論文の概要: FOCUS: Benchmarking Retinal Model Generalization from Foundation Vision Encoders to Multimodal LLMs

• arxiv url: http://arxiv.org/abs/2609.33158v1
• Date: Sun, 27 Sep 2026 03:31:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 10:00:12.7513
• Title: FOCUS: Benchmarking Retinal Model Generalization from Foundation Vision Encoders to Multimodal LLMs
• Title（参考訳）: FOCUS: ファウンデーションビジョンエンコーダからマルチモーダルLCMへの網膜モデル一般化のベンチマーク
• Abstract要約: FOCUS (Foundation Ophthalmic Cross-Dataset Understanding under Shift) は網膜モデル評価のためのクロスデータセットベンチマークである。 本稿では,532のベース構成と228のMLLM構成を教師付き微調整により大規模に評価する。 結果は、モデルファミリがタスクやデータセットをまたいで一貫して支配することはないことを示している。
• 参考スコア（独自算出の注目度）: 6.949626212682252
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Progress in AI-based retinal image analysis has advanced with foundation models, yet evaluating their reliability remains challenging. Performance reported on a single dataset does not capture how models behave under dataset shift, across clinical definitions, or for different patient subgroups. This limitation is particularly critical in medical imaging analysis, where robustness, calibration, and fairness are essential for safe deployment. We introduce FOCUS (Foundation Ophthalmic Cross-Dataset Understanding under Shift), a cross-dataset benchmark for evaluating retinal fundus models that considers vision-only encoder models (VM), vision-language dual-encoder models (VLM), and multimodal large language models (MLLM). FOCUS harmonizes binary diabetic retinopathy, referable diabetic retinopathy, and glaucomatous optic neuropathy tasks across ten public datasets spanning diverse geographies, acquisition conditions, and label protocols. The benchmark evaluates models through a unified analysis layer that measures ranking performance, calibration, subgroup disparities, and image-quality robustness. We present a large-scale evaluation covering 532 base configurations and 228 MLLM configurations adapted through supervised fine-tuning with low-rank adaptation (LoRA). Results show that no model family consistently dominates across tasks and datasets: general VM encoders achieve the strongest average ranking performance, medical MLLMs are competitive but variable, and dual encoder VLMs benefit substantially from lightweight adaptation. Fine-tuning improves in-domain performance but exhibits heterogeneous transfer to external datasets, particularly in calibration. These findings demonstrate that retinal model evaluation is inherently multidimensional. FOCUS provides a practical framework and public benchmark to assess generalization, reliability, and robustness beyond single-dataset leaderboards
• Abstract（参考訳）: AIベースの網膜画像解析の進歩は基礎モデルによって進んでいるが、信頼性の評価は依然として難しい。 単一のデータセットで報告されたパフォーマンスは、データセットシフトや臨床定義、あるいは異なる患者サブグループに対して、モデルがどのように振る舞うかを捉えていない。 この制限は、堅牢性、校正、公正性が安全な配置に不可欠である医療画像解析において特に重要である。 FOCUS(Foundation Ophthalmic Cross-Dataset Understanding under Shift)は、視覚のみのエンコーダモデル(VM)、視覚言語によるデュアルエンコーダモデル(VLM)、マルチモーダルな大規模言語モデル(MLLM)を考慮した、網膜基底モデルを評価するためのクロスデータセットベンチマークである。 FOCUSは、多彩な地理、取得条件、ラベルプロトコルにまたがる10のパブリックデータセットにまたがる2つの糖尿病網膜症、参照可能な糖尿病網膜症、および緑内障性視神経障害タスクを調和させる。 このベンチマークは、ランク付け性能、キャリブレーション、サブグループ格差、画像品質の堅牢性を測定する統一分析層を通じてモデルを評価する。 低ランク適応 (LoRA) を用いた教師付き微調整により, 532のベース構成と228のMLLM構成を大規模に評価した。 一般的なVMエンコーダは最強の平均ランク付け性能を達成し、医療用MLLMは競争力はあるが可変であり、デュアルエンコーダVLMは軽量適応の恩恵を受ける。 ファインチューニングはドメイン内のパフォーマンスを改善するが、特にキャリブレーションにおいて外部データセットへの異質な転送を示す。 これらの結果から網膜モデル評価は本質的に多次元であることが示唆された。 FOCUSは、単一データセットのリーダーボードを超えた一般化、信頼性、堅牢性を評価するための実践的なフレームワークと公開ベンチマークを提供する

