Fugu-MT 論文翻訳(概要): Single-Pass Decision Scores Enable Rapid Classification with Adjustable Thresholds in Medical Multimodal Large Language Models

論文の概要: Single-Pass Decision Scores Enable Rapid Classification with Adjustable Thresholds in Medical Multimodal Large Language Models

arxiv url: http://arxiv.org/abs/2610.23988v1
Date: Wed, 14 Oct 2026 13:53:50 GMT
ステータス: 情報取得中
システム内更新日: 2026-10-20 11:44:38.526599
Title: Single-Pass Decision Scores Enable Rapid Classification with Adjustable Thresholds in Medical Multimodal Large Language Models
Title（参考訳）: 医療用マルチモーダル大言語モデルにおける調整可能な閾値を用いた単一パス決定スコアの迅速分類
Abstract要約: MLLM (Multimodal large language model) は、YesかNoのトークンで2つの臨床的疑問に答える。トークンの確率を正規化することで、1つのフォワードパスから連続的なスコアを導出する。 MedGemma と Gemma-3 を 6 つの医用画像データセット上で評価した。
参考スコア（独自算出の注目度）: 2.59374198119967
License:
Abstract: Multimodal large language models (MLLMs) answer binary clinical questions with a yes or no token, leaving the decision threshold implicit and fixed. We derive a continuous score from a single forward pass by renormalizing the probabilities of the yes and no tokens, allowing the threshold to be adapted to clinical needs without retraining. We evaluated this approach with MedGemma and Gemma-3 (4B and 27B) on six medical imaging datasets. The default threshold was frequently misaligned with the task: for identifying normal chest radiographs, MedGemma-27B labeled every image as abnormal, whereas a validation-selected threshold yielded a sensitivity of 0.945 and a specificity of 0.696. Normalization achieved the highest AUROC on four of six datasets (CheXpert: 0.819 vs. 0.777 for raw and 0.743 for text-elicited probabilities), and a single decision required 53-79 ms on one GPU. This simple post-hoc method turns medical MLLMs into fast classifiers with adjustable operating points. Code: https://github.com/TruhnLab/llm-threshold-calibration
Abstract（参考訳）: MLLM(Multimodal large language model)は、2つの臨床的問題にイエスまたはノートークンで答え、決定しきい値が暗黙的に固定される。本研究は,トークンの確率を正規化することで,単一の前方通過から連続的なスコアを導出し,その閾値を臨床ニーズに適応させる。 MedGemma と Gemma-3 (4B, 27B) を用いて6つの医用画像データセットを用いて本手法の評価を行った。通常の胸部X線写真を特定するために、MedGemma-27Bはすべての画像を異常であるとラベル付けし、検証選択された閾値は0.945の感度と0.696の特異性を得た。正規化は6つのデータセットのうち4つで最も高いAUROCを達成した(CheXpert:0.819 vs. 0.777、テキスト楕円型確率0.743)。このシンプルなポストホック法は、医療用MLLMを調整可能な操作点を持つ高速分類器に変える。コード:https://github.com/TruhnLab/llm-threshold-calibration

