論文の概要: Benchmarking the Robustness of Foundation Models for Mammography under Domain Shift

• arxiv url: http://arxiv.org/abs/2607.10358v1
• Date: Sat, 11 Jul 2026 15:31:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 15:40:48.400821
• Title: Benchmarking the Robustness of Foundation Models for Mammography under Domain Shift
• Title（参考訳）: ドメインシフト下におけるマンモグラフィの基礎モデルのロバスト性の評価
• Abstract要約: 乳腺密度, BI-RADS重症度, 癌状態の15の基盤モデルバックボーンをベンチマークした。 ラベル調和後の12のタスク互換アウト・オブ・ディストリビューション(OOD)データセットについて検討した。
• 参考スコア（独自算出の注目度）: 12.713364559334131
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Foundation models are increasingly used as image feature extractors for mammography, but their robustness under external domain shift remains unclear. We benchmark 15 foundation-model backbones across breast density, BI-RADS severity, and cancer status using a unified frozen-backbone linear-probe protocol, training on 3 source datasets and evaluating on 12 task-compatible out-of-distribution (OOD) datasets after label harmonization. Mammography-specific vision-language models (Mammo-FM and MaMA) provide the strongest mean OOD performance, but robustness is not explained by mammography exposure alone. DINOv3 remains a competitive vision-only baseline, and mammography-adapted pretraining does not consistently improve generalization. Dataset-level analysis further shows that even leading models show heterogeneous performance across datasets. Feature-space inspection reveals that useful representations can preserve clinical signal while retaining dataset and acquisition structure. These findings highlight dataset-level OOD evaluation as a central criterion for assessing mammography representations. Our code is publicly available: https://github.com/biomedia-mira/mammo-ood.
• Abstract（参考訳）: ファンデーションモデルはマンモグラフィーのための画像特徴抽出器としてますます利用されているが、外部領域シフト下での堅牢性はいまだ不明である。 胸腺密度, BI-RADS重症度, 癌状態に関する15の基盤モデルバックボーンを, 統合されたフリーズバックボーンリニアプローブプロトコルを用いてベンチマークし, 3つのソースデータセットのトレーニングを行い, ラベル調和後の12のタスク互換アウト・オブ・ディストリビューション(OOD)データセットの評価を行った。 マンモグラフィー特異的視覚言語モデル (Mammo-FM と MaMA) はOOD性能が最強であるが, マンモグラフィ曝露だけではロバスト性は説明できない。 DINOv3は、競争力のある視力のみのベースラインであり、マンモグラフィーに適応した事前訓練は、常に一般化を改善していない。 データセットレベルの分析はさらに、先頭モデルでさえデータセット間の不均一なパフォーマンスを示していることを示している。 特徴空間検査は、有用な表現が、データセットと取得構造を維持しながら臨床信号を保存できることを明らかにする。 これらの知見は,マンモグラフィーの表現評価における中心的基準として,データセットレベルのOOD評価を強調した。 私たちのコードは、https://github.com/biomedia-mira/mammo-ood.comで公開されています。

