論文の概要: MC-CXR: A Multi-Context Chest X-ray Benchmark for Context-Induced Disruption in Vision-Language Models

• arxiv url: http://arxiv.org/abs/2608.24118v1
• Date: Tue, 25 Aug 2026 06:28:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-26 14:09:34.845807
• Title: MC-CXR: A Multi-Context Chest X-ray Benchmark for Context-Induced Disruption in Vision-Language Models
• Title（参考訳）: MC-CXR:視覚言語モデルにおけるコンテキスト誘発破壊のためのマルチコンテキストチェストX線ベンチマーク
• Abstract要約: ヴィジュアル言語モデル(VLM)は、胸部X線が検索された報告、予備メモ、または以前の画像と共に解釈される臨床パイプラインでますます用いられる。 既存のベンチマークでは、モデルが単独で正しく答えるかどうかを計測するが、妥当なコンテキストが画像と矛盾する場合に、正しい画像のみの決定を保持するかどうかを判断する。 マルチコンテキストチェストX線 (MC-CXR) を導入し, 240のケースを2,522のインスタンスに拡張した。
• 参考スコア（独自算出の注目度）: 2.2090506971647144
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vision-language models (VLMs) are increasingly used in clinical pipelines where a chest X-ray is interpreted alongside retrieved reports, preliminary notes, or prior imaging. Existing benchmarks measure whether models answer correctly in isolation, but not whether they preserve a correct image-only decision when plausible context conflicts with the image. We introduce Multi-Context Chest X-ray (MC-CXR), a benchmark of 240 cases expanded into 2,522 instances that isolates context-induced disruption through paired perturbation. Each case fixes the current image and target finding while presenting matched reliable and misleading context across text and prior CXR, with visual overlays where available. MC-CXR defines three task families and two paired metrics, the switch-to-wrong rate and the context-aligned error rate. We evaluate ten VLMs spanning open-source general, medical-domain, and closed-source systems. Image-only accuracy is necessary but insufficient. Mean switch rates range from 45.6-78.1% across misleading textual sources and 35.7-61.7% across misleading visual sources. Among switched predictions, 74.6% align with the misleading label for text versus 17.6% for visual context, a 57.0-point gap (95% CI 50.9-62.8). This text-visual asymmetry is observed under the standardized direct-answer protocol. The dataset is available on PhysioNet.
• Abstract（参考訳）: ヴィジュアル言語モデル(VLM)は、胸部X線が検索された報告、予備メモ、または以前の画像と共に解釈される臨床パイプラインでますます用いられる。 既存のベンチマークでは、モデルが単独で正しく答えるかどうかを計測するが、妥当なコンテキストが画像と矛盾する場合に、正しい画像のみの決定を保持するかどうかを判断する。 マルチコンテキストチェストX線 (MC-CXR) を導入し, 240のケースを2,522のインスタンスに拡張した。 各ケースは、テキストと以前のCXR間で一致した信頼性と誤解を招くコンテキストを示しながら、現在のイメージとターゲットの検出を修正します。 MC-CXRは3つのタスクファミリと2つのペアメトリクス、スイッチ・トゥ・ロングレートとコンテキスト整合エラーレートを定義している。 オープンソース一般,医療ドメイン,クローズドソースシステムにまたがる10のVLMを評価した。 画像のみの精度は必要だが不十分である。 平均スイッチレートは誤解を招くテキストソースで45.6-78.1%、誤解を招くビジュアルソースで35.7-61.7%である。 変化した予測の中で、74.6%はテキストの誤解を招くラベルと17.6%は視覚的コンテキスト、57.0ポイントのギャップ(95% CI 50.9-62.8)と一致している。 このテキスト-視覚的非対称性は、標準化されたダイレクト・アンサープロトコルの下で観察される。 データセットはphysioNetで入手できる。

