論文の概要: Can Multimodal Decision Models Classify Breast Ultrasound Images? Benchmarking CLEF and CLEF-Flash Across Prompts and Datasets
- arxiv url: http://arxiv.org/abs/2610.13675v1
- Date: Fri, 09 Oct 2026 14:41:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-13 04:06:29.640397
- Title: Can Multimodal Decision Models Classify Breast Ultrasound Images? Benchmarking CLEF and CLEF-Flash Across Prompts and Datasets
- Title（参考訳）: マルチモーダル決定モデルは乳房超音波画像の分類可能か? CLEFとCLEF-Flashのプロンプトとデータセットのベンチマーク
- Abstract要約: 本研究は,2818胸部超音波画像におけるCLEFおよびCLEF-Flashとの比較を行った。
3つのプロンプトは最小限のラベル、明示的な分類タスク、または音韻基準を提供する。
精度,マクロF1,バランスの取れた精度,マクロ精度,スループット,レイテンシを報告する。
- 参考スコア（独自算出の注目度）: 2.7630126412229425
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Multimodal decision models return probabilities over predefined alternatives, offering a structured interface for image classification. This study benchmarks inference with CLEF and CLEF-Flash on 2818 breast ultrasound images from Dataset B, BUSI, and BUS-BRA. Dataset B and BUS-BRA use binary benign-malignant classification, whereas BUSI includes normal, benign, and malignant categories. Model parameters remain unchanged, and original images are submitted without user-defined preprocessing. Three prompts provide minimal labels, an explicit classification task, or sonographic criteria. We report accuracy, macro F1, balanced accuracy, macro precision, throughput, and latency. CLEF-Flash with the clinical prompt achieves the highest accuracy on all three datasets: 74.85% on Dataset B, 66.28% on BUSI, and 51.63% on BUS-BRA. On BUSI, however, CLEF with the task-guided prompt achieves the highest macro F1 (64.51%) and balanced accuracy (68.72%). CLEF-Flash has lower latency in every matched comparison. Clinical instructions improve CLEF-Flash accuracy relative to the minimal prompt but reduce CLEF accuracy on all datasets. Confusion matrices reveal frequent benign-to-malignant errors, particularly on BUS-BRA, where all configurations fall below the 67.63% accuracy of a majority-class predictor. These findings demonstrate dataset-and prompt-dependent performance and motivate class-specific evaluation before applying multimodal decision models to breast ultrasound analysis.
- Abstract（参考訳）: マルチモーダル決定モデルは、事前に定義された代替品よりも確率を返し、画像分類のための構造化インターフェイスを提供する。
本研究では,データセットB,BUSI,BUS-BRAから2818個の胸部超音波画像に対するCLEFとCLEF-Flashの推測をベンチマークした。
データセットBとBUS-BRAはバイナリ良悪性分類を用いるが、BUSIは正常、良性、悪性の分類を含む。
モデルパラメータは変わらないままで、元のイメージはユーザーが定義した事前処理なしで送信される。
3つのプロンプトは最小限のラベル、明示的な分類タスク、または音韻基準を提供する。
精度,マクロF1,バランスの取れた精度,マクロ精度,スループット,レイテンシを報告する。
CLEF-Flashは、データセットBでは74.85%、BUSIでは66.28%、BUS-BRAでは51.63%である。
しかし、BUSIでは、タスク誘導プロンプトを持つCLEFは最高マクロF1 (64.51%) と平衡精度 (68.72%) を達成する。
CLEF-Flashは一致した比較ごとにレイテンシが低い。
臨床命令は最小限のプロンプトに対してCLEF-Flash精度を改善するが、すべてのデータセットでCLEF精度を低下させる。
融合行列では、特にBUS-BRAでは、全ての構成が多数クラスの予測器の67.63%の精度以下になる。
以上の結果から,乳房超音波検査にマルチモーダル決定モデルを適用する前に,データセットとアクティベートに依存したパフォーマンスを示し,クラス固有の評価を動機づけた。
関連論文リスト
- ChartBmkAgent: Harness-Governed Multi-Agent Construction of Chart QA Benchmarks from Sparse Error-Taxonomy Specifications [40.065183138791184]
