論文の概要: An Empirical Analysis of Continual Learning for Heterogeneous Medical Visual Question Answering

• arxiv url: http://arxiv.org/abs/2607.12048v1
• Date: Mon, 13 Jul 2026 18:08:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-15 17:08:29.928187
• Title: An Empirical Analysis of Continual Learning for Heterogeneous Medical Visual Question Answering
• Title（参考訳）: 不均一な医用視覚質問応答に対する継続学習の実証分析
• Abstract要約: 医用視覚質問応答システムの現実的な臨床環境への展開には、これまで習得した知識を忘れずに新しい臨床業務に適応するモデルが必要である。継続学習(CL)は、この設定のための実践的な枠組みを提供する。 本研究は, 分類, 多ラベル分類, 検出, 細胞数, 報告生成など, 様々な臨床目的において, MedVQAのCLを体系的に評価するものである。 具体的には,(1)カタストロフィックな忘れを緩和する既存のCL手法の能力,(2)タスクオーダに対する感受性,(2)タスクシーケンスの違いがパフォーマンスの保持と忘れにどのように影響するか,(3)新しいタスクが学習されたときの低ランク適応パラメータの進化について検討する。
• 参考スコア（独自算出の注目度）: 2.0240196957224703
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deploying medical visual question answering (MedVQA) systems in real-world clinical settings requires models that adapt to new clinical tasks without forgetting previously acquired knowledge. Continual learning (CL) provides a practical framework for this setting. Despite rapid progress in medical vision-language models, the behavior of CL methods when training these models across heterogeneous MedVQA tasks remains underexplored. This work presents a systematic evaluation of CL for MedVQA across diverse clinical objectives, including classification, multi-label classification, detection, cell counting, and report generation. Specifically, we explore (1) the ability of existing CL methods to mitigate catastrophic forgetting; (2) their sensitivity to task ordering, analyzing how different task sequences influence performance retention and forgetting; and (3) the evolution of low-rank adaptation parameters as new tasks are learned, revealing patterns of weight drift under different CL methods. Our findings suggest that existing CL methods struggle to maintain stability-plasticity balance when tasks with different objectives and supervision formats are interleaved. Code and full experimental setup will be publicly available.
• Abstract（参考訳）: 医用視覚質問応答システム(MedVQA)を現実の臨床環境に配置するには、以前に取得した知識を忘れることなく、新しい臨床タスクに適応するモデルが必要である。 継続的学習(CL)はこの設定のための実践的なフレームワークを提供する。 医療ビジョン言語モデルの急速な進歩にもかかわらず、不均一なMedVQAタスクでこれらのモデルを訓練する際のCLメソッドの挙動は未解明のままである。 本研究は, 分類, 多ラベル分類, 検出, 細胞数, 報告生成など, 様々な臨床目的において, MedVQAのCLを体系的に評価するものである。 具体的には,(1)カタストロフィックな忘れを緩和する既存のCL手法の能力,(2)タスクの順序に対する感受性,(2)タスクシーケンスの違いがパフォーマンスの保持と忘れにどのように影響するか,(3)新しいタスクが学習されたときの低ランク適応パラメータの進化,(3)異なるCL手法の下での重量移動パターンを明らかにする。 その結果,既存のCL手法は,異なる目的や監督形態のタスクがインターリーブされた場合に,安定性と塑性のバランスを維持するのに苦労していることが示唆された。 コードと完全な実験的なセットアップが公開される。