関連論文リスト

• Dataset-Origin Signatures and Shortcut Learning in Screening Mammography AI: A Cross-Dataset Case Study [0.0]
  異常に富んだ外部データセットから生検確認された症例を補足すると,性能が向上するかどうかを検討した。 我々は,Mammo-CLIP重み付き効率の良いNet-B5エンコーダを,一貫した前処理下で凍結線形プローブとして評価した。
  論文  参考訳（メタデータ） (2026-07-16T19:41:48Z)
• BenchX: Benchmarking AI Models for Cancer Detection and Localization with Demographic and Protocol Biases [59.19934491064188]
  人工知能(AI)は医療画像において顕著な成功を収めた。 これらのモデルは、実世界の臨床環境において矛盾なく機能することが多い。 我々は,12種類の腫瘍検出AIモデルを体系的に評価する85,355個のCTスキャンのベンチマークを開発した。
  論文  参考訳（メタデータ） (2026-06-23T17:58:59Z)
• SHAPE: Structure-aware Hierarchical Unsupervised Domain Adaptation with Plausibility Evaluation for Medical Image Segmentation [7.174788000625294]
  非教師付きドメイン適応(Unsupervised Domain Adaptation, UDA)は、様々な臨床環境に医療セグメンテーションモデルを配置するために不可欠である。 SHAPE(Structure-Aware Hierarchical Unsupervised Domain Adaptation with Plausibility Evaluation)は、グローバルな解剖学的妥当性に対する適応を再構築するフレームワークである。
  論文  参考訳（メタデータ） (2026-03-23T12:25:56Z)
• 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)
• Benchmarking CXR Foundation Models With Publicly Available MIMIC-CXR and NIH-CXR14 Datasets [0.35441912284181126]
  この研究は、パブリックMIMIC-CRとNIH ChestX-ray14データセットに2つの大規模胸部X線埋め込みモデル(CXR)をベンチマークする。 トレーニング済みエンコーダから直接埋め込みを抽出し,複数ラベルの軽量LightGBM分類器を訓練し,平均AUROC,F1スコアを95%の信頼区間で報告した。
  論文  参考訳（メタデータ） (2025-12-03T12:55:44Z)
• Unified Supervision For Vision-Language Modeling in 3D Computed Tomography [1.4193731654133002]
  汎用視覚言語モデル(VLM)は放射線学において有望なツールとして登場し、ゼロショット機能を提供している。 診断放射線学のような高度な領域では、これらのモデルは信頼できる臨床使用に必要な識別精度を欠いていることが多い。 分類ラベルやセグメンテーションマスクにエンコードされた多種多様な監視信号を統合するボリュームVLMであるUniferumを,単一のトレーニングフレームワークに導入する。
  論文  参考訳（メタデータ） (2025-09-01T15:30:17Z)
• PRETI: Patient-Aware Retinal Foundation Model via Metadata-Guided Representation Learning [3.771396977579353]
  PreTIは、メタデータ認識学習と堅牢な自己教師付き表現学習を統合した網膜基盤モデルである。 患者レベルのデータペアを構築し、同一人物の画像を関連付けることにより、非臨床的変動に対する堅牢性を向上させる。 実験では、PreTIは様々な疾患やバイオマーカー予測にまたがって最先端の結果を達成することを示した。
  論文  参考訳（メタデータ） (2025-05-18T04:59:03Z)
• GLIP-OOD: Zero-Shot Graph OOD Detection with Graph Foundation Model [43.848482407777766]
  アウト・オブ・ディストリビューション(OOD)検出は、機械学習システムの安全性と信頼性を保証するために重要である。 本研究では,グラフ基礎モデル(GFM)を利用したゼロショットグラフOOD検出の実現に向けた第一歩を踏み出す。 GLIP-OOD は LLM を用いてラベルのないデータから意味的に意味のある擬似OOD ラベルを生成するフレームワークである。
  論文  参考訳（メタデータ） (2025-04-29T21:42:54Z)
• Revisiting Automatic Data Curation for Vision Foundation Models in Digital Pathology [41.34847597178388]
  視覚基盤モデル(FM)は、全スライディング画像から抽出された高度に異質なタイルの組織学的特徴を表現することを学ぶ。 タイルレベルでの教師なし自動データキュレーションの可能性について検討し,3億5000万個のタイルを考慮に入れた。
  論文  参考訳（メタデータ） (2025-03-24T14:23:48Z)
• On the Out of Distribution Robustness of Foundation Models in Medical Image Segmentation [47.95611203419802]
  視覚と言語の基礎は、様々な自然画像とテキストデータに基づいて事前訓練されており、有望なアプローチとして現れている。 一般化性能を,同じ分布データセット上で微調整した後,事前学習した各種モデルの未確認領域と比較した。 さらに,凍結モデルに対する新しいベイズ不確実性推定法を開発し,分布外データに基づくモデルの性能評価指標として利用した。
  論文  参考訳（メタデータ） (2023-11-18T14:52:10Z)
• GOOD-D: On Unsupervised Graph Out-Of-Distribution Detection [67.90365841083951]
  我々は,OODグラフを検出するための新しいグラフコントラスト学習フレームワークGOOD-Dを開発した。 GOOD-Dは、潜在IDパターンをキャプチャし、異なる粒度のセマンティック不整合に基づいてOODグラフを正確に検出することができる。 教師なしグラフレベルのOOD検出における先駆的な研究として,提案手法と最先端手法を比較した総合的なベンチマークを構築した。
  論文  参考訳（メタデータ） (2022-11-08T12:41:58Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)
• An interpretable classifier for high-resolution breast cancer screening images utilizing weakly supervised localization [45.00998416720726]
  医用画像の特徴に対処する枠組みを提案する。 このモデルはまず、画像全体の低容量だがメモリ効率のよいネットワークを使用して、最も情報性の高い領域を識別する。 次に、選択したリージョンから詳細を収集するために、別の高容量ネットワークを適用します。 最後に、グローバルおよびローカル情報を集約して最終的な予測を行うフュージョンモジュールを使用する。
  論文  参考訳（メタデータ） (2020-02-13T15:28:42Z)

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。