論文の概要: A Cloud-Edge System for Multimodal Clinical Screening in Resource-Constrained Rural Settings

• arxiv url: http://arxiv.org/abs/2608.12745v2
• Date: Tue, 18 Aug 2026 20:24:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-20 13:35:39.096183
• Title: A Cloud-Edge System for Multimodal Clinical Screening in Resource-Constrained Rural Settings
• Title（参考訳）: 資源制約された農村環境におけるマルチモーダル臨床スクリーニングのためのクラウドエッジシステム
• Authors: Hei Ting, Chan, Chenwei Wu, Xueshen Liu, Zesen Zhao, Boyuan Zheng, Luis Filipe Nakayama, Michael G. Morley, Liyue Shen, Jiasi Chen, Z. Morley Mao,
• Abstract要約: 医療AIは、専門レベルの診断精度を示しているが、これらの能力は、リソースに制約された田舎の環境では、ほとんどアクセスできない。 これらの制約に対処するクラウド・エッジ・コラボレーティブ・アーキテクチャを導入します。 心, 産婦人科, 外傷, スクリーニングシナリオを対象とし, マルチモーダルの臨床症例20例について検討した。
• 参考スコア（独自算出の注目度）: 19.58239117494568
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Medical AI has demonstrated specialist-level diagnostic accuracy, yet these capabilities remain largely inaccessible in resource-constrained rural settings where bandwidth is scarce, compute is limited, and clinical decision-making requires integrating heterogeneous modalities. We introduce a cloud--edge collaborative architecture that addresses these constraints: lightweight, domain-specific models on the edge transform raw medical data into compact structured outputs, while a cloud LLM synthesizes these outputs into clinical summaries. An LLM-based orchestrator dynamically selects diagnostic tools based on patient context, promoting comprehensive modality coverage without processing irrelevant inputs. We evaluate on 20 multimodal clinical cases spanning cardiac, obstetric, trauma, and screening scenarios under three simulated network profiles (500,kbps--5,Mbps). The hybrid system achieves 98--99% diagnostic tool recall with 92--96% precision, matches or exceeds cloud-only baselines on clinical accuracy, and maintains bandwidth-invariant latency (25--35,s) at 4--15x lower token cost. These results highlight the role of architectural design in enabling efficient multimodal integration and improving factual grounding compared to cloud-only approaches under deployment constraints.
• Abstract（参考訳）: 医療AIは、専門レベルの診断精度を示してきたが、これらの能力は、帯域幅が不足し、計算が限られており、臨床的な意思決定には異質なモダリティを統合する必要がある、リソース制約のある田舎の環境では、ほとんどアクセスできない。 エッジ上の軽量なドメイン固有モデルによって生の医療データをコンパクトな構造化された出力に変換する一方、クラウドLLMはこれらの出力を臨床要約に合成する。 LLMベースのオーケストレータは、患者コンテキストに基づいて診断ツールを動的に選択し、無関係な入力を処理することなく包括的なモダリティカバレッジを促進する。 シミュレーションネットワークプロファイル(500,kbps--5,Mbps)を用いて, 心, 産科, 外傷, スクリーニングシナリオを対象とする20症例を対象に, 99～99%の診断ツールリコール, 92～96%の精度, クラウドのみのベースラインとの一致, および4～15倍の低いトークンコストで帯域幅不変遅延(25～35,s)を維持した。 これらの結果から,効率的なマルチモーダル統合を実現する上でのアーキテクチャ設計の役割が強調された。

