論文の概要: Medical Image Alignment Assessment as a Test of Generalist Visual Reasoning in Frontier Multimodal Models

• arxiv url: http://arxiv.org/abs/2610.06896v1
• Date: Mon, 28 Sep 2026 17:17:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.458961
• Title: Medical Image Alignment Assessment as a Test of Generalist Visual Reasoning in Frontier Multimodal Models
• Title（参考訳）: フロンティア・マルチモーダルモデルにおける一般視覚推論テストとしての医用画像アライメント評価
• Abstract要約: 本研究では,フロンティアMLLMが医用画像アライメントの効果的な視覚的評価を行うことができることを示す。 わずか数ヶ月前にリリースされたモデルでは、一般化が不十分で、いくつかの設定では、ほとんどパフォーマンスが上回らない。 以上より,医用画像アライメントは一般的な視覚的推論に有用なテストベッドであると考えられた。
• 参考スコア（独自算出の注目度）: 2.62004588744353
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Frontier multimodal large language models (MLLMs) are increasingly positioned as general purpose visual reasoners as part of the quest for artificial general intelligence. A key test of this generality is whether they can perform novel visual judgments that humans can make reliably from visual evidence and task instructions, without task-specific parameter optimisation. We investigate this question through the task of medical image alignment assessment, where the goal is to establish whether there is anatomical correspondence between two images. Human visual assessment of image alignment is still the gold standard and most common approach; however, it requires trained operators and is impractical to scale for large datasets. We evaluate recent generations of MLLMs on two exemplar medical image alignment tasks, varying both prompting strategies and image-presentation methods. We compare against a locally fine-tuned MLLM and a task-specific CNN to examine the trade-off between frontier general purpose models and smaller models that require specific task optimisation but can be used locally. We show that are reaching an inflection point, where frontier MLLMs can now perform effective visual assessment of medical image alignment. Models released only a few months ago generalise poorly and, in some settings, perform barely above chance, whereas GPT-6 achieves over 85% across almost all scenarios tested. Fine-tuned local models can match or exceed frontier-model performance on the tasks on which they are trained, but transfer substantially less effectively to unseen settings. These findings identify medical image alignment as a useful test bed for generalist visual reasoning and suggest that frontier multimodal models are beginning to acquire capabilities that could support a common quality-control mechanism across heterogeneous medical-imaging pipelines.
• Abstract（参考訳）: フロンティア・マルチモーダル・大規模言語モデル(MLLM)は、人工知能の探求の一環として、汎用的な視覚推論モデルとして位置づけられている。 この一般化の鍵となるテストは、人間がタスク固有のパラメータを最適化することなく、視覚的エビデンスやタスク命令から確実に行うことができるという新しい視覚的判断を実行できるかどうかである。 本稿では, 医用画像アライメントアライメントアセスメントの課題を通じて, この課題について検討する。 画像アライメントの人間の視覚的評価は依然として金の標準であり、最も一般的なアプローチである。 本稿では,2つの医用画像アライメントタスクにおけるMLLMの世代別評価を行い,プロンプト戦略と画像提示方法の差異について検討した。 局所的に微調整されたMLLMとタスク固有のCNNを比較し、フロンティア汎用モデルと特定のタスク最適化を必要とするが局所的に使用できる小さなモデルとのトレードオフを検討する。 我々は,フロンティアMLLMが医用画像アライメントの効果的な視覚的評価を行うことのできる反射点に到達していることを示す。 わずか数ヶ月前にリリースされたモデルでは、一般化が不十分で、いくつかの設定では、ほとんどチャンスをはるかに上回っているが、GPT-6は、テストされたほぼすべてのシナリオで85%以上を達成している。 微調整されたローカルモデルは、訓練されたタスクにおいてフロンティアモデルのパフォーマンスにマッチまたは超えることができるが、目に見えない設定に効果的に転送することはない。 これらの結果から、医用画像アライメントは、一般的な視覚的推論に有用なテストベッドであり、フロンティアマルチモーダルモデルが、異種医療画像パイプライン間の共通品質制御機構をサポートする能力を獲得し始めていることが示唆された。

