論文の概要: REMEDY: How Far Is Video Generation from Medical Education World Models?

• arxiv url: http://arxiv.org/abs/2609.32460v1
• Date: Sat, 26 Sep 2026 10:49:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-07 08:58:38.559363
• Title: REMEDY: How Far Is Video Generation from Medical Education World Models?
• Title（参考訳）: REMEDY:医療教育の世界モデルからのビデオ生成はどこまで?
• Abstract要約: 本稿では,AIによる医学教育の実演のための最初のベンチマークであるREMEDY(Readiness Evaluation of Medical Education Demonstration sYnthesis)について紹介する。 REMEDYは実際のデモビデオから900フレームを提供し、4つのシナリオにわたる12のタスクをカバーしている。 以上の結果から,現実的な外見と時間的整合性は適切な臨床行動を保証するものではないことが示唆された。
• 参考スコア（独自算出の注目度）: 23.54174427043534
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent video generation models produce realistic videos and show potential as a foundation for world models. These advances create opportunities for generating medical teaching demonstrations, which requires both convincing visual quality and precise procedural actions. However, whether current generators can meet these requirements has not been measured. To address this problem, we introduce Readiness Evaluation of Medical Education Demonstration sYnthesis (REMEDY), to our knowledge, the first benchmark for AI-generated medical teaching demonstrations. REMEDY provides 900 first frames from real demonstration videos, covering 12 tasks across four scenarios: operating room, imaging, clinic and bedside, and resuscitation. Five contemporary open-source video generation models produce 4,500 videos from these frames. We combine task-specific clinical checklists with video and motion quality metrics. Evaluation covers four dimensions: clinical action following, clinical profiles, video quality, and motion quality. Our results show that realistic appearance and temporal consistency do not ensure correct clinical actions. Even the most advanced MiniMax-H3 achieves only 28.25% on strict clinical success rate, and fine-grained clinical actions remain challenging. These findings establish a foundation and roadmap for developing future medical education world models.
• Abstract（参考訳）: 最近のビデオ生成モデルは、現実的なビデオを生成し、世界モデルの基礎としての可能性を示す。 これらの進歩は、説得力のある視覚的品質と正確な手続き的行動の両方を必要とする医学的指導のデモンストレーションを生成する機会を生み出す。 しかし、現在の発電機がこれらの要件を満たすかどうかは測定されていない。 この問題に対処するために,我々は,AIによる医学教育の実演のための最初のベンチマークであるREMEDY(Readiness Evaluation of Medical Education Demonstration sYnthesis)を紹介した。 REMEDYは実際のデモビデオから900フレームを提供し、手術室、画像撮影、クリニック、ベッドサイド、蘇生の4つのシナリオにまたがる12のタスクをカバーしている。 現代の5つのオープンソースビデオ生成モデルは、これらのフレームから4,500本のビデオを生成する。 タスク固有の臨床チェックリストとビデオとモーションクオリティのメトリクスを組み合わせる。 評価は、臨床行動、臨床プロファイル、ビデオ品質、運動品質の4つの側面をカバーしている。 以上の結果から,現実的な外見と時間的整合性は適切な臨床行動を保証するものではないことが示唆された。 最も先進的なMiniMax-H3でさえ、厳格な臨床成功率で28.25%しか達成できず、詳細な臨床行動は依然として困難である。 これらの知見は、将来の医学教育の世界モデル開発の基礎とロードマップを確立している。

関連論文リスト

• UniSurg: A Video-Native Foundation Model for Universal Understanding of Surgical Videos [81.9180187964947]
  我々は,学習パラダイムを画素レベルの再構成から潜在動作予測に移行する基礎モデルUniSurgを提案する。 大規模な事前トレーニングを可能にするため,13の解剖学的領域にわたる50源からの3,658時間の動画を含む,これまでで最大規模の手術用ビデオデータセットをキュレートした。 これらの結果は、UniSurgを、ユニバーサルでモーション指向の外科的ビデオ理解の新しい標準として確立している。
  論文  参考訳（メタデータ） (2026-02-05T13:18:33Z)
• Are Video Models Emerging as Zero-Shot Learners and Reasoners in Medical Imaging? [21.25724100313781]
  4つのタスクからなるゼロショット設定において,大きな視覚モデル(LVM)を評価する。 このモデルはCTスキャンで解剖学的構造を記述し、セグメンテーション、デノナイジング、モーション予測における競合性能を達成することができる。 122例の4次元CTデータに対するLVMの評価を行い,3次元CTボリュームは1,820例以上であった。
  論文  参考訳（メタデータ） (2025-10-11T15:19:03Z)
• Hulu-Med: A Transparent Generalist Model towards Holistic Medical Vision-Language Understanding [112.46150793476603]
  透明で汎用的な医用ビジョンランゲージモデル(VLM)であるHulu-Medを紹介する。 Hulu-Medは1670万サンプルのキュレートされたコーパスで訓練されており、12の解剖学的システムと14の医用画像モダリティにまたがっている。 Hulu-Medは、30ベンチマーク中27ベンチマークで既存のオープンソースモデルを上回っ、16ベンチマークでGPT-4oなどのプロプライエタリシステムを上回っている。
  論文  参考訳（メタデータ） (2025-10-09T17:06:42Z)
• MedGen: Unlocking Medical Video Generation by Scaling Granularly-annotated Medical Videos [16.86256309424395]
  MedVideoCap-55Kは、医用ビデオ生成のための、最初の大規模、多様な、キャプションに富んだデータセットである。 実際の医療シナリオにまたがる55,000以上のキュレートされたクリップで構成されている。 このデータセット上に構築されたMedGenは,オープンソースモデル間での先行的なパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2025-07-08T04:58:36Z)
• 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)
• Bora: Biomedical Generalist Video Generation Model [20.572771714879856]
  本稿では,テキスト誘導型バイオメディカルビデオ生成のための最初のモデルであるBoraを紹介する。 新たに確立された医用ビデオコーパスを用いて、モデルアライメントとインストラクションチューニングによって微調整を行う。 Boraは、4つの異なるバイオメディカルドメインにわたる高品質なビデオデータを生成することができる。
  論文  参考訳（メタデータ） (2024-07-12T03:00:25Z)
• VideoPhy: Evaluating Physical Commonsense for Video Generation [93.28748850301949]
  生成したビデオが現実世界のアクティビティの物理的常識に従うかどうかを評価するためのベンチマークであるVideoPhyを提示する。 そして、さまざまな最先端のテキスト・ビデオ生成モデルからキャプションに条件付けされたビデオを生成する。 人間の評価では、既存のモデルには、与えられたテキストプロンプトに付着したビデオを生成する能力が欠けていることが判明した。
  論文  参考訳（メタデータ） (2024-06-05T17:53:55Z)
• Endora: Video Generation Models as Endoscopy Simulators [53.72175969751398]
  本稿では,臨床内視鏡シーンをシミュレートする医用ビデオを作成するための革新的な手法であるモデルを紹介する。 また、ビデオ生成モデルを用いた内視鏡シミュレーションのための最初の公開ベンチマークを開拓した。 Endoraは、臨床内視鏡研究のための生成AIの展開において、注目すべきブレークスルーとなる。
  論文  参考訳（メタデータ） (2024-03-17T00:51:59Z)

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。