論文の概要: A visual large language foundational model for medical image recognition using clinician-oriented social media

• arxiv url: http://arxiv.org/abs/2609.06914v1
• Date: Mon, 07 Sep 2026 01:30:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.336186
• Title: A visual large language foundational model for medical image recognition using clinician-oriented social media
• Title（参考訳）: 臨床用ソーシャルメディアを用いた医用画像認識のための視覚的大言語基盤モデル
• Abstract要約: 大規模言語モデル(LLM)は、様々な領域にまたがる強力な能力を示しており、医学においてかなりの可能性を示している。 ここでは、特定されていない医療画像と専門家による臨床指向のソーシャルメディアに関するコメントの活用について述べる。 先進的なLCMとループ内臨床検査を組み合わせることで,ThoughtMed-1Mを構築するための厳密なパイプラインを構築した。
• 参考スコア（独自算出の注目度）: 21.681667706513423
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language models (LLMs) have demonstrated strong capabilities across diverse domains, showing considerable potential in medicine. However, their application in medical settings remains limited by the scarcity of visual question answering (VQA) datasets that capture clinical reasoning and explicit image-text alignment. Here, we leverage de-identified medical images and expert commentaries shared on clinician-oriented social media. By combining an advanced LLM with clinician-in-the-loop verification, we established a rigorous pipeline to construct ThoughtMed-1M, a long-form medical VQA dataset containing over one million VQA pairs and designed to capture structured clinical logic and medical image-text alignment. To demonstrate its utility, we developed a FOundational LLM Trained on ThoughtMed-1M (FOLTMed). FOLTMed achieved state-of-the-art performance across 42 medical VQA benchmark datasets, with a macro accuracy of 85.4%, and generated more clinically coherent responses on the ThoughtMed-1M test set. It outperformed state-of-the-art models by 3--5% across factuality and similarity metrics, highlighting a scalable paradigm for advancing research on clinically grounded multimodal LLMs.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、様々な領域にまたがる強力な能力を示しており、医学においてかなりの可能性を示している。 しかし、臨床推論と明示的な画像テキストアライメントをキャプチャする視覚的質問応答(VQA)データセットの不足により、医療現場での応用は依然として限られている。 ここでは,クリニック指向のソーシャルメディアで共有される,未確認の医療画像と専門家のコメントを活用する。 その結果,100万組以上のVQAペアを含む長期医療用VQAデータセットであるThoughtMed-1Mを構築するための厳密なパイプラインを構築し,構造化された臨床論理と医用画像テキストアライメントを捉えるように設計された。 そこで我々は,その実用性を実証するために,FOLTMed on ThoughtMed-1M (FOLTMed) を開発した。 FOLTMedは42の医療用VQAベンチマークデータセットに85.4%の精度で最先端のパフォーマンスを達成し、ThoughtMed-1Mテストセットでより臨床的に一貫性のある応答を発生させた。 事実と類似度の測定値で最先端のモデルを3-5%向上させ、臨床基盤のマルチモーダルLCMの研究を進めるためのスケーラブルなパラダイムを浮き彫りにした。

関連論文リスト

• MedLayBench-V: A Large-Scale Benchmark for Expert-Lay Semantic Alignment in Medical Vision Language Models [2.0221473384338884]
  MedLayBench-Vは、エキスパート・レイ・セマンティックアライメントに特化した最初の大規模マルチモーダル・ベンチマークである。 MedLayBench-Vは、臨床専門家と患者の間のコミュニケーションの分断をブリッジできる次世代のMed-VLMの訓練と評価のための検証された基盤を提供する。
  論文  参考訳（メタデータ） (2026-04-07T11:39:41Z)
• How Do Medical MLLMs Fail? A Study on Visual Grounding in Medical Images [16.362951636873248]
  MLLM(Generalist Multimodal Large Language Model)は、様々な視覚言語タスクにおいて、優れたパフォーマンスを実現している。 しかし、特に一般化が重要となるゼロショット環境での医療タスクにおけるパフォーマンスは、依然として最適以下である。 本稿では,最先端医療MLLMの視覚的基盤機能に関する先駆的な研究について述べる。
  論文  参考訳（メタデータ） (2026-03-15T10:46:27Z)
• 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)
• MedBLINK: Probing Basic Perception in Multimodal Language Models for Medicine [12.333678882957377]
  このような知覚能力に対してこれらのモデルを探索するためのベンチマークであるMedblinkを紹介する。 メドブリンクは、複数の画像モダリティと解剖学的領域にまたがる8つの臨床的に有意義なタスクにまたがっており、1,605枚の画像に対して1,429個の多重選択質問を出している。 ヒトのアノテータは96.4%の精度を達成しているが、最高のパフォーマンスモデルは65%にしか達していない。
  論文  参考訳（メタデータ） (2025-08-04T23:19:18Z)
• 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)
• Medical Large Vision Language Models with Multi-Image Visual Ability [46.889345205047675]
  83.2Kの医療用マルチイメージQAペアからなるMed-MIM命令データセットを提案する。 我々は,マンティスとLLaVA-Medを微調整し,MIM-LLaVA-MedとMed-Mantisの2種類の専門医用VLMを作製した。 また,LVLMの医用マルチイメージ理解能力を評価するために,Med-MIMベンチマークを開発した。
  論文  参考訳（メタデータ） (2025-05-25T08:31:22Z)
• A Survey of Medical Vision-and-Language Applications and Their Techniques [48.268198631277315]
  医療ビジョン・アンド・ランゲージモデル(MVLM)は、複雑な医療データを解釈するための自然言語インタフェースを提供する能力から、大きな関心を集めている。 本稿では,MVLMの概要と適用した各種医療課題について概観する。 また、これらのタスクに使用するデータセットについても検討し、標準化された評価指標に基づいて異なるモデルの性能を比較した。
  論文  参考訳（メタデータ） (2024-11-19T03:27:05Z)
• Towards Evaluating and Building Versatile Large Language Models for Medicine [57.49547766838095]
  MedS-Benchは大規模言語モデル(LLM)の性能を臨床的に評価するためのベンチマークである。 MedS-Benchは、臨床報告の要約、治療勧告、診断、名前付きエンティティ認識、医療概念説明を含む、11のハイレベルな臨床タスクにまたがる。 MedS-Insは58の医療指向言語コーパスで構成され、112のタスクで1350万のサンプルを収集している。
  論文  参考訳（メタデータ） (2024-08-22T17:01:34Z)
• RJUA-MedDQA: A Multimodal Benchmark for Medical Document Question Answering and Clinical Reasoning [14.366349078707263]
  RJUA-MedDQAは医学専門分野における総合的なベンチマークである。 本稿では医学専門分野の総合的なベンチマークであるRJUA-MedDQAを紹介する。
  論文  参考訳（メタデータ） (2024-02-19T06:57:02Z)
• OmniMedVQA: A New Large-Scale Comprehensive Evaluation Benchmark for Medical LVLM [48.16696073640864]
  我々は,新しい包括的ビジュアル質問回答(VQA)ベンチマークであるOmniMedVQAを紹介する。 このベンチマークのすべての画像は、本物の医療シナリオから得られたものです。 既存のLVLMはこれらの医療用VQA問題に効果的に取り組むのに苦労していることがわかった。
  論文  参考訳（メタデータ） (2024-02-14T13:51:56Z)
• LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical Imaging via Second-order Graph Matching [59.01894976615714]
  LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。 55の公開データセットから約13万の医療画像を収集しました。 LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
  論文  参考訳（メタデータ） (2023-06-20T22:21:34Z)

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。