の信頼性と精度は依然として重要な懸念点である。現在の評価手法はロバスト性に欠けることが多く、LLMの性能を総合的に評価することができない。我々は,これらの課題に対処するために,医療用LCMの特別設計評価フレームワークであるMed-CoDEを提案する。
論文参考訳（メタデータ） (2025-04-21T16:51:11Z)
Vision Language Models in Medicine [3.964982657945488]
Medical Vision-Language Models (Med-VLMs) は、医療結果を改善するために、視覚データとテキストデータを統合している。 Med-VLMs が臨床, 教育, 患者医療に与える影響を強調した。データ不足、タスクの一般化、解釈可能性の問題、公平性、説明責任、プライバシといった倫理的懸念といった課題が強調されます。今後の方向性には、大規模で多様なデータセットの活用、クロスモーダルな一般化の改善、解釈可能性の向上などが含まれる。
論文参考訳（メタデータ） (2025-02-24T22:53:22Z)
Comprehensive and Practical Evaluation of Retrieval-Augmented Generation Systems for Medical Question Answering [70.44269982045415]
Retrieval-augmented Generation (RAG) は,大規模言語モデル (LLM) の性能向上のための有望なアプローチとして登場した。医療用QAデータセットに様々な補助的要素を提供するMedRGB(MedRGB)を導入する。実験結果から,検索した文書のノイズや誤情報の処理能力に限界があることが判明した。
論文参考訳（メタデータ） (2024-11-14T06:19:18Z)
GMAI-MMBench: A Comprehensive Multimodal Evaluation Benchmark Towards General Medical AI [67.09501109871351]
LVLM(Large Vision-Language Model)は、画像、テキスト、生理学的信号などの多様なデータタイプを扱うことができる。 GMAI-MMBenchは、よく分類されたデータ構造と、これまででもっとも包括的な一般医療用AIベンチマークである。 38の医療画像モダリティ、18の臨床関連タスク、18の部門、視覚質問回答(VQA)フォーマットの4つの知覚的粒度からなる284のデータセットで構成されている。
論文参考訳（メタデータ） (2024-08-06T17:59:21Z)
A Toolbox for Surfacing Health Equity Harms and Biases in Large Language Models [20.11590976578911]
大規模言語モデル(LLM)は、複雑な健康情報のニーズを満たすことを約束すると同時に、健康格差を悪化させる可能性がある。エクイティ関連モデル失敗の信頼性評価は、ヘルスエクイティを促進するシステムを開発するための重要なステップである。医学的問題に対するLLMによる長期的回答において、株式関連害を生じさせる可能性のあるバイアスを克服するためのリソースと方法論を提示する。
論文参考訳（メタデータ） (2024-03-18T17:56:37Z)
OmniMedVQA: A New Large-Scale Comprehensive Evaluation Benchmark for Medical LVLM [48.16696073640864]
我々は,新しい包括的ビジュアル質問回答(VQA)ベンチマークであるOmniMedVQAを紹介する。このベンチマークのすべての画像は、本物の医療シナリオから得られたものです。既存のLVLMはこれらの医療用VQA問題に効果的に取り組むのに苦労していることがわかった。
論文参考訳（メタデータ） (2024-02-14T13:51:56Z)

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。