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)
• Multi-View Synergistic Learning with Vision-Language Adaption for Low-Resource Biomedical Image Classification [59.24009931000134]
  MVSL(Multi-View Synergistic Learning)は、適応パラダイム、表現の粒度、疾患の意味的関係に対処する統合フレームワークである。 MVSLは、視覚的およびテキスト的エンコーダの適応を分離し、それぞれの表現特性を尊重する。 さらに、グローバルなイメージセマンティクスと局所的な病変レベルの証拠の両方を明示的にモデル化するために、多粒性コントラスト学習を導入する。 MVSLは、いくつかのショットとゼロショットの分類設定において、最先端のメソッドを一貫して上回る。
  論文  参考訳（メタデータ） (2026-04-27T02:41:27Z)
• CLEAR-Mamba:Towards Accurate, Adaptive and Trustworthy Multi-Sequence Ophthalmic Angiography Classification [18.95392587947337]
  医用画像分類はコンピュータ支援診断(CAD)のコアタスクである 眼科領域ではFlurecein fundus angiography (FFA) とIndocyanine green angiography (ICGA) が血行動態および病変・構造情報を提供する。 我々は,MedMamba上に構築された拡張フレームワークであるCLEAR-Mambaを提案する。
  論文  参考訳（メタデータ） (2026-01-28T13:40:10Z)
• Benchmarking CXR Foundation Models With Publicly Available MIMIC-CXR and NIH-CXR14 Datasets [0.35441912284181126]
  この研究は、パブリックMIMIC-CRとNIH ChestX-ray14データセットに2つの大規模胸部X線埋め込みモデル(CXR)をベンチマークする。 トレーニング済みエンコーダから直接埋め込みを抽出し,複数ラベルの軽量LightGBM分類器を訓練し,平均AUROC,F1スコアを95%の信頼区間で報告した。
  論文  参考訳（メタデータ） (2025-12-03T12:55:44Z)
• Unified Supervision For Vision-Language Modeling in 3D Computed Tomography [1.4193731654133002]
  汎用視覚言語モデル(VLM)は放射線学において有望なツールとして登場し、ゼロショット機能を提供している。 診断放射線学のような高度な領域では、これらのモデルは信頼できる臨床使用に必要な識別精度を欠いていることが多い。 分類ラベルやセグメンテーションマスクにエンコードされた多種多様な監視信号を統合するボリュームVLMであるUniferumを,単一のトレーニングフレームワークに導入する。
  論文  参考訳（メタデータ） (2025-09-01T15:30:17Z)
• PRETI: Patient-Aware Retinal Foundation Model via Metadata-Guided Representation Learning [3.771396977579353]
  PreTIは、メタデータ認識学習と堅牢な自己教師付き表現学習を統合した網膜基盤モデルである。 患者レベルのデータペアを構築し、同一人物の画像を関連付けることにより、非臨床的変動に対する堅牢性を向上させる。 実験では、PreTIは様々な疾患やバイオマーカー予測にまたがって最先端の結果を達成することを示した。
  論文  参考訳（メタデータ） (2025-05-18T04:59:03Z)
• VALOR-EVAL: Holistic Coverage and Faithfulness Evaluation of Large Vision-Language Models [57.43276586087863]
  LVLM(Large Vision-Language Models)は幻覚に悩まされ、このモデルでは可聴音を発生させるが、実際には誤出力を発生させる。 既存のベンチマークはスコープに限られており、主にオブジェクト幻覚に焦点を当てている。 対象,属性,関係を多次元のベンチマークで表現し,連想バイアスに基づいて画像を選択する。
  論文  参考訳（メタデータ） (2024-04-22T04:49:22Z)

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。