関連論文リスト

MIRTO: a registration-gated, multiverse-tested evaluation protocol for unsupervised anomaly segmentation in brain MRI [0.0]
選択を明示し,その効果を測定する評価プロトコルであるMIRTOを提案する。 MIRTOは、登録チェックとラベルなしの既知のパワー診断との全ての比較の幾何学をゲートする。 15,552個の補正可能な評価パイプラインをそれぞれ比較し、多重度制御によるペアリングされた対象-ブートストラップ間隔を付加する。
論文参考訳（メタデータ） (2026-10-01T17:44:22Z)
From Routing Signals to Selective Review: Visual regrounding in MoE VLMs [48.07726955428853]
視覚言語モデル(VLM)は偽の視覚的前提を受け入れ、対象の物体の色、数、位置、状態について疑問に答える。本稿では,Mixture-of-Experts (MoE)VLMにおける内部ルーティング決定を活用するための最初のフレームワークを提案する。提案手法は,MoE VLMによってすでに作成されており,低コストな検出と選択的な視覚的リグラウンドを支援することができる。
論文参考訳（メタデータ） (2026-09-29T17:49:07Z)
Anatomical Grounding and Leakage-Aware Multimodal Contrastive Learning for Alzheimer's Disease Classification from Structural MRI [0.0]
アルツハイマー病の構造MRIで訓練されたディープネットワークは、解剖学的に無関係な領域に到達しながら、妥当な精度に達することが多い。我々は解剖学的参照としてFastSurferセグメンテーションを使用します。私たちは、CLIPスタイルのイメージに適応し、ラベルリードスペクトルに沿ってADNIMERGE変数を整理する。
論文参考訳（メタデータ） (2026-09-14T17:13:12Z)
Beyond Static Anchors: Bounded Prototype Conditioning for Language-Free Medical Anomaly Detection [52.986874008247554]
本稿では,静的アンカーを入力条件付きビジュアルプロトタイプに置き換える言語フリーフレームワークReCAPを提案する。 ReCAPリセンターは、境界ゲート変調により、各画像の正常と異常なプロトタイプを分離した。 3つのセグメンテーションデータセットで最高のゼロショットレベルのAUROCと、24の複数ショット設定のうち23のゼロショットレベルのAUROCを達成する。
論文参考訳（メタデータ） (2026-08-01T04:46:55Z)
What EEG Foundation Models Encode: Dataset Identity and a Negative-Control Suite for Clinical Benchmarks [0.0]
LaBraM、EEGMamba、CBraMod、REVE、LEAD、BENDR、BIOTを4つのデータセットで5つの臨床タスクでベンチマークする。我々は、より強力な古典的コンパレータ、ラベルの置換、スクランブルラベルの微調整、ランダム初期化制御による明らかなゲインに挑戦する。結論はモンタージュマッチング、患者オーバーラップチェック、より強力なコンパレータ、表現制御後に大きく変化する。
論文参考訳（メタデータ） (2026-07-27T14:59:42Z)
ASTRA-Net: Anatomy-Specific Transfer and Representation Alignment for Drug-Induced Sleep Endoscopy Segmentation [28.923055080999884]
量的薬物誘発睡眠内視鏡(DISE)は、特定の解剖学的レベルにおいて、信頼性の高い気道境界を必要とする。実アノテーションを限定した既知の平面disEセグメンテーションのためのASTRA-Netを開発した。 ASTRA-Netは、実際のアノテーションが制限されている場合、フレームレベル、平面固有のDIE境界記述をサポートすることができる。
論文参考訳（メタデータ） (2026-07-23T14:37:17Z)
Cross-modal linkage risk in clinical vision-language models [1.828619151598757]
視覚言語モデル(VLM)は、ペアの胸部X線写真と放射線学レポートに基づいて訓練され、インスタンスレベルの画像レポート対応を保存できる共有埋め込み空間を学習する。これは、ラジオグラフとレポートが買収後に意図的に分離された設定でプライバシー上のリスクを生じさせる。我々はこれをイメージ・ツー・レポート検索として定式化し、プライバシーシナリオとしてではなく、パブリック・ペアのコホートを使用してリスクを監査した。
論文参考訳（メタデータ） (2026-06-01T14:01:46Z)
Distributional Energy-Based Models for Uncertainty-Aware Structured LLM Reasoning [40.342912574072024]
大規模言語モデルは、旅行計画やコードソリューションのような構造化されたアウトプットを生成する。個々の推論ステップは正しく見えるが、アウトプット全体が予算に違反したり、テストケースに失敗したり、あるいは以前の推論に矛盾することがある。構造化LCM出力の検証のための決定論的解析制約付き学習品質スコアラを提案する。
論文参考訳（メタデータ） (2026-05-15T17:08:27Z)
ClinicalBench: Stress-Testing Assertion-Aware Retrieval for Cross-Admission Clinical QA on MIMIC-IV [0.0]
推論ベンチマークはクリーンインプットの臨床的パフォーマンスを測定する。我々は, 否定, 時間性, 家族反対の帰属が正しい答えを誤ったものに戻すことができる, 実際の EHR ノートを検索することで, 推論の段階を評価する。 EpiKGは、アサーションラベルと時間性タグを患者の知識グラフに格納し、質問意図による検索をルーティングする。
論文参考訳（メタデータ） (2026-05-11T18:47:52Z)
StRegA: Unsupervised Anomaly Detection in Brain MRIs using a Compact Context-encoding Variational Autoencoder [48.2010192865749]
教師なし異常検出(UAD)は、健康な被験者の異常なデータセットからデータ分布を学習し、分布サンプルの抽出に応用することができる。本研究では,コンテクストエンコーディング(context-encoding)VAE(ceVAE)モデルのコンパクトバージョンと,前処理と後処理のステップを組み合わせて,UADパイプライン(StRegA)を作成することを提案する。提案したパイプラインは、BraTSデータセットのT2w画像と0.859$pm$0.112の腫瘍を検出しながら、Diceスコアが0.642$pm$0.101に達した。
論文参考訳（メタデータ） (2022-01-31T14:27:35Z)

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。