論文の概要: A Language-Guided Multimodal Foundation Model for Zero-Shot and Multi-Task Brain Signal Analysis
- arxiv url: http://arxiv.org/abs/2609.15740v1
- Date: Mon, 14 Sep 2026 15:32:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 07:15:06.473109
- Title: A Language-Guided Multimodal Foundation Model for Zero-Shot and Multi-Task Brain Signal Analysis
- Title（参考訳）: ゼロショット・マルチタスク脳信号解析のための言語誘導型マルチモーダル基礎モデル
- Abstract要約: 本研究では、ゼロショット・マルチタスク脳信号解析(METIS)のためのマルチモーダル基礎モデルを提案する。
METISは、これまでで最大かつ最も多様な脳信号コーパスで事前訓練されており、20のデータセットから11,000人以上の被験者から70,000h以上の記録がある。
12データセットにわたる包括的なゼロショット評価では、METISは平均精度が20.9%以上向上した。
- 参考スコア（独自算出の注目度）: 6.257768263476563
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Brain signal analysis is essential for both neuroscience research and clinical diagnostics, yet current approaches face critical limitations. End-to-end models require task-specific retraining and exhibit limited generalization, while pre-trained models lack semantic depth and still depend on extensive fine-tuning. Meanwhile, general-purpose multimodal foundation models, though powerful in other domains, struggle to interpret brain signals due to representational misalignment and lack of domain knowledge. This study introduces a multimodal foundation model for zero-shot and multi-task brain signal analysis (METIS) through a unified language-signal alignment framework. METIS is pretrained on the largest and most diverse brain-signal corpus to date, comprising over 70,000 h of recordings from more than 11,000 subjects across 20 datasets. In a comprehensive zero-shot evaluation across 12 datasets, METIS outperformed the leading generalist model by over 20.9% in average accuracy. Remarkably, without any fine-tuning, METIS's performance matches or exceeds that of supervised, task-specific models. Furthermore, METIS demonstrates exceptional data efficiency and strong generalization, achieving an average AUROC advantage of over 16.0% in few-shot settings and 15.9% in cross-dataset transfer. This work establishes a new paradigm for general-purpose brain signal analysis, paving the way for next-generation neurotechnology.
- Abstract（参考訳）: 脳信号分析は神経科学研究と臨床診断の両方に不可欠であるが、現在のアプローチは重大な限界に直面している。
エンド・ツー・エンドのモデルはタスク固有の再訓練を必要とし、限定的な一般化を示すが、事前訓練されたモデルは意味的な深さに欠け、いまだ広範囲の微調整に依存している。
一方、汎用多目的基礎モデルは、他の領域では強力だが、表現的ミスアライメントとドメイン知識の欠如により脳信号の解釈に苦慮している。
本研究では,ゼロショット・マルチタスク脳信号解析(METIS)のための言語信号アライメントフレームワークを用いたマルチモーダル基礎モデルを提案する。
METISは、これまでで最大かつ最も多様な脳信号コーパスで事前訓練されており、20のデータセットから11,000人以上の被験者から70,000h以上の記録がある。
12データセットにわたる包括的なゼロショット評価では、METISは平均精度が20.9%以上向上した。
注目すべきは、微調整なしでは、METISのパフォーマンスは教師付きタスク固有のモデルと一致または上回ることである。
さらに、METISは例外的なデータ効率と強力な一般化を示し、AUROCの優位性を平均16.0%、データセット間の転送15.9%で達成している。
この研究は、汎用脳信号分析の新しいパラダイムを確立し、次世代のニューロテクノロジーへの道を開いた。
関連論文リスト
- Learning Robust and Task-Invariant Functional Representation from fMRI through Siamese Self-Supervised Learning [13.034770236191994]
我々は、データ効率のよい自己教師型表現学習フレームワークBrainSimSiamを紹介した。
学習した表現は、複数の下流分類および回帰タスクで高い性能を達成できることを実証する。
