論文の概要: Generalist-Specialist Mixture-of-Experts for Rare Pathology Detection in Multimodal Imaging
- arxiv url: http://arxiv.org/abs/2609.18688v1
- Date: Wed, 16 Sep 2026 14:04:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-20 08:55:53.830121
- Title: Generalist-Specialist Mixture-of-Experts for Rare Pathology Detection in Multimodal Imaging
- Title（参考訳）: マルチモーダルイメージングにおけるレアパス検出のためのジェネリスト-スペシャリスト混合試験
- Abstract要約: 本稿では,2分岐(MoE)アーキテクチャであるジェネリスト-スペシャリスト-MoE(GS-MoE)を紹介する。
RadImageNet (1.35M画像、1.35M画像、165の病理、3つのモダリティ)では、GS-MoEは、各ベースラインがF1$=0、クラス当たりのゲインが+0.60 F1となる6つの低頻度の病理の検出を回復する。
- 参考スコア（独自算出の注目度）: 11.702399972209806
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: AI models for multimodal medical imaging must balance modality-specific specialization with cross-modal shared representations, a trade-off that pure Mixture-of-Experts (MoE) architectures currently fail to satisfy. Expert-based routing improves in-domain learning but may sacrifice cross-modal signals, which appear particularly important for rare (low-prevalence) pathologies in our experiments. To resolve this, we introduce Generalist-Specialist-MoE (GS-MoE), a two-branch (MoE) architecture that couples a cross-modal generalist model with distinct modality-specific specialists (experts) via domain-constrained feature fusion. On RadImageNet (1.35M images, 165 pathologies, three modalities), GS-MoE recovers detection of six low-prevalence pathologies on which every baseline scores F1 $=$ 0, with per-class gains up to +0.60 F1. It attains this while even slightly exceeding dense and specialist-only MoE aggregate baselines (MCC 0.770), while using ${\sim}53\%$ fewer active parameters at inference than the strongest investigated dense model.
- Abstract（参考訳）: マルチモーダルな医療画像のためのAIモデルは、モダリティ固有の特殊化とクロスモーダルな共有表現のバランスをとらなければならない。
エキスパートベースのルーティングは、ドメイン内の学習を改善するが、我々の実験で稀な(低頻度)病理にとって特に重要と思われるクロスモーダルシグナルを犠牲にする可能性がある。
これを解決するために,2分岐(MoE)アーキテクチャであるジェネラリスト-スペシャリスト-MoE(GS-MoE)を導入する。
RadImageNet (1.35M画像、1.35M画像、165の病理、3つのモダリティ)では、GS-MoEは、各ベースラインがF1$=0、クラス当たりのゲインが+0.60 F1となる6つの低頻度の病理の検出を回復する。
これは、より高密度で専門的なMoE集約ベースライン(MCC 0.770)をわずかに超え、推論時の活性パラメータを${\sim}53\%$に抑えながら達成している。
関連論文リスト
- Disentangling Co-Occurring Retinal Pathologies with Saliency-Guided Sparse Expert Routing [3.332219204498619]
本稿では,これをスパース条件計算によって解決する新しいアーキテクチャを提案する。
本研究は, 局所的な病変との整合性を示すとともに, 地理的に類似した症例を地図化したものである。
論文 参考訳（メタデータ） (2026-08-10T15:43:43Z) - D3Seg: Dependency-Aware Diffusion for Brain Tumor Segmentation with Missing Modalities [54.87947751720332]
欠落モード設定下での安定した性能を維持するために,新しいセグメンテーションモデルD3Segを提案する。
提案モデルでは, 腫瘍造影法 (ET) で約1.5～2.0%, 腫瘍コア法 (TC) で約1.0%, 複数の欠損モードで約1.0%を達成している。
