論文の概要: Do Medical Foundation Models Generalize on the African Brain?

• arxiv url: http://arxiv.org/abs/2607.28771v1
• Date: Thu, 30 Jul 2026 18:46:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-03 14:29:40.451875
• Title: Do Medical Foundation Models Generalize on the African Brain?
• Title（参考訳）: 医療ファウンデーションモデルはアフリカ脳に一般化されるか?
• Abstract要約: 医療基盤モデルがアフリカ脳MRIデータと非アフリカ脳MRIデータに等しく一般化するか否かを評価する。 分類において、FMは限られた利得(BrainIACで0.86のROC-AUC)を提供する。 セグメンテーションでは、FMは一貫して性能を改善し、MedSAM2で最大0.86Diceに達した。
• 参考スコア（独自算出の注目度）: 0.26097841018267615
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Medical foundation models (FMs) are increasingly used for brain MRI analysis. However, their evaluation remains dominated by high-resource datasets, leaving generalization to African cohorts underexplored. We assess whether FMs generalize equally to African and non-African brain MRI data across two tasks: dementia classification using a Nigerian dataset and brain tumor segmentation using BraTS-Africa. We evaluate two generalist FMs (BrainIAC, 3DINO) and two segmentation-specific FMs (MedSAM2, Medical-SAM2) against a from-scratch baseline. For classification, FMs provide limited gains (highest ROC-AUC of 0.86 with BrainIAC), whereas for segmentation they consistently improve performance, reaching up to 0.86 Dice with MedSAM2. Performance differences between African and non-African cohorts are inconsistent and appear more related to dataset size than data origin. These results suggest that FMs do not exhibit an inherent bias against African cohorts, and highlight the limited availability and diversity of African neuroimaging datasets as the main barrier to robust evaluation and deployment.
• Abstract（参考訳）: 医療基礎モデル(FM)は、脳MRI解析にますます使われている。 しかし、それらの評価は依然として高資源のデータセットに支配されており、アフリカのコホートへの一般化は未調査のままである。 我々は、ナイジェリアのデータセットを用いた認知症分類とBraTS-Africaを用いた脳腫瘍のセグメンテーションの2つのタスクで、FMがアフリカ脳と非アフリカ脳MRIデータに等しく一般化するかどうかを評価する。 2つの一般FM (BrainIAC, 3DINO) と2つのセグメンテーション特異的FM (MedSAM2, Medical-SAM2) をトラスクラッチベースラインに対して評価した。 分類では、FMは限られた利得(BrainIACでは最大0.86ROC-AUC)を提供するが、セグメンテーションではパフォーマンスを継続的に改善し、MedSAM2では最大0.86Diceに達する。 アフリカンコホートと非アフリカンコホートのパフォーマンスの違いは一貫性がなく、データ起源よりもデータセットサイズと関連しているように見える。 これらの結果は、FMはアフリカのコホートに対する固有の偏見を示しておらず、堅牢な評価と展開の主要な障壁として、アフリカのニューロイメージングデータセットの可用性と多様性の限界を強調していることを示唆している。

