Fugu-MT 論文翻訳(概要): Model Retirement Creates Reproducibility Risk in Biomedical AI Publications

論文の概要: Model Retirement Creates Reproducibility Risk in Biomedical AI Publications

arxiv url: http://arxiv.org/abs/2609.04699v1
Date: Fri, 04 Sep 2026 04:00:54 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-07 18:15:23.905199
Title: Model Retirement Creates Reproducibility Risk in Biomedical AI Publications
Title（参考訳）: モデルリタイアメントは、バイオメディカルAIパブリケーションにおける再現性リスクを生み出す
Abstract要約: バイオメディカルタスクに特定の大規模言語モデルを適用した研究論文について,PubMedを検索した。我々は,5,242冊にまたがる8,931冊の論文を同定した。全体の42%は、公式発表の時点で既に引退していたモデルか、2年以内に引退する予定のモデルであった。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Background. Large language models (LLMs) are being adopted in biomedical research at a rapid and accelerating pace, yet commercial services that host many widely used models operate under deprecation schedules that can complicate scientific reproducibility. Methods. We searched PubMed for original research articles from 2022 through March 2026 that applied a specific LLM to a biomedical task. An extraction agent identified model names from 61,077 article abstracts with human reviewers validating a subset for extraction accuracy. Extracted model names were normalized to canonical model identifiers. Lifecycle data (release date, retirement date, status) were compiled for the 50 most frequently used models. Results. We identified 8,931 paper-model mentions spanning 5,242 unique publications after restricting the analysis to the 50 most frequently used models. Among these mentions, 77.7% cited a commercial closed-weight model. Overall, 42% involved a model that was already retired by the time of official publication or is scheduled to retire within two years of publication. The median interval from publication to model retirement was 538 days. Conclusion. Many biomedical publications using LLMs are on a trajectory toward computational non-reproducibility after publication. Model deprecation should be treated as a core reporting and preservation issue for biomedical research.
Abstract（参考訳）: 背景。大規模言語モデル(LLM)は、急速に加速するペースで生物医学的な研究に採用されているが、多くの広く使われているモデルをホストする商業サービスは、科学的再現性を複雑にする非推奨のスケジュールの下で運用されている。メソッド。バイオメディカル・タスクに特定のLSMを適用した2022年から2026年3月までの論文をPubMedで検索した。抽出エージェントは、抽出精度のサブセットを検証する人間レビュアーと61,077記事からモデル名を特定した。抽出されたモデル名は標準モデル識別子に正規化された。ライフサイクルデータ(リリース日、退職日、ステータス)は、最も頻繁に使用される50のモデルに対してコンパイルされた。結果。分析を最も頻繁に使用される50のモデルに制限した後,5,242のユニークな論文にまたがる8,931の論文モデルを同定した。これらの言及の中で77.7%は商業的なクローズドウェイトモデルを挙げている。全体の42%は、公式発表の時点で既に引退していたモデルか、2年以内に引退する予定のモデルであった。出版からモデル退職までの期間は538日であった。結論。 LLMを用いた多くの生物医学出版物は、出版後の計算的非再現性に向けて軌道上にある。モデル非推奨は、生体医学研究のコアレポートおよび保存問題として扱われるべきである。