関連論文リスト

• Learning from Limited and Incomplete Data: A Multimodal Framework for Predicting Pathological Response in NSCLC [1.3160173536707265]
  新アジュバント療法後の病理反応(pR)は非小細胞肺癌において臨床的に有意な結節である。 本稿では,基礎モデルに基づくCT特徴抽出と臨床変数の欠落を考慮したアーキテクチャを統合することで,これらの制約に対処する多モードディープラーニングフレームワークを提案する。 重み付き核融合機構は、イメージングと臨床モダリティの相補的な寄与を活用するために使用され、一方向イメージングと臨床ベースラインの両方を一貫して上回るマルチモーダルモデルが得られる。
  論文  参考訳（メタデータ） (2026-03-16T10:51:52Z)
• Efficient Deep Learning for Medical Imaging: Bridging the Gap Between High-Performance AI and Clinical Deployment [7.556909298052158]
  このレビューは、医療領域に特化された効率的で軽量なディープラーニングアーキテクチャを包括的に合成する。 我々は、現代の効率的なモデルの展望を、畳み込みニューラルネットワーク(CNN)、軽量トランスフォーマー、新しい線形複雑度モデルという3つの主要なストリームに分類する。 現在の制限を特定し、デバイス上のインテリジェンスへの移行について議論することにより、このレビューは、高性能AIとリソース制約のある臨床環境の間のギャップを埋めることを目的とした、研究者や実践者のロードマップとなる。
  論文  参考訳（メタデータ） (2026-01-31T21:42:36Z)
• A Federated and Parameter-Efficient Framework for Large Language Model Training in Medicine [59.78991974851707]
  大規模言語モデル(LLM)は、質問応答や診断など、医療ベンチマークにおいて強力なパフォーマンスを示している。 ほとんどの医療用LDMは、異種システムの一般化性と安全性の制限に直面している単一の機関のデータに基づいて訓練されている。 本稿では, LLMを医療応用に適用するためのモデルに依存しない, パラメータ効率のよいフェデレーション学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-29T18:48:21Z)
• Benchmarking and Adapting On-Device Large Language Models for Clinical Decision Support [3.165122193962168]
  大規模言語モデル(LLM)は、臨床意思決定において急速に進歩している。 しかし、プロプライエタリなシステムのデプロイは、プライバシの懸念とクラウドベースのインフラストラクチャへの依存によって妨げられている。
  論文  参考訳（メタデータ） (2025-12-18T22:29:45Z)
• Cancer-Net PCa-MultiSeg: Multimodal Enhancement of Prostate Cancer Lesion Segmentation Using Synthetic Correlated Diffusion Imaging [55.62977326180104]
  前立腺癌病変の分節化に対する近年の深層学習アプローチは,限られた性能を達成している。 本稿では,標準拡散型プロトコルの拡張として,合成相関拡散イメージング(CDI$s$)について検討する。 以上の結果から,PCa病変セグメント化タスクの実践的ドロップイン強化として,CDI$s$に対する検証済み統合経路が確立された。
  論文  参考訳（メタデータ） (2025-11-11T04:16:12Z)
• Timely Clinical Diagnosis through Active Test Selection [49.091903570068155]
  本稿では,現実の診断推論をよりうまくエミュレートするためのACTMED (Adaptive Clinical Test selection via Model-based Experimental Design)を提案する。 LLMは柔軟なシミュレータとして機能し、構造化されたタスク固有のトレーニングデータを必要とせずに、患者状態のもっともらしい分布を生成し、信念の更新をサポートする。 我々は、実世界のデータセット上でACTMEDを評価し、診断精度、解釈可能性、リソース使用量を改善するためにテスト選択を最適化できることを示す。
  論文  参考訳（メタデータ） (2025-10-21T18:10:45Z)
• An Agentic System for Rare Disease Diagnosis with Traceable Reasoning [69.46279475491164]
  大型言語モデル(LLM)を用いた最初のまれな疾患診断エージェントシステムであるDeepRareを紹介する。 DeepRareは、まれな疾患の診断仮説を分類し、それぞれに透明な推論の連鎖が伴う。 このシステムは2,919の疾患に対して異常な診断性能を示し、1013の疾患に対して100%の精度を達成している。
  論文  参考訳（メタデータ） (2025-06-25T13:42:26Z)
• OCT-SelfNet: A Self-Supervised Framework with Multi-Modal Datasets for Generalized and Robust Retinal Disease Detection [2.3349787245442966]
  本研究は、眼疾患を検出するための自己教師付き堅牢な機械学習フレームワークであるOCT-SelfNetに貢献する。 本手法は,自己指導型事前学習と教師型微調整を組み合わせた2段階学習手法を用いてこの問題に対処する。 AUC-PR測定では,提案手法は42%を超え,ベースラインに比べて10%以上の性能向上を示した。
  論文  参考訳（メタデータ） (2024-01-22T20:17:14Z)
• Collaborative Federated Learning For Healthcare: Multi-Modal COVID-19 Diagnosis at the Edge [5.258947981618588]
  我々は,医療におけるエッジコンピューティングの能力を活用し,臨床ビジュアルデータのインテリジェントな処理の可能性を分析し,評価する。 本研究では,CFL(Clustered federated Learning)の概念を,新型コロナの自動診断に応用した。 2つのベンチマークデータセットの異なる実験セットアップの下で,提案フレームワークの性能を評価する。
  論文  参考訳（メタデータ） (2021-01-19T08:40:59Z)

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。