論文 参考訳（メタデータ） (2026-05-21T09:55:42Z) - M-IDoL: Information Decomposition for Modality-Specific and Diverse Representation Learning in Medical Foundation Model [53.96788246923603]
マルチモーダル表現学習のための情報分解を導入したM-IDoLを提案する。
1.15万の医療画像の事前トレーニングにより、M-IDoL i)は21の下流臨床タスクに優れた一般化を提供する。
論文 参考訳（メタデータ） (2026-04-10T04:06:11Z) - UniField: A Unified Field-Aware MRI Enhancement Framework [45.03230466428695]
methodnameは、複数のモダリティと拡張タスクを統合する統合フレームワークである。
我々は、事前学習した3D基礎モデルを利用して、総合的な3Dボリューム情報を利用する。
我々は,総合的なマルチフィールドMRIデータセットを編成し,公開する。
論文 参考訳（メタデータ） (2026-03-10T05:45:12Z) - PathMoE: Interpretable Multimodal Interaction Experts for Pediatric Brain Tumor Classification [30.58342408480846]
PathMoEは、H&Eスライド、病理報告、核レベルセルグラフを統合する、解釈可能なマルチモーダルフレームワークである。
内科的脳腫瘍データセットと外部TGAデータセットの2つのデータセット固有の分類タスクについて,本フレームワークの評価を行った。
論文 参考訳（メタデータ） (2026-03-02T07:17:44Z) - Specializing Foundation Models via Mixture of Low-Rank Experts for Comprehensive Head CT Analysis [6.04562866374803]
複数の特殊な低ランクアダプタと教師なしソフトルーティングでLoRAを拡張したMixture of Low-Rank Experts (MoLRE) フレームワークを提案する。
2次元および3次元のアーキテクチャ、一般ドメイン、医療ドメイン、頭部CT固有の事前訓練、および7Mから431Mのモデルサイズにまたがる6つの最先端医療画像基盤モデルのMoLREのベンチマークを提示する。
論文 参考訳（メタデータ） (2026-02-28T14:32:38Z) - MMedExpert-R1: Strengthening Multimodal Medical Reasoning via Domain-Specific Adaptation and Clinical Guideline Reinforcement [63.82954136824963]
医療ビジョンランゲージモデルでは、現実世界のシナリオで必要とされる複雑な臨床推論を伴う知覚タスクが優れている。
本稿ではドメイン固有の適応とガイドライン強化を通じてこれらの課題に対処する新しい推論MedVLMを提案する。
論文 参考訳（メタデータ） (2026-01-16T02:32:07Z) - AnyAD: Unified Any-Modality Anomaly Detection in Incomplete Multi-Sequence MRI [16.227149608640477]
本稿では,任意のMRIモダリティ・アベイラビリティの下で,ロバストな異常検出と局所化を行う,Any-Modality 異常検出フレームワークを提案する。
Intrinsic Normal Prototypes (INPs) extractorとINP-guided Decoderを導入し、正常な解剖学的パターンのみを再構成し、異常な偏差を自然に増幅する。
我々のアプローチは、7つのモダリティの組み合わせにまたがって、最先端の産業と医療のADベースラインを一貫して超越し、より優れた一般化を実現している。
論文 参考訳（メタデータ） (2025-12-24T16:16:09Z) - A Novel Unified Conditional Score-based Generative Framework for
Multi-modal Medical Image Completion [54.512440195060584]
我々は、スコアベース生成モデル(SGM)を活用するために、統一多モードスコアベース生成モデル(UMM-CSGM)を提案する。
UMM-CSGMは、新しいマルチインマルチアウトコンディションスコアネットワーク(mm-CSN)を用いて、クロスモーダル条件分布の包括的集合を学習する。
BraTS19データセットの実験により、UMM-CSGMは腫瘍誘発病変における不均一な増強と不規則な領域をより確実に合成できることが示された。
論文 参考訳（メタデータ） (2022-07-07T16:57:21Z) - Modality Completion via Gaussian Process Prior Variational Autoencoders
for Multi-Modal Glioma Segmentation [75.58395328700821]
本稿では,患者スキャンに欠落するサブモダリティを1つ以上のインプットするために,MGP-VAE(Multi-modal Gaussian Process Prior Variational Autoencoder)を提案する。
MGP-VAEは、変分オートエンコーダ(VAE)に先立ってガウス過程(GP)を利用して、被験者/患者およびサブモダリティ相関を利用することができる。
4つのサブモダリティのうち2つ、または3つが欠落している脳腫瘍に対するMGP-VAEの適用性を示す。
論文 参考訳（メタデータ） (2021-07-07T19:06:34Z)
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。