論文の概要: Self-supervision drives representational convergence in medical foundation models more than clinical supervision

• arxiv url: http://arxiv.org/abs/2607.20274v1
• Date: Wed, 22 Jul 2026 15:25:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-23 18:51:38.132004
• Title: Self-supervision drives representational convergence in medical foundation models more than clinical supervision
• Title（参考訳）: セルフスーパービジョンは臨床監督以上の医療基礎モデルの表現収束を促進する
• Abstract要約: 画像18枚とテキストエンコーダ7枚を対象とし,7Mから27Bのパラメータと5つの画像モダリティにまたがる全オープンウェイトでローカルに実行した。 我々は、固定データ、アーキテクチャ、スケールの目的のみが異なるエンコーダを訓練し、その効果を合成モデルで再現する。 収束性は軽度だが、ランダムな床の上にあり、自己監督目的によって駆動され、臨床監督ではない。
• 参考スコア（独自算出の注目度）: 2.8356496885865017
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Medical image encoders from different groups are increasingly treated as interchangeable, on the assumption that scale and clinical supervision concentrate their representations onto a shared structure. Whether this convergence is real, what produces it, and whether it is clinically usable are untested, and the similarity measures behind such claims are fragile. We present a controlled dissection across 18 image and 7 text encoders, all open-weight and run locally, spanning 7M to 27B parameters and five imaging modalities, including 650,982 chest radiographs from six datasets. To isolate cause, we train encoders that vary only the objective under fixed data, architecture, and scale, and reproduce the effect in a synthetic model. Convergence is modest but above a random floor, driven by the self-supervised objective, not clinical supervision: matched self-supervised encoders aligned most (40.4% on chest radiography), with label-supervised (21.1%) and image-text (3.3%) far lower, and did not grow with size (Spearman 0.302, p=0.223) or capability. It is within-modality, does not reach clinical language, and does not reproduce how radiologists judge case similarity. Yet a linear classifier transfers across encoders and to five held-out hospitals, retaining about 85% of within-encoder performance. Convergence in medical imaging is therefore set by the pretraining objective, not inherited from scale or clinical supervision. Interoperability is accordingly something to design for through that objective, and to validate where the shared geometry is weakest, across patient subgroups and against clinical judgment.
• Abstract（参考訳）: 異なるグループの医療画像エンコーダは、スケールと臨床監督が共有構造にその表現を集中させるという前提で、交換可能なものとして扱われることが多い。 この収束が本物か、何を生み出すか、臨床的に有用かは未確認であり、そのような主張の背景にある類似性は脆弱である。 6つのデータセットから得られた650,982個の胸部X線写真を含む,7Mから27Bのパラメータと5つの画像モダリティにまたがる,すべてのオープンウェイトでローカルに実行される,18の画像と7つのテキストエンコーダの制御された解剖を提示する。 原因を分離するために、固定データ、アーキテクチャ、スケールで目的だけが異なるエンコーダを訓練し、その効果を合成モデルで再現する。 一致した自己監督エンコーダが最も多く(胸部X線撮影では40.4%)、ラベル管理された(21.1%)と画像テキスト(3.3%)がはるかに低く、サイズ(Spearman 0.302, p=0.223)で成長しなかった(Spearman 0.302, p=0.223)。 モダリティ内であり、臨床言語に到達せず、放射線学者が類似性をどう判断するかを再現しない。 しかし、線形分類器はエンコーダをまたいで5つの保留病院に移動し、エンコーダ内性能の約85%を維持している。 したがって、医用画像の収束は、スケールや臨床監督から受け継がれていない事前訓練目的によって設定される。 したがって、相互運用性は、その目的を通じて設計し、共有された幾何学が最も弱い場所を、患者サブグループ間で、臨床判断に対して検証するものである。

