論文の概要: EyeVQA: Benchmarking Ophthalmic Vision-Language Models from Recognition to Spatial Grounding

• arxiv url: http://arxiv.org/abs/2609.32352v2
• Date: Tue, 29 Sep 2026 01:27:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:46.592494
• Title: EyeVQA: Benchmarking Ophthalmic Vision-Language Models from Recognition to Spatial Grounding
• Title（参考訳）: EyeVQA: 認識から空間的グラウンド化までの眼科視覚言語モデルのベンチマーク
• Abstract要約: EyeVQAは、眼科視覚言語モデルの総合的な評価のための統合された視覚質問応答ベンチマークである。 金の答えは、情報源から得られた診断、重症度、臨床所見、セグメンテーションマスク、バウンディングボックス、解剖学的ランドマークから決定的に導かれる。 我々は、統一ゼロショットプロトコルの下で14の汎用、科学、医療専門のVLMをベンチマークする。
• 参考スコア（独自算出の注目度）: 3.8760571972461015
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vision-language models (VLMs) have shown increasing potential for medical image understanding, yet their capabilities in ophthalmic imaging remain insufficiently characterized. Existing ophthalmic datasets are typically designed for individual diseases or specialized tasks, making it difficult to systematically evaluate whether VLMs can move beyond disease recognition toward comparative reasoning and fine-grained spatial grounding. We introduce EyeVQA, a unified visual question answering benchmark for comprehensive evaluation of ophthalmic VLMs. EyeVQA is constructed from 21 available ophthalmic datasets and contains 20,000 question-answer pairs spanning six disease groups and seven question types: Single-Choice, Multi-Select, Variable-Select, True-False, Ranking, Point Location, and Bounding Box. Gold answers are deterministically derived from source-provided diagnoses, severity grades, clinical findings, segmentation masks, bounding boxes, and anatomical landmarks, enabling reproducible evaluation without relying on model-generated annotations. Notably, 44.5% of the questions require reasoning across multiple images, extending evaluation beyond conventional single-image medical VQA. We benchmark fourteen representative general-purpose, scientific, and medically specialized VLMs under a unified zero-shot protocol. The best-performing model only achieves an overall score of 62.8, while substantial gaps remain in spatial grounding and cross-task generalization. These results highlight the limitations of current VLMs in comprehensive ophthalmic visual understanding and establish EyeVQA as a diagnostic benchmark for developing more reliable and spatially grounded ophthalmic multimodal models. The project page is available at https://github.com/PKUTHM/EyeVQA.
• Abstract（参考訳）: ヴィジュアル言語モデル (VLM) は, 医用画像理解の可能性が高まっているが, 眼科画像の能力は依然として不十分である。 既存の眼科データセットは、通常、個々の疾患や専門的なタスクのために設計されており、VLMが疾患認識を超えて比較推論やきめ細かい空間的接地へと移行できるかどうかを体系的に評価することは困難である。 眼科VLMの総合的評価のための統合視覚質問応答ベンチマークであるEyeVQAを紹介する。 EyeVQAは、21の利用可能な眼科データセットから構築され、6つの疾患グループと7つの質問タイプにまたがる2万の質問回答ペアを含んでいる。 金の答えは、ソース提供された診断、重症度、臨床所見、セグメンテーションマスク、バウンディングボックス、解剖学的ランドマークから決定的に導き出されており、モデル生成アノテーションに頼ることなく再現可能な評価を可能にする。 特に、44.5%の質問は複数の画像に対する推論を必要とし、従来のシングルイメージの医療用VQAを超えて評価を延ばしている。 我々は、統一ゼロショットプロトコルの下で14の汎用、科学、医療専門のVLMをベンチマークする。 最高のパフォーマンスモデルは62.8のスコアしか得られないが、空間接地やクロスタスクの一般化においてかなりのギャップが残っている。 これらの結果は,眼科の視覚的包括的理解における現在のVLMの限界を強調し,より信頼性が高く空間的に接地された眼科マルチモーダルモデルを開発するための診断ベンチマークとしてEyeVQAを確立した。 プロジェクトページはhttps://github.com/PKUTHM/EyeVQA.comで公開されている。

関連論文リスト

• MMBU: A Massive Multi-modal Biomedical Understanding Benchmark to Probe the Perception Capabilities of Vision-Language Models [83.50100003741628]
  ビジョンと言語モデル(VLM)は、バイオメディカルイメージングを変革する大きな可能性を秘めている。 本稿では,MMBU(Massive Multimodal Biomedical Understanding)ベンチマークを紹介する。 今までで最大のビジョンと言語ベンチマークで、35のサブモダリティと豊富な構造化メタデータをカバーしている。
  論文  参考訳（メタデータ） (2026-06-04T20:24:47Z)
• Towards Clinically Interpretable Ophthalmic VQA via Spatially-Grounded Lesion Evidence [51.57735743553791]
  今回我々はFundusGroundを紹介した。これは臨床的に解釈可能な眼科用VQAの空間的根拠を用いた新しいベンチマークである。 この構造された病変の証拠に基づいて、72,706の質問が4つのフォーマットにまたがって生成される。 実験により、病変レベルの視覚的エビデンスを組み込むことで、モデルの性能と透明性が一貫して向上することが示された。
  論文  参考訳（メタデータ） (2026-05-21T12:37:03Z)
• EyecareGPT: Boosting Comprehensive Ophthalmology Understanding with Tailored Dataset, Benchmark and Model [51.66031028717933]
  Med-LVLM(Med-LVLM)は、医療において重要な可能性を示す。 現在、知的眼科診断は、(i)データ、(ii)ベンチマーク、(iii)モデルという3つの大きな課題に直面している。 我々は、前述の3つの課題に対処するEyecare Kitを提案する。
  論文  参考訳（メタデータ） (2025-04-18T12:09:15Z)
• LMOD: A Large Multimodal Ophthalmology Dataset and Benchmark for Large Vision-Language Models [38.78576472811659]
  大規模視覚言語モデル(LVLM)は、解剖情報を理解し、眼疾患を診断し、解釈と追跡計画の作成を支援する可能性がある。 我々は、クローズドソース、オープンソース、医療ドメインの13の最先端のLVLM代表をベンチマークした。 その結果,眼科領域では他の領域と比較してLVLMが有意に低下した。
  論文  参考訳（メタデータ） (2024-10-02T14:57:58Z)
• GMAI-MMBench: A Comprehensive Multimodal Evaluation Benchmark Towards General Medical AI [67.09501109871351]
  LVLM(Large Vision-Language Model)は、画像、テキスト、生理学的信号などの多様なデータタイプを扱うことができる。 GMAI-MMBenchは、よく分類されたデータ構造と、これまででもっとも包括的な一般医療用AIベンチマークである。 38の医療画像モダリティ、18の臨床関連タスク、18の部門、視覚質問回答(VQA)フォーマットの4つの知覚的粒度からなる284のデータセットで構成されている。
  論文  参考訳（メタデータ） (2024-08-06T17:59:21Z)
• EyeFound: A Multimodal Generalist Foundation Model for Ophthalmic Imaging [13.88319807760491]
  眼科画像のマルチモーダル基盤モデルであるEyeFoundを提案する。 ラベルのないマルチモーダル網膜画像から一般化可能な表現を学習する。 11の眼科領域にわたる227の病院の278万枚の画像で訓練されている。
  論文  参考訳（メタデータ） (2024-05-18T17:03:39Z)
• 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)

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。