論文 参考訳（メタデータ） (2026-05-27T18:48:31Z) - Brain-DiT: A Universal Multi-state fMRI Foundation Model with Metadata-Conditioned Pretraining [6.189635778169108]
現在のfMRI基礎モデルは、限られた脳の状態と、ミスマッチした事前訓練タスクに依存している。
我々は24のデータセットから349,898のセッションで事前訓練された,汎用多状態fMRI基盤モデルである textitBrain-DiT を提案する。
論文 参考訳（メタデータ） (2026-04-14T12:52:42Z) - Towards Brain MRI Foundation Models for the Clinic: Findings from the FOMO25 Challenge [33.95846433611413]
我々はMICCAI 2025でFOMO25チャレンジを衛星イベントとして組織した。
参加者は,臨床ラベルから直接得られたデータに基づいて,大規模な事前学習データセットFOMO60Kを作成した。
16チームから19のファンデーションモデルが、標準化されたコンテナパイプラインを使用して評価された。
論文 参考訳（メタデータ） (2026-04-13T16:23:46Z) - Toward a Multi-View Brain Network Foundation Model: Cross-View Consistency Learning Across Arbitrary Atlases [62.33465338932216]
MV-BrainFMは任意のアトラスで構築された脳ネットワークから一般化可能でスケーラブルな表現を学ぶために設計された多視点脳ネットワーク基盤モデルである。
17のfMRIデータセットから20万名以上の被験者を対象に行った実験では、MV-BrainFMは既存の14の脳ネットワーク基盤モデルより一貫して優れていた。
論文 参考訳（メタデータ） (2026-03-20T11:55:00Z) - Brain-OF: An Omnifunctional Foundation Model for fMRI, EEG and MEG [2.783700146328046]
本稿では,fMRI,MEG,EEG入力を統合した脳基礎モデルであるBrain-OFを提案する。
Brain-OFは40のデータセットからなる大規模なコーパスで事前トレーニングされており、さまざまな下流タスクで優れたパフォーマンスを示している。
論文 参考訳（メタデータ） (2026-02-26T15:47:13Z) - Large Connectome Model: An fMRI Foundation Model of Brain Connectomes Empowered by Brain-Environment Interaction in Multitask Learning Landscape [12.920888696520366]
機能神経画像の基礎モデルは臨床応用を促進するために重要である。
我々は、豊かな環境変数と人口統計データを活用することで、マルチタスク学習としての脳モデルを構築した。
我々は、性予知、人間の行動認識、自閉症の早期診断、パーキンソン病、アルツハイマー病、統合失調症など、様々な応用に関する基礎モデルを評価した。
論文 参考訳（メタデータ） (2025-10-21T03:50:51Z) - Towards a general-purpose foundation model for fMRI analysis [58.06455456423138]
我々は,4次元fMRIボリュームから学習し,多様なアプリケーション間で効率的な知識伝達を可能にするフレームワークであるNeuroSTORMを紹介する。
NeuroSTORMは、複数のセンターにまたがる5万人以上の被験者から5歳から100歳までの28.65万fMRIフレーム(→9000時間)で事前トレーニングされている。
年齢/性別予測、表現型予測、疾患診断、fMRI-to-image検索、タスクベースのfMRIの5つのタスクにおいて、既存の手法よりも優れています。
論文 参考訳（メタデータ） (2025-06-11T23:51:01Z) - CodeBrain: Towards Decoupled Interpretability and Multi-Scale Architecture for EEG Foundation Model [52.466542039411515]
EEGファウンデーションモデル(EFM)は、タスク固有のモデルのスケーラビリティ問題に対処するために登場した。
このギャップを埋めるために設計された2段階のEMFであるCodeBrainを紹介します。
第1段階では、異種時間・周波数の脳波信号を離散トークンに分解するTFDual-Tokenizerを導入する。
第2段階では、構造化されたグローバル畳み込みとスライディングウインドウの注意を結合したマルチスケールEEGSSMアーキテクチャを提案する。
論文 参考訳（メタデータ） (2025-06-10T17:20:39Z) - 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) - UniBrain: Universal Brain MRI Diagnosis with Hierarchical
Knowledge-enhanced Pre-training [66.16134293168535]
我々はUniBrainと呼ばれるユニバーサル脳MRI診断のための階層的知識強化事前訓練フレームワークを提案する。
具体的には、UniBrainは、定期的な診断から24,770のイメージレポートペアの大規模なデータセットを活用する。
論文 参考訳（メタデータ） (2023-09-13T09:22:49Z) - Modeling Shared Responses in Neuroimaging Studies through MultiView ICA [94.31804763196116]
被験者の大規模なコホートを含むグループ研究は、脳機能組織に関する一般的な結論を引き出す上で重要である。
グループ研究のための新しい多視点独立成分分析モデルを提案し、各被験者のデータを共有独立音源と雑音の線形結合としてモデル化する。
まず、fMRIデータを用いて、被験者間の共通音源の同定における感度の向上を示す。
論文 参考訳（メタデータ） (2020-06-11T17:29:53Z)
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。