関連論文リスト

The widening evaluation gap in medical large language model research 2023 to 2026 [0.0]
大規模な言語モデルは、数四半期ごとに取って代わられ、臨床的な証拠は何年もかかる。 PubMedは、2023年1月から2026年6月までに14の臨床ドメインで11,628レコードを返却し、45倍に成長した。新しいシステムへの移行は、ドリフトのわずか56%をオフセットした。開発中のモデルを命名する研究では、他のどのモデルとも違いはない。
論文参考訳（メタデータ） (2026-09-10T16:25:01Z)
AgentIdeaBench: Benchmarking Scientific Ideation in the Agent Era [55.37558486468993]
AgentIdeaBenchは、静的観測とアクティブ探索という2つの一致した条件下で科学的思考を評価するベンチマークである。 5つの分野にまたがる40の高密度サブフィールドにおける33個のLDMの静的アクティブ評価を一致させた。アクティブな探索により、ヘッドルームの能力は大幅に向上し、ヘッドルームはモデル間で不均一に分散される。
論文参考訳（メタデータ） (2026-09-07T15:19:13Z)
The Half-Lives of Generative-AI Evidence: A 40-Record Audit, a Claim-Currency Framework, and a Reflexive Case of Frontier-Model-Assisted Research [0.0]
生成AI評価は出版前に歴史的になりうるが、カレンダー年代は全ての結論に等しく影響しない。本稿は,2025年7月18日から2026年7月17日までに出現した40件の実証記録の最大変量解析コーパスを検証した。監査コード化されたパブリッシュルート、実行タイミング、モデルアイデンティティ、最新の名前付きジェネレーションまたは不変スナップショットの年齢、同ファミリーのスーパーセッション、リフレッシュ動作。
論文参考訳（メタデータ） (2026-07-27T05:59:49Z)
Large Language Model-Based Agents for Automated Research Reproducibility: An Exploratory Study in Alzheimer's Disease [1.9938547353667109]
我々は、National Alzheimer's Coordinating Centerの“Quick Access”データセットを使用しました。 NACCデータを用いて,高度に引用された論文を同定した。コードの記述と実行を担当するLLMベースの自律エージェントのシミュレーション研究チームを作成しました。
論文参考訳（メタデータ） (2025-05-29T01:31:55Z)
Biomedical Foundation Model: A Survey [84.26268124754792]
ファンデーションモデルは、広範なラベルなしデータセットから学習する大規模な事前訓練モデルである。これらのモデルは、質問応答や視覚的理解といった様々な応用に適応することができる。本研究は,生物医学分野における基礎モデルの可能性を探るものである。
論文参考訳（メタデータ） (2025-03-03T22:42:00Z)
Gender-Neutral Large Language Models for Medical Applications: Reducing Bias in PubMed Abstracts [3.7906296809297406]
本稿では, 職業代名詞を中和することにより, 医療文献で用いられる大規模言語モデルにおける性別バイアスを軽減するためのパイプラインを提案する。 1965年からの379,000のPubMed抽象語のデータセットは、専門職に関連する代名詞を識別し、修正するために処理された。
論文参考訳（メタデータ） (2025-01-10T22:07:56Z)
Medical Vision-Language Pre-Training for Brain Abnormalities [96.1408455065347]
本稿では,PubMedなどの公共リソースから,医用画像・テキスト・アライメントデータを自動的に収集する方法を示す。特に,まず大きな脳画像テキストデータセットを収集することにより,事前学習プロセスの合理化を図るパイプラインを提案する。また,医療領域におけるサブフィギュアをサブキャプションにマッピングするというユニークな課題についても検討した。
論文参考訳（メタデータ） (2024-04-27T05:03:42Z)
BioMedLM: A 2.7B Parameter Language Model Trained On Biomedical Text [82.7001841679981]
BioMedLM は270億のパラメータ GPT スタイルの自己回帰モデルであり、PubMed の抽象概念と全記事に特化して訓練されている。微調整すると、BioMedLMはより大規模なモデルと競合する強力な多重選択のバイオメディカルな質問応答結果を生成することができる。 BioMedLMは、医療トピックに関する患者の質問に対する有用な回答を生成するために、微調整することもできる。
論文参考訳（メタデータ） (2024-03-27T10:18:21Z)
Towards a clinically accessible radiology foundation model: open-access and lightweight, with automated evaluation [113.5002649181103]
オープンソースの小型マルチモーダルモデル(SMM)を訓練し、放射線学における未測定臨床ニーズに対する能力ギャップを埋める。トレーニングのために,697万以上の画像テキストペアからなる大規模なデータセットを組み立てる。評価のために,GPT-4に基づく実測値CheXpromptを提案する。 LlaVA-Radの推論は高速で、単一のV100 GPU上でプライベート設定で実行できる。
論文参考訳（メタデータ） (2024-03-12T18:12:02Z)
Boosting Adverse Drug Event Normalization on Social Media: General-Purpose Model Initialization and Biomedical Semantic Text Similarity Benefit Zero-Shot Linking in Informal Contexts [0.32228025627337864]
本稿では,ソーシャルメディア上での有害薬物事象の正規化に対する新たなアプローチを提案する。いくつかのソーシャルメディアデータセットに対する実験結果から,提案手法の有効性が示された。
論文参考訳（メタデータ） (2023-07-31T21:12:06Z)
BiomedGPT: A Generalist Vision-Language Foundation Model for Diverse Biomedical Tasks [68.39821375903591]
汎用AIは、さまざまなデータ型を解釈する汎用性のために、制限に対処する可能性を秘めている。本稿では,最初のオープンソースかつ軽量な視覚言語基盤モデルであるBiomedGPTを提案する。
論文参考訳（メタデータ） (2023-05-26T17:14:43Z)

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。