関連論文リスト

• Benchmarking Foundation Models for Renal Lesion Stratification in CT [2.051956285018868]
  オープンソース医療基盤モデル(FM)は、医療画像モデルのトレーニングに使用することができる。 ここでは、FMと放射能を比較し、3D ResNet-50をゼロから訓練する。 FMは腎病変の成層化の確立したモデルを超えず、放射線を現在の最先端として残した。
  論文  参考訳（メタデータ） (2026-05-08T13:56:11Z)
• Topology-Driven Fusion of nnU-Net and MedNeXt for Accurate Brain Tumor Segmentation on Sub-Saharan Africa Dataset [6.778589220283568]
  トポロジ的誤りにより生じた予測の変形問題に対処するために,余分なトポロジ的改善モジュールを導入する。 本モジュールの導入により,non-Enhancing FLAIR Hyperintensity (SNFH), Non-Enhancing tumor Core (NETC) および Enhancing tumor (ET) において, 0.810, 0.829, 0.895の正常化表面距離(NSD)を実現した。
  論文  参考訳（メタデータ） (2026-04-17T11:29:05Z)
• Resource-Efficient Glioma Segmentation on Sub-Saharan MRI [4.522693679811991]
  本研究では,資源品質設定に適した,堅牢で効率的なディープラーニングフレームワークを提案する。 我々は,BraTS-Africaデータセット上のトレーニング済み重みから,残留ブロックを付加した3次元注意UNetアーキテクチャを活用し,転送学習により拡張した。 SSA MRIデータにおけるグリオーマセグメンテーションのベンチマークであるBraTS-Africaデータセットから95例のMRI症例について検討した。
  論文  参考訳（メタデータ） (2025-09-11T13:52:47Z)
• EMedNeXt: An Enhanced Brain Tumor Segmentation Framework for Sub-Saharan Africa using MedNeXt V2 with Deep Supervision [4.638625540442347]
  MedNeXt V2をベースとした拡張脳腫瘍セグメンテーションフレームワークであるEMedNeXtについて述べる。 我々の解は平均LesionWise DSCが0.897、平均LesionWise NSDが0.541、0.84を0.5mm、1.0mmで達成した。
  論文  参考訳（メタデータ） (2025-07-31T05:30:19Z)
• Predicting Length of Stay in Neurological ICU Patients Using Classical Machine Learning and Neural Network Models: A Benchmark Study on MIMIC-IV [49.1574468325115]
  本研究は、MIMIC-IVデータセットに基づく神経疾患患者を対象とした、ICUにおけるLOS予測のための複数のMLアプローチについて検討する。 評価されたモデルには、古典的MLアルゴリズム(K-Nearest Neighbors、Random Forest、XGBoost、CatBoost)とニューラルネットワーク(LSTM、BERT、テンポラルフュージョントランス)が含まれる。
  論文  参考訳（メタデータ） (2025-05-23T14:06:42Z)
• SMILE-UHURA Challenge -- Small Vessel Segmentation at Mesoscopic Scale from Ultra-High Resolution 7T Magnetic Resonance Angiograms [60.35639972035727]
  公開されている注釈付きデータセットの欠如は、堅牢で機械学習駆動のセグメンテーションアルゴリズムの開発を妨げている。 SMILE-UHURAチャレンジは、7T MRIで取得したTime-of-Flightアンジオグラフィーの注釈付きデータセットを提供することで、公開されている注釈付きデータセットのギャップに対処する。 Diceスコアは、それぞれのデータセットで0.838 $pm$0.066と0.716 $pm$ 0.125まで到達し、平均パフォーマンスは0.804 $pm$ 0.15までになった。
  論文  参考訳（メタデータ） (2024-11-14T17:06:00Z)
• AXIAL: Attention-based eXplainability for Interpretable Alzheimer's Localized Diagnosis using 2D CNNs on 3D MRI brain scans [43.06293430764841]
  本研究では,3次元MRIを用いたアルツハイマー病診断の革新的手法を提案する。 提案手法では,2次元CNNがボリューム表現を抽出できるソフトアテンション機構を採用している。 ボクセルレベルの精度では、どの領域に注意が払われているかを同定し、これらの支配的な脳領域を同定する。
  論文  参考訳（メタデータ） (2024-07-02T16:44:00Z)
• A Demographic-Conditioned Variational Autoencoder for fMRI Distribution Sampling and Removal of Confounds [49.34500499203579]
  変動型オートエンコーダ(VAE)ベースのモデルであるDemoVAEを作成し、人口統計学から fMRI の特徴を推定する。 ユーザが供給する人口動態に基づいて,高品質な合成fMRIデータを生成する。
  論文  参考訳（メタデータ） (2024-05-13T17:49:20Z)
• Towards SAMBA: Segment Anything Model for Brain Tumor Segmentation in Sub-Sharan African Populations [4.567712492463603]
  最も一般的な原発性脳腫瘍であるグリオーマは、診断と治療計画のために正確なセグメンテーションを必要とする。 本稿では,Segment Anything Model(SAM)とマルチモーダルグリオーマセグメンテーションのための投票ネットワークを組み合わせた革新的なアプローチを提案する。 我が国の方法論は,アフリカなどの資源制限環境での臨床実践に大きな影響を与える可能性がある。
  論文  参考訳（メタデータ） (2023-12-19T01:10:11Z)
• White Matter Tracts are Point Clouds: Neuropsychological Score Prediction and Critical Region Localization via Geometric Deep Learning [68.5548609642999]
  ホワイトマタートラクトデータを用いた神経心理学的スコア予測のためのディープラーニングに基づくフレームワークを提案する。 各点の微細構造測定を行う点雲として, arcuate fasciculus (AF) を表現した。 Paired-Siamese Lossでは,連続した神経心理学的スコアの違いに関する情報を利用した予測性能を改善した。
  論文  参考訳（メタデータ） (2022-07-06T02:03:28Z)
• Deep learning-based COVID-19 pneumonia classification using chest CT images: model generalizability [54.86482395312936]
  深層学習(DL)分類モデルは、異なる国の3DCTデータセット上で、COVID-19陽性患者を特定するために訓練された。 我々は、データセットと72%の列車、8%の検証、20%のテストデータを組み合わせたDLベースの9つの同一分類モデルを訓練した。 複数のデータセットでトレーニングされ、トレーニングに使用されるデータセットの1つからテストセットで評価されたモデルは、よりよいパフォーマンスを示した。
  論文  参考訳（メタデータ） (2021-02-18T21:14:52Z)
• Robust Deep AUC Maximization: A New Surrogate Loss and Empirical Studies on Medical Image Classification [63.44396343014749]
  AUCスコアに対する新たなマージンベースサロゲート損失関数を提案する。 一般的に使用されるものよりも頑丈である。 大規模な最適化の観点からも同じ利点を享受しながら、正方損失。 私たちの知る限りでは、DAMが大規模医療画像データセットで成功するのはこれが初めてです。
  論文  参考訳（メタデータ） (2020-12-06T03:41:51Z)

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。