Fugu-MT 論文翻訳(概要): LoMeVQA: A Comprehensive Benchmark for Longitudinal Medical VQA

論文の概要: LoMeVQA: A Comprehensive Benchmark for Longitudinal Medical VQA

arxiv url: http://arxiv.org/abs/2607.27806v1
Date: Thu, 30 Jul 2026 07:45:58 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-31 21:37:00.445379
Title: LoMeVQA: A Comprehensive Benchmark for Longitudinal Medical VQA
Title（参考訳）: LoMeVQA: 長期医療用VQAの総合ベンチマーク
Abstract要約: 時間的医用画像解析のための206K長手視覚質問応答(VQA)ペアからなるベンチマークであるLoMeVQAを提案する。 LoMeVQAは、進捗分類、進捗記述、進捗レポート生成、差分領域接地、および差分領域記述の5つのタスクをカバーしている。 MedLong-8Bを導入し,全タスクにまたがって最先端のパフォーマンスを実現する。
参考スコア（独自算出の注目度）: 23.762697050770157
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In clinical practice, patients often undergo multiple imaging examinations over successive visits, yielding longitudinal data. Modeling such temporal information is crucial for reliable assessment of disease progression and treatment response. However, despite the rapid advancement of multimodal large language models (MLLMs), longitudinal medical visual reasoning remains largely underexplored. To fill this gap, we propose LoMeVQA, a comprehensive benchmark consisting of 206K longitudinal visual question answering (VQA) pairs for temporal medical image analysis. LoMeVQA covers five tasks: progress classification, progress description, progress report generation, differential region grounding, and differential region description. To construct the dataset, we develop an automated pipeline that (1) organizes patient records chronologically, (2) extracts clinically meaningful entities via a medical knowledge graph, and (3) models their temporal evolution to guide large language models in generating high-quality longitudinal VQA pairs. Extensive evaluations demonstrate that both general-purpose and medical-domain MLLMs perform poorly on LoMeVQA, revealing substantial limitations in temporal reasoning. To address these limitations, we introduce MedLong-8B, which achieves state-of-the-art performance across all tasks. Beyond benchmarking, we conduct detailed analyses that uncover key failure modes and shed light on how to improve longitudinal medical visual reasoning. Our data is available at: https://github.com/pepperbubble/LoMeVQA
Abstract（参考訳）: 臨床実践では、患者は連続した訪問に対して複数の画像検査を行い、経時的データを得ることが多い。このような時間情報のモデリングは、疾患の進行と治療反応の信頼性評価に不可欠である。しかし,マルチモーダル大言語モデル (MLLM) の急速な進歩にもかかわらず,縦方向の医用視覚推論はいまだに未熟である。このギャップを埋めるために、時間的医用画像解析のための206K長手視覚質問応答(VQA)ペアからなる総合的なベンチマークであるLoMeVQAを提案する。 LoMeVQAは、進捗分類、進捗記述、進捗レポート生成、差分領域接地、および差分領域記述の5つのタスクをカバーしている。このデータセットを構築するために,(1)患者記録を時系列的に整理し,(2)医療知識グラフを用いて臨床的に有意な実体を抽出し,(3)その時間的進化をモデル化して,高品質な経時的VQAペアを生成するための大規模言語モデルを導出する自動パイプラインを構築した。汎用MLLMと医療ドメインMLLMの両方がLoMeVQAに悪影響を及ぼし、時間的推論のかなりの制限が明らかとなった。これらの制約に対処するため,全タスクにまたがって最先端のパフォーマンスを実現するMedLong-8Bを導入する。ベンチマークの他に、重要な障害モードを明らかにする詳細な分析を行い、縦断的な医学的視覚的推論を改善する方法について光を当てています。私たちのデータは、https://github.com/pepperbubble/LoMeVQAで利用可能です。