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)
• TemMed-Bench: Evaluating Temporal Medical Image Reasoning in Vision-Language Models [54.48710348910535]
  既存の医学推論ベンチマークは、主に1回の訪問からの画像に基づいて患者の状態を分析することに焦点を当てている。 臨床訪問における患者の状態の変化を分析するための最初のベンチマークであるTemMed-Benchを紹介する。
  論文  参考訳（メタデータ） (2025-09-29T17:51:26Z)
• MM-DINOv2: Adapting Foundation Models for Multi-Modal Medical Image Analysis [19.063517827476826]
  MM-DINOv2(MM-DINOv2)は,マルチモーダル・メディカル・イメージングのための事前学習型視覚基盤モデルDINOv2に適応する新しいフレームワークである。 本手法では,マルチモーダル・パッチの埋め込みを取り入れ,視覚基盤モデルによりマルチモーダル・イメージングデータを効果的に処理することができる。 本手法は外部テストセットで0.6のマシューズ相関係数(MCC)を達成し、最先端の教師付きアプローチを+11.1%超える。
  論文  参考訳（メタデータ） (2025-09-08T12:34:15Z)
• Does DINOv3 Set a New Medical Vision Standard? [67.33543059306938]
  本報告は、DINOv3が、ドメイン固有の事前トレーニングなしで、医用視覚タスクのための強力な統合エンコーダとして機能するかどうかを考察する。 我々はDINOv3を2D/3D分類やセグメンテーションを含む一般的な医療ビジョンタスクでベンチマークした。 注目すべきは、いくつかのタスクでBiomedCLIPやCT-Netといった医療固有の基礎モデルよりも優れていることだ。
  論文  参考訳（メタデータ） (2025-09-08T09:28:57Z)
• Multimodal Causal-Driven Representation Learning for Generalizable Medical Image Segmentation [56.52520416420957]
  医用画像セグメンテーションにおける領域一般化に取り組むために, MCDRL(Multimodal Causal-Driven Representation Learning)を提案する。 MCDRLは競合する手法より一貫して優れ、セグメンテーション精度が優れ、堅牢な一般化性を示す。
  論文  参考訳（メタデータ） (2025-08-07T03:41:41Z)
• How Far Have Medical Vision-Language Models Come? A Comprehensive Benchmarking Study [16.84832179579428]
  VLM(Vision-Language Models)は、Webスケールのコーパスを訓練し、自然画像のタスクに優れ、医療に利用されつつある。 本稿では,8つのベンチマークを用いて,オープンソース汎用および医療専門のVLMの総合評価を行う。 まず、大規模な汎用モデルは、いくつかのベンチマークで、すでに医学固有のモデルと一致しているか、あるいは超えている。 第二に、推論のパフォーマンスは理解よりも一貫して低く、安全な意思決定支援にとって重要な障壁を強調します。
  論文  参考訳（メタデータ） (2025-07-15T11:12:39Z)
• Adapting Visual-Language Models for Generalizable Anomaly Detection in Medical Images [68.42215385041114]
  本稿では,CLIPモデルを用いた医用異常検出のための軽量な多レベル適応と比較フレームワークを提案する。 提案手法では,複数の残像アダプタを事前学習した視覚エンコーダに統合し,視覚的特徴の段階的向上を実現する。 医学的異常検出ベンチマーク実験により,本手法が現在の最先端モデルを大幅に上回っていることが示された。
  論文  参考訳（メタデータ） (2024-03-19T09:28:19Z)
• LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical Imaging via Second-order Graph Matching [59.01894976615714]
  LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。 55の公開データセットから約13万の医療画像を収集しました。 LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
  論文  参考訳（メタデータ） (2023-06-20T22:21:34Z)

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。