自動チャートQA構築は、特定されたギャップを需要に応じて対象とするサンプルにすることで、ベンチマーク開発サイクルを短縮することを目的としている。
本稿では,Sparse error-taxonomy仕様から完全なChart QAサンプルを構築することで,特定能力ギャップを対象とする診断証拠に変換するChartBmkAgentを紹介する。
300の分類学的標本では、MLLMの精度は32.7%から84.3%まで変化しており、異なるカテゴリーのプロファイルがある。
論文 参考訳（メタデータ） (2026-10-06T10:31:28Z) - MagViT: Interpretable Multi-Magnification Transformers with Patient-Level Model Selection for Breast Histopathology [0.0]
MagViTは、スケールゲート融合と患者レベルのモデル選択を備えた、解釈可能な多機能トランスフォーマーフレームワークである。
BreakHisでは, 平均画像精度0.9191, 平均患者精度0.9643, 平均マクロF1.9042を実現している。
論文 参考訳（メタデータ） (2026-08-16T18:20:40Z) - MalariAI: A Label-Resilient Decoupled Framework for Universal Cell Segmentation and Explainable Stage Classification in Dense Malaria Blood Smears [0.0]
血液スミア顕微鏡によるマラリアの診断は、グローバルヘルスAIにとって重要な課題である。
3つの複合的障害モードは、既存のディープラーニングシステムの信頼性の高い臨床展開を防ぐ。
統一パイプラインにおける3つの障害モードすべてに対処する、2段階の分離フレームワークであるMarariAIを紹介します。
論文 参考訳（メタデータ） (2026-07-01T03:27:04Z) - Cascade Classification of Dermoscopic Images of Skin Neoplasms with Controllable Sensitivity and External Clinical Validation [36.94429692322632]
二段式(悪性/良性)、一段式(良性、MEL、SCC、BCC)、二段式(二段式トリアージ、三段式MEL/SCC/BCC)の3種類を比較した。
すべてのモデルはImageNet-pretrained weightsを使用し、オープンなISICアーカイブデータに1つの拡張プロトコルを使用した。
ISIC MILK10kでは、11級の直接分類により平均級感度0.525が得られる。
論文 参考訳（メタデータ） (2026-06-11T09:55:57Z) - BAMI: Training-Free Bias Mitigation in GUI Grounding [72.1023567399117]
我々は、これらのバイアスを効果的に軽減するために、粗い焦点と候補選択という2つの重要な操作を組み込んだtextbfBias-Aware Manipulation Inference (BAMI)を導入する。
BAMIは、トレーニングフリー環境で様々なGUIグラウンドモデルの精度を大幅に向上させる。
論文 参考訳（メタデータ） (2026-05-07T17:59:31Z) - Medical thinking with multiple images [44.04557445622649]
我々はMedThinkVQAを紹介した。MedThinkVQAは、複数の画像で考えるためのエキスパートアノテーション付きベンチマークである。
データセットは720のテストケースを含む8,067ケースを含み、1ケースあたり平均6.62イメージである。
テストセットでは、最高のクローズドソースモデルであるClaude-4.6-Opus、Gemini-3-Pro、GPT-5.2-xhighは57.2%、55.3%、54.9%の精度しか達成できなかった。
論文 参考訳（メタデータ） (2026-04-14T18:51:07Z) - Advancing Few-Shot Pediatric Arrhythmia Classification with a Novel Contrastive Loss and Multimodal Learning [0.9225176258772595]
本稿では、ECGとIEGMのための二重分岐畳み込みエンコーダを組み合わせたマルチモーダルエンドツーエンドディープラーニングフレームワークを提案する。
また,アダプティブ・グローバル・クラス・アウェア・コントラシティブ・ロスと呼ばれる新たなコントラシブ・ロスファクニションを導入する。
論文 参考訳（メタデータ） (2025-09-10T05:24:00Z) - From Embeddings to Accuracy: Comparing Foundation Models for Radiographic Classification [33.96915720287914]
ラジオグラフィー分類における軽量アダプタの訓練のための7つの基礎モデルからの埋め込みを評価する。
MedImageInsightの埋め込みとSVMとアダプタの組み合わせは、曲線(mAUC)における平均面積が93.1%に達した。
これらの軽量グループは計算効率が良く、数分でトレーニングし、CPU上で数秒で推論を行う。
論文 参考訳（メタデータ） (2025-05-16T03:39:46Z) - ThyroidEffi 1.0: A Cost-Effective System for High-Performance Multi-Class Thyroid Carcinoma Classification [0.0]
甲状腺FNAB画像分類のための深層学習システムを開発した。
Benign, Indeterminate/Suspicious, and Malignantの3つの主要なカテゴリは、生後治療を直接指導するものだ。
システムは1000ケースを30秒で処理し、広くアクセス可能なハードウェアの実現可能性を示した。
論文 参考訳（メタデータ） (2025-04-19T02:13:07Z) - Vision Transformers for femur fracture classification [59.99241204074268]
Vision Transformer (ViT) はテスト画像の83%を正確に予測することができた。
史上最大かつ最もリッチなデータセットを持つサブフラクチャーで良い結果が得られた。
論文 参考訳（メタデータ） (2021-08-07T10:12:42Z)
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。