関連論文リスト

• A Machine Learning-Based Framework for Discovering Huntington's Disease Stages: Integrating Graph Representation Learning and clustering to Uncover Progression Dynamics in Longitudinal Enroll-HD Dataset [1.9449105330280387]
  ハンティントン病(英: Huntington's disease、HD)は、運動、認知機能、行動に徐々に影響を及ぼす進行性脳障害である。 我々は,動的グラフ表現学習に基づく教師なし機械学習フレームワークを開発し,患者内および患者間の時間的関係を捉える。 本フレームワークをEnroll-HDコホートから302名(訪問1,477名,訪問44名,参加者80%)に適用し,HDステージのデータ駆動による発見を可能にした。
  論文  参考訳（メタデータ） (2026-06-04T14:04:04Z)
• Bi-CRCL: Bidirectional Conservative-Radical Complementary Learning with Pre-trained Foundation Models for Class-incremental Medical Image Analysis [35.9133156067447]
  医用画像誘導診断におけるクラスインクリメンタルラーニング(CIL)は、新たに出現する疾患のカテゴリに適応しつつ、事前診断知識を維持する必要がある。 補完学習システムにインスパイアされた二重学習フレームワークBi-CRCLを提案する。 5つの医用画像データセットの実験では、様々な条件下での最先端の手法に対する一貫した改善が示されている。
  論文  参考訳（メタデータ） (2026-03-24T21:25:05Z)
• The Taxonomies, Training, and Applications of Event Stream Modelling for Electronic Health Records [6.63303513347406]
  EHRは、医療における人工知能の変革的ポテンシャルを提供する。 従来のモデリングアプローチは、実世界の臨床データの本質的にの空間性と不規則性に対応するのに苦労することが多い。 研究は、患者の記録を連続的なシーケンスとして扱うイベントストリーム表現に移行した。
  論文  参考訳（メタデータ） (2026-03-14T16:08:30Z)
• Benchmarking Egocentric Clinical Intent Understanding Capability for Medical Multimodal Large Language Models [48.95516224614331]
  MedGaze-Benchは、臨床医の視線を認知的カーソルとして活用し、手術、緊急シミュレーション、診断解釈における意図的理解を評価する最初のベンチマークである。 本ベンチマークでは,解剖学的構造の視覚的均一性,臨床における時間・因果依存性の厳格化,安全プロトコルへの暗黙の順守という3つの基本的な課題に対処する。
  論文  参考訳（メタデータ） (2026-01-11T02:20:40Z)
• MedPEFT-CL: Dual-Phase Parameter-Efficient Continual Learning with Medical Semantic Adapter and Bidirectional Memory Consolidation [0.0]
  医用視覚言語セグメンテーションモデルは、新しい解剖学的構造に適応する際の破滅的な忘れ込みに悩まされる。 MedPEFT-CLは、新しいタスクの効率的な学習と過去の知識の保存の両方に対処するパラメータ効率のよい連続学習フレームワークである。 本研究の主な貢献は,(1)新しい医療課題の効率的な学習を可能にするセマンティック・アクセプション・アロケーション・メカニズム,(2)クロスモーダル・ラーニングを維持しながらトレーニング可能なパラメータを著しく削減するバイモーダル・ロラ適応,(3)以前の医療課題から破滅的な忘れを抑える双方向のフィッシャー・メモリ・コーディネーションである。
  論文  参考訳（メタデータ） (2025-11-21T03:39:48Z)
• Structured Outputs Enable General-Purpose LLMs to be Medical Experts [50.02627258858336]
  大規模言語モデル(LLM)は、しばしばオープンエンドの医学的問題に苦しむ。 本稿では,構造化医療推論を利用した新しいアプローチを提案する。 我々の手法は85.8のファクチュアリティスコアを達成し、微調整されたモデルを上回る。
  論文  参考訳（メタデータ） (2025-03-05T05:24:55Z)
• Continual Learning Should Move Beyond Incremental Classification [51.23416308775444]
  連続学習(Continuous Learning, CL)は、動的環境における知識の蓄積に関わる機械学習のサブフィールドである。 ここでは、このような焦点を維持することは、CL法の理論的発展と実践的適用性の両方を制限すると論じる。 C1) 学習課題における連続性の性質,(C2) 類似性を測定するための適切な空間とメトリクスの選択,(C3) 学習目標が分類を超えた役割である。
  論文  参考訳（メタデータ） (2025-02-17T15:40:13Z)
• Medchain: Bridging the Gap Between LLM Agents and Clinical Practice with Interactive Sequence [68.05876437208505]
  臨床ワークフローの5つの重要な段階をカバーする12,163の臨床症例のデータセットであるMedChainを提示する。 フィードバック機構とMCase-RAGモジュールを統合したAIシステムであるMedChain-Agentも提案する。
  論文  参考訳（メタデータ） (2024-12-02T15:25:02Z)
• Fairness Evolution in Continual Learning for Medical Imaging [47.52603262576663]
  本研究では、ドメイン固有の公平度指標を用いてタスク間でバイアスがどのように進化し、異なるCL戦略がこの進化にどのように影響するかを検討する。 以上の結果から,擬似ラベルと擬似ラベルの学習は最適分類性能を実現するが,擬似ラベルの偏りは小さいことが示唆された。
  論文  参考訳（メタデータ） (2024-04-10T09:48:52Z)
• LLM-Assisted Multi-Teacher Continual Learning for Visual Question Answering in Robotic Surgery [57.358568111574314]
  患者のデータのプライバシは、モデル更新時に古いデータの可用性を制限することが多い。 CL研究は外科領域で2つの重要な問題を見落としていた。 本稿では,多モーダル大規模言語モデル (LLM) と適応重み付け手法を用いて,これらの問題に対処することを提案する。
  論文  参考訳（メタデータ） (2024-02-26T15:35:24Z)
• CLIP in Medical Imaging: A Survey [59.429714742927956]
  コントラスト言語-画像事前学習は、視覚モデルにテキスト管理を導入することに成功している。 CLIPの使用は最近、医療画像領域への関心が高まっている。
  論文  参考訳（メタデータ） (2023-12-12T15:21:57Z)
• LifeLonger: A Benchmark for Continual Disease Classification [59.13735398630546]
  MedMNISTコレクションの連続的な疾患分類のためのベンチマークであるLifeLongerを紹介する。 タスクとクラスでの病気の漸進的な学習は、モデルをスクラッチから再トレーニングすることなく、新しいサンプルを分類する問題に対処する。 クロスドメインインクリメンタル学習は、これまで得られた知識を維持しながら、異なる機関から派生したデータセットを扱う問題に対処する。
  論文  参考訳（メタデータ） (2022-04-12T12:25:05Z)

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。