関連論文リスト

• Anatomical Grounding and Leakage-Aware Multimodal Contrastive Learning for Alzheimer's Disease Classification from Structural MRI [0.0]
  アルツハイマー病の構造MRIで訓練されたディープネットワークは、解剖学的に無関係な領域に到達しながら、妥当な精度に達することが多い。 我々は解剖学的参照としてFastSurferセグメンテーションを使用します。 私たちは、CLIPスタイルのイメージに適応し、ラベルリードスペクトルに沿ってADNIMERGE変数を整理する。
  論文  参考訳（メタデータ） (2026-09-14T17:13:12Z)
• Do Medical Vision Models Reason About Anatomy? Probing the Spatial Inductive Biases of Learned Visual Representations [0.0]
  腹腔鏡下腹腔鏡下SPAR-Bench (SPAR-Bench) を作製した。 5つのアーキテクチャ構成と3つの医療基盤モデルに適用し、凍結して微調整します。 これらのエンコーダは、臓器が通常どこにあるかの地図を持ち、特定の患者の構造を比較するための機械をほとんど持っていないことを示唆している。
  論文  参考訳（メタデータ） (2026-08-28T08:59:27Z)
• Rethinking Artificial Intelligence in Medical Imaging: Assumptions, Reality, and Reframing [29.25526289599026]
  激しい研究の10年は、ベッドサイドの影響に比例しない、と我々は主張する。 このパースペクティブは、この不整合の6つの相互接続次元を識別する。 本稿では,臨床判断を置き換えるのではなく,AIを拡張できるエージェント型医用AIのビジョンを提案する。
  論文  参考訳（メタデータ） (2026-07-29T19:55:49Z)
• A Vision-language Framework for Comparative Reasoning in Radiology [68.52471827773482]
  我々は,放射線学的比較を実体認識のクロスイメージ推論問題として定式化する。 我々は,日常的な画像とレポートのペアから得られた大規模比較画像資源を構築した。 臨床類似症例の検索を制御可能なエンティティ対応ビジュアルエンコーダであるMedReCoを開発した。
  論文  参考訳（メタデータ） (2026-06-04T17:12:47Z)
• Methodology for Creating a Clinically Verified Dermoscopic Image Dataset [0.0]
  本研究は,医療情報学研究のための皮膚内視鏡画像の臨床的に検証されたデータセットを構築するための方法論を提案する。 国際コレクションは主に、通常のロシアの外来診療と移動皮膚内視鏡とは大きく異なる条件下で作成されました。 この手法を用いて,2025年6月から2026年5月までに443人の患者から1,026個の皮膚内視鏡像を収集した。 病理組織学的には39例の悪性病変がみられた。
  論文  参考訳（メタデータ） (2026-05-24T16:56:47Z)
• TriALS: Triphasic-Aided Liver Lesion Segmentation Benchmark in Non-Contrast CT [49.93685997940356]
  コントラスト制限条件下での肝病変の自動分節に対するTriALSの課題について述べる。 最高性能は平均静脈圧0.754で, NCCTでは0.57に低下した。 アルゴリズムの性能は、トレーニングデータスケールと事前学習戦略によって最も強く予測された。
  論文  参考訳（メタデータ） (2026-05-15T19:23:35Z)
• Cerebra: A Multidisciplinary AI Board for Multimodal Dementia Characterization and Risk Assessment [56.62016795093786]
  CerebraはインタラクティブなマルチエージェントAIチームで、ERH、臨床ノート、医療画像分析のための特殊エージェントをコーディネートする。 構造化された表現を操作することで、プライバシ保護デプロイメントをサポートし、モダリティが不完全であれば、堅牢である。 Cerebraは、有識者のパフォーマンスを著しく改善し、前向き認知症リスク推定において精度を17.5ポイント向上させた。
  論文  参考訳（メタデータ） (2026-03-23T05:46:45Z)
• Performance of a Deep Learning-Based Segmentation Model for Pancreatic Tumors on Public Endoscopic Ultrasound Datasets [2.925528117330222]
  膵癌は最も攻撃的ながんの1つであり、生存率も低い。 本研究では, 膵腫瘍に対するVision Transformerを用いたディープラーニングセグメンテーションモデルについて検討した。
  論文  参考訳（メタデータ） (2026-01-09T16:48:50Z)
• Click, Predict, Trust: Clinician-in-the-Loop AI Segmentation for Lung Cancer CT-Based Prognosis within the Knowledge-to-Action Framework [0.7340285482623061]
  肺がんは依然としてがん死亡の主な原因であり、CT像はスクリーニング、予後、治療の中心となっている。 ディープラーニング(DL)は自動化を提供するが、臨床導入の障壁に直面している。 本研究は, 診断精度, 臨床信頼度を高めるために, ループ内DLパイプラインを開発した。
  論文  参考訳（メタデータ） (2025-10-19T23:02:43Z)
• TotalSegmentator MRI: Robust Sequence-independent Segmentation of Multiple Anatomic Structures in MRI [59.86827659781022]
  nnU-Netモデル(TotalSegmentator)をMRIおよび80原子構造で訓練した。 予測されたセグメンテーションと専門家基準セグメンテーションとの間には,ディススコアが算出され,モデル性能が評価された。 オープンソースで使いやすいモデルは、80構造の自動的で堅牢なセグメンテーションを可能にする。
  論文  参考訳（メタデータ） (2024-05-29T20:15:54Z)
• Rethinking Semi-Supervised Medical Image Segmentation: A Variance-Reduction Perspective [51.70661197256033]
  医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。 まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。 5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
  論文  参考訳（メタデータ） (2023-02-03T13:50:25Z)
• Significantly improving zero-shot X-ray pathology classification via fine-tuning pre-trained image-text encoders [50.689585476660554]
  本稿では,正対損失緩和とランダムな文サンプリングを含む新たな微調整手法を提案する。 提案手法は,胸部X線データセットと3つの事前訓練モデル間のゼロショット病理分類を一貫して改善する。
  論文  参考訳（メタデータ） (2022-12-14T06:04:18Z)
• Malignancy Prediction and Lesion Identification from Clinical Dermatological Images [65.1629311281062]
  臨床皮膚画像から機械学習に基づく悪性度予測と病変の同定を検討する。 まず, サブタイプや悪性度に関わらず画像に存在するすべての病変を同定し, その悪性度を推定し, 凝集により, 画像レベルの悪性度も生成する。
  論文  参考訳（メタデータ） (2021-04-02T20:52:05Z)
• Chest x-ray automated triage: a semiologic approach designed for clinical implementation, exploiting different types of labels through a combination of four Deep Learning architectures [83.48996461770017]
  本研究では,異なる畳み込みアーキテクチャの後期融合に基づく深層学習手法を提案する。 公開胸部x線画像と機関アーカイブを組み合わせたトレーニングデータセットを4つ構築した。 4つの異なるディープラーニングアーキテクチャをトレーニングし、それらのアウトプットとレイトフュージョン戦略を組み合わせることで、統一されたツールを得ました。
  論文  参考訳（メタデータ） (2020-12-23T14:38:35Z)

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。