論文の概要: A Surgical Foundation Model Reveals Task-Dependent Label Efficiency

• arxiv url: http://arxiv.org/abs/2609.31821v1
• Date: Fri, 25 Sep 2026 16:31:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 12:33:22.069664
• Title: A Surgical Foundation Model Reveals Task-Dependent Label Efficiency
• Title（参考訳）: タスク依存ラベル効率に関する外科的基礎モデル
• Abstract要約: SURGEはSurgSpectrum-30M+で訓練された外科的基礎モデルである。 5つのタスクカテゴリと15のベンチマークでラベル効率を評価した。
• 参考スコア（独自算出の注目度）: 37.190663426606484
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Developing label-efficient models is a central challenge in surgical AI due to the high cost and scarcity of expert annotation. While self-supervised foundation models adapt well to new tasks with minimal data, how label efficiency varies across different surgical tasks remains largely unexplored. Here, we introduce SURGE, a surgical foundation model trained on SurgSpectrum-30M+, the largest pretraining dataset comprising over 30 million frames, with checkpoints released to enable further research. We systematically evaluate label efficiency across 5 task categories and 15 benchmarks. These range from temporal and spatial scene understanding to fine-grained reasoning tied to instrument-anatomy interactions and safety-critical maneuvers. SURGE outperforms prior state-of-the-art on all benchmarks, even surpassing task-specific models on complex reasoning tasks. Crucially, we reveal a task-dependent scaling behavior: while scene understanding tasks saturate with minimal supervision, fine-grained reasoning tasks continue improving with substantially larger annotation budgets, providing a blueprint for allocating expert effort in complex domains. Code: https://github.com/CAMMA-public/SURGE
• Abstract（参考訳）: ラベル効率のモデルを開発することは、専門家アノテーションの高コストと不足のため、外科的AIにおける中心的な課題である。 自己監督型基礎モデルは、最小限のデータで新しいタスクに順応するが、ラベルの効率がさまざまな外科的タスクでどのように変化するかは、まだ明らかになっていない。 本稿では,3000万フレーム以上の事前トレーニングデータセットであるSurgSpectrum-30M+をトレーニングした外科的基礎モデルであるSURGEについて紹介する。 5つのタスクカテゴリと15のベンチマークでラベル効率を体系的に評価した。 これらは時間的・空間的な場面の理解から、機器・解剖学的相互作用と安全・クリティカルな操作に関連するきめ細かい推論まで様々である。 SURGEはすべてのベンチマークで先行技術よりも優れており、複雑な推論タスクのタスク固有のモデルを超えている。 シーン理解タスクは最小限の監督で飽和するが、よりきめ細かい推論タスクは大幅に大きなアノテーション予算で改善され、複雑なドメインで専門家の努力を割り当てるための青写真を提供する。 コード:https://github.com/CAMMA-public/SURGE

関連論文リスト

• Boundary-Aware Test-Time Adaptation for Zero-Shot Medical Image Segmentation [12.159529070716824]
  BA-TTA-SAMはテスト時間適応によるSAMのゼロショットセグメンテーション性能を向上させるテスト時間適応フレームワークである。 我々のフレームワークは、医用画像分割における最先端モデルよりも一貫して優れています。
  論文  参考訳（メタデータ） (2025-12-04T07:08:21Z)
• Zero-Training Task-Specific Model Synthesis for Few-Shot Medical Image Classification [5.59515535487396]
  深層学習モデルは、医用画像解析において顕著な成功を収めてきたが、大規模かつ精巧に注釈付けされたデータセットの要求に制約されている。 ゼロトレーニングタスク特化モデル合成(ZS-TMS)という新しいパラダイムを提案する。 既存のモデルに適応したり、新しいモデルをトレーニングする代わりに、大規模で事前訓練された生成エンジンを活用して、タスク固有の分類器のパラメータ集合全体を直接的に合成する。
  論文  参考訳（メタデータ） (2025-11-18T03:12:01Z)
• RAGNet: Large-scale Reasoning-based Affordance Segmentation Benchmark towards General Grasping [101.22617426879079]
  我々は、RAGNetという人間のような命令を用いた大規模把握指向のアベイランスセグメンテーションベンチマークを構築した。 画像は、ワイルド、ロボット、エゴ中心、シミュレーションデータなど、さまざまな具体的データドメインをカバーする。 AffordanceNet という,我々の大容量データに基づいて事前訓練された VLM と,目標を把握するためのアベイランスマップを規定するグリーティングネットワークからなる,包括的アベイランスベースのグリーティングフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-07-31T17:17:05Z)
• AMNCutter: Affinity-Attention-Guided Multi-View Normalized Cutter for Unsupervised Surgical Instrument Segmentation [7.594796294925481]
  我々は,Multi-View Normalized Cutter(m-NCutter)という新しいモジュールを特徴とするラベルフリーな教師なしモデルを提案する。 本モデルでは, パッチ親和性を利用したグラフカット損失関数を用いて, 疑似ラベルの不要化を図った。 我々は、複数のSISデータセットにわたる包括的な実験を行い、事前訓練されたモデルとして、アプローチの最先端(SOTA)パフォーマンス、堅牢性、および例外的なポテンシャルを検証する。
  論文  参考訳（メタデータ） (2024-11-06T06:33:55Z)
• MMAU: A Holistic Benchmark of Agent Capabilities Across Diverse Domains [54.117238759317004]
  大規模マルチタスクエージェント理解(MMAU)ベンチマークは、複雑な環境設定を必要としない包括的なオフラインタスクを特徴としている。 ツールユース、DAG(Directed Acyclic Graph)QA、データサイエンスと機械学習コーディング、コンテストレベルのプログラミング、数学の5分野にわたるモデルを評価する。 3K以上の異なるプロンプトを含む20の精巧に設計されたタスクにより、MMAUはLLMエージェントの強度と限界を評価するための包括的なフレームワークを提供する。
  論文  参考訳（メタデータ） (2024-07-18T00:58:41Z)
• Weakly-Supervised Cross-Domain Segmentation of Electron Microscopy with Sparse Point Annotation [1.124958340749622]
  カウント,検出,セグメンテーションタスク間の相関を利用したマルチタスク学習フレームワークを提案する。 ラベル拡張のためのクロスポジションカット・アンド・ペーストを開発し,エントロピーに基づく擬似ラベル選択を行う。 提案手法は, UDA法を著しく上回り, 教師付き手法と同等の性能を発揮する。
  論文  参考訳（メタデータ） (2024-03-31T12:22:23Z)
• Exposing and Addressing Cross-Task Inconsistency in Unified Vision-Language Models [80.23791222509644]
  一貫性のないAIモデルは、人間のユーザーによって不安定で信頼できないと見なされている。 最先端のビジョン言語モデルは、タスク間の驚くほど高い一貫性のない振る舞いに悩まされている。 本稿では,大規模で自動生成されるクロスタスクコントラスト集合上で計算されたランク相関に基づく補助訓練目標を提案する。
  論文  参考訳（メタデータ） (2023-03-28T16:57:12Z)
• IM-IAD: Industrial Image Anomaly Detection Benchmark in Manufacturing [88.35145788575348]
  画像異常検出(英: Image Anomaly Detection、IAD)は、産業用コンピュータビジョンの課題である。 統一IMベンチマークの欠如は、現実世界のアプリケーションにおけるIADメソッドの開発と利用を妨げる。 7つの主要なデータセットに19のアルゴリズムを含む包括的画像異常検出ベンチマーク(IM-IAD)を構築した。
  論文  参考訳（メタデータ） (2023-01-31T01:24:45Z)

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。