関連論文リスト

Visual Alignment of Medical Vision-Language Models for Grounded Radiology Report Generation [25.148217482604746]
VALOR:放射線診断用医用ビジョンランゲージモデルの視覚的アライメントを提案する。 GRPO(Group-Relative Proximal Optimization)を利用した強化学習に基づくポストアライメントフレームワークを提案する。複数のベンチマークの実験では、VALORは事実の精度と視覚的グラウンド化を大幅に改善し、最先端のレポート生成手法よりも大きなパフォーマンス向上を実現している。
論文参考訳（メタデータ） (2025-12-18T05:48:21Z)
S-Chain: Structured Visual Chain-of-Thought For Medicine [81.97605645734741]
S-Chainは,有界ボックスと構造化ビジュアルCoT(SV-CoT)を備えた,12,000のエキスパートアノテートされた医用画像の最初の大規模データセットである。データセットはさらに16言語をサポートし、幅広い多言語適用性のための合計700万VQAペアをサポートする。 S-Chainは、根拠のある医療推論のための新しいベンチマークを確立し、より信頼性が高く説明可能な医療ビジョン言語モデルへの道を開く。
論文参考訳（メタデータ） (2025-10-26T15:57:14Z)
TemMed-Bench: Evaluating Temporal Medical Image Reasoning in Vision-Language Models [54.48710348910535]
既存の医学推論ベンチマークは、主に1回の訪問からの画像に基づいて患者の状態を分析することに焦点を当てている。臨床訪問における患者の状態の変化を分析するための最初のベンチマークであるTemMed-Benchを紹介する。
論文参考訳（メタデータ） (2025-09-29T17:51:26Z)
MedQARo: A Large-Scale Benchmark for Medical Question Answering in Romanian [50.767415194856135]
ルーマニア初の大規模医療QAベンチマークであるMedQARoを紹介する。がん患者に関連する102,646のQAペアからなる高品質で大規模なデータセットを構築した。
論文参考訳（メタデータ） (2025-08-22T13:48:37Z)
Lingshu: A Generalist Foundation Model for Unified Multimodal Medical Understanding and Reasoning [57.873833577058]
医療知識の豊富なマルチモーダルデータセットを構築した。次に医学専門のMLLMであるLingshuを紹介します。 Lingshuは、医療専門知識の組み込みとタスク解決能力の向上のために、マルチステージトレーニングを行っている。
論文参考訳（メタデータ） (2025-06-08T08:47:30Z)
HC-LLM: Historical-Constrained Large Language Models for Radiology Report Generation [89.3260120072177]
本稿では,放射線学レポート生成のための歴史制約付き大規模言語モデル (HC-LLM) フレームワークを提案する。胸部X線写真から経時的特徴と経時的特徴を抽出し,疾患の進行を捉える診断報告を行った。特に,本手法は,テスト中の履歴データなしでも良好に動作し,他のマルチモーダル大規模モデルにも容易に適用可能である。
論文参考訳（メタデータ） (2024-12-15T06:04:16Z)
MONICA: Benchmarking on Long-tailed Medical Image Classification [14.547590439984807]
長期学習はデータ不均衡学習において極めて難しい問題であると考えられている。医用OpeNソースLong-taIled ClassifiCAtion (MONICA) という,統一された構造を持つ。関連する分野で開発された30以上のメソッドを実装し、6つの医療ドメインをカバーする12の長い尾の医療データセットで評価する。
論文参考訳（メタデータ） (2024-10-02T20:21:46Z)
A Unified Model for Longitudinal Multi-Modal Multi-View Prediction with Missingness [25.95298616599799]
本稿では,長手マルチモーダルマルチビュー予測のための統一モデルを提案する。提案手法は,入力に希望する時間ポイントを最大で確保し,利用可能なデータをすべて活用することを目的としている。変形性膝関節症とKellgren-Lawrenceグレード予測による膝関節症データセットに関する広範な実験を行った。
論文参考訳（メタデータ） (2024-03-18T19:51:55Z)
BiteNet: Bidirectional Temporal Encoder Network to Predict Medical Outcomes [53.163089893876645]
本稿では,患者の医療旅行におけるコンテキスト依存と時間的関係を捉える,新たな自己注意機構を提案する。エンド・ツー・エンドの双方向時間エンコーダネットワーク(BiteNet)が患者の旅路の表現を学習する。実世界のEHRデータセットを用いた2つの教師付き予測と2つの教師なしクラスタリングタスクにおける手法の有効性を評価した。
論文参考訳（メタデータ） (2020-09-24T00:42:36Z)

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。