関連論文リスト

• When Prompts Become Pixels: Prompt-Region Grounding for Multimodal Reasoning [73.56343820592399]
  本稿では,視覚的タスクセマンティックス(VTS, Visualized Task Semantics)について紹介する。 6つのMLLMと4つのベンチマークで、24のモデルとタスクのペアの精度は平均17.8ポイント低下した。 本稿では,質問領域を型付きセマンティクスと整合させ,そのクリーンな表現をマスクビューから復元するプロンプト領域グラウンドを提案する。
  論文  参考訳（メタデータ） (2026-08-05T11:46:15Z)
• Beyond Static Anchors: Bounded Prototype Conditioning for Language-Free Medical Anomaly Detection [52.986874008247554]
  本稿では,静的アンカーを入力条件付きビジュアルプロトタイプに置き換える言語フリーフレームワークReCAPを提案する。 ReCAPリセンターは、境界ゲート変調により、各画像の正常と異常なプロトタイプを分離した。 3つのセグメンテーションデータセットで最高のゼロショットレベルのAUROCと、24の複数ショット設定のうち23のゼロショットレベルのAUROCを達成する。
  論文  参考訳（メタデータ） (2026-08-01T04:46:55Z)
• CXR-Retrieve: Compositional Text-to-Image Retrieval in Chest Radiography [8.663183634036624]
  視覚言語モデルは、テキストから画像への検索に自然なインターフェイスを提供する。 現在のバイオメディカルモデルは、主にレポート・ツー・イメージマッチングに最適化されている。 胸部X線テキスト・画像検索のための構造化ベンチマークであるCXR-Retrieveを紹介する。
  論文  参考訳（メタデータ） (2026-07-30T07:10:59Z)
• Vision-language models for chest radiography do not always need the image [4.363746910191589]
  医用視覚言語モデルは、強い胸部X線撮影精度を報告し、これが画像を使用する証拠としてますます読まれている。 我々は,画像に介入し,関連領域を除外し,関連のない領域を除外し,別の患者の同一ラベルスキャンに切り替える因果監査を導入する。 9つのシステムで、画像アクセスのないテキストのみのモデルは、最高のマルチモーダルの5.7の精度ポイントに到達する。
  論文  参考訳（メタデータ） (2026-06-16T09:22:10Z)
• Cross-modal linkage risk in clinical vision-language models [1.828619151598757]
  視覚言語モデル(VLM)は、ペアの胸部X線写真と放射線学レポートに基づいて訓練され、インスタンスレベルの画像レポート対応を保存できる共有埋め込み空間を学習する。 これは、ラジオグラフとレポートが買収後に意図的に分離された設定でプライバシー上のリスクを生じさせる。 我々はこれをイメージ・ツー・レポート検索として定式化し、プライバシーシナリオとしてではなく、パブリック・ペアのコホートを使用してリスクを監査した。
  論文  参考訳（メタデータ） (2026-06-01T14:01:46Z)
• Medical thinking with multiple images [44.04557445622649]
  我々はMedThinkVQAを紹介した。MedThinkVQAは、複数の画像で考えるためのエキスパートアノテーション付きベンチマークである。 データセットは720のテストケースを含む8,067ケースを含み、1ケースあたり平均6.62イメージである。 テストセットでは、最高のクローズドソースモデルであるClaude-4.6-Opus、Gemini-3-Pro、GPT-5.2-xhighは57.2%、55.3%、54.9%の精度しか達成できなかった。
  論文  参考訳（メタデータ） (2026-04-14T18:51:07Z)
• Evaluating Reasoning Faithfulness in Medical Vision-Language Models using Multimodal Perturbations [19.488236277427358]
  視覚言語モデル(VLM)は、しばしばチェーン・オブ・シント(CoT)の説明を生み出す。 胸部X線視覚質問応答(VQA)の臨床的基盤として,制御されたテキストと画像修正を用いてCoT忠実度を探索するフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-13T09:28:22Z)
• Exploring Response Uncertainty in MLLMs: An Empirical Evaluation under Misleading Scenarios [49.53589774730807]
  マルチモーダル大規模言語モデル(MLLM)は近年,視覚的質問応答から映像理解に至るまでのタスクにおいて,最先端のパフォーマンスを実現している。 12件のオープンソースMLLMが, 単一の偽装キューを受けた65%の症例において, 既往の正解を覆した。
  論文  参考訳（メタデータ） (2024-11-05T01:11:28Z)
• Fine-Grained Image-Text Alignment in Medical Imaging Enables Explainable Cyclic Image-Report Generation [91.63262242041695]
  本稿では,胸部X線画像領域と医療報告における単語を関連付けるために,適応パッチワードマッチング(AdaMatch)モデルを提案する。 AdaMatchは、適応パッチと単語のきめ細かい関係を利用して、対応する単語で特定の画像領域の説明を提供する。 CXRレポート生成タスクの明示的な説明性を提供するため,循環型CXRレポート生成のためのAdaMatchベースの双方向大言語モデルを提案する。
  論文  参考訳（メタデータ） (2023-12-13T11:47:28Z)
• Improving Vision Anomaly Detection with the Guidance of Language Modality [64.53005837237754]
  本稿では,マルチモーダルの観点から視覚モダリティの課題に取り組む。 本稿では,冗長な情報問題とスパース空間問題に対処するために,クロスモーダルガイダンス(CMG)を提案する。 視覚異常検出のためのよりコンパクトな潜在空間を学習するために、CMLEは言語モダリティから相関構造行列を学習する。
  論文  参考訳（メタデータ） (2023-10-04T13:44:56Z)

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。