論文の概要: LapaFM: A Laparoscopic Foundation Model via Multi-Stage Continual Learning

• arxiv url: http://arxiv.org/abs/2610.32263v1
• Date: Fri, 23 Oct 2026 07:17:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 01:38:06.418372
• Title: LapaFM: A Laparoscopic Foundation Model via Multi-Stage Continual Learning
• Title（参考訳）: LapaFM:多段階連続学習による腹腔鏡下基礎モデル
• Abstract要約: LapaFMは2万分以上の手術ビデオで訓練された腹腔鏡下手術の基礎モデルである。 煙の除去、外科的位相認識、器具とポリープのセグメンテーション、病変の特定など、複数のタスクをサポートする。 吸煙フレームの90%以上を回復し,リンパ節転移予測とポリープ分類において臨床レベルあるいは優れた成績を示した。
• 参考スコア（独自算出の注目度）: 32.44111424492867
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Artificial intelligence-based analysis of intraoperative laparoscopic videos has the potential to improve surgical decision-making and precision. However, effective surgical assistance requires models that can generalize across diverse intraoperative tasks. Here we present LapaFM, a foundation model for laparoscopic surgery trained on more than 20,000 minutes of surgical videos using a multi-stage continual learning strategy that mitigates catastrophic forgetting and inter-task interference. LapaFM learns multimodal visual representations and supports multiple tasks, including smoke removal, surgical phase recognition, instrument and polyp segmentation, and lesion identification. The model was evaluated on 13 retrospective and two prospective cohorts collected from different imaging devices. LapaFM consistently outperformed task-specific models and existing foundation models across datasets, and also generalized to gastrointestinal endoscopy tasks, including polyp detection and classification. Notably, it recovered over 90% of smoke-obscured frames and achieved clinician-level or superior performance in lymph node metastasis prediction and prospective polyp classification.
• Abstract（参考訳）: 術中腹腔鏡画像の人工知能による解析は、外科的意思決定と精度を向上させる可能性がある。 しかし、効果的な外科的補助は、様々な術中作業にまたがって一般化できるモデルを必要とする。 ラパFM(LapaFM)は,多段階連続学習法を用いて,2万分以上の手術ビデオで訓練した腹腔鏡下手術の基礎モデルである。 LapaFMはマルチモーダルな視覚表現を学習し、煙除去、外科的位相認識、楽器とポリープのセグメンテーション、病変の識別など、複数のタスクをサポートする。 モデルは13の振り返りで評価され、異なる撮像装置から2つの予測コホートが収集された。 LapaFMは、データセット全体にわたるタスク固有のモデルや既存の基盤モデルよりも一貫して優れており、ポリープ検出や分類を含む消化器内視鏡のタスクにも一般化された。 特に, 吸煙フレームの90%以上を回復し, リンパ節転移予測とポリープ分類において臨床レベルあるいは優れた成績を示した。

関連論文リスト

• EndoBench: A Comprehensive Evaluation of Multi-Modal Large Language Models for Endoscopy Analysis [62.00431604976949]
  EndoBenchは、内視鏡的プラクティスの全スペクトルにわたるMLLMを評価するために特別に設計された最初の包括的なベンチマークである。 我々は、汎用、医療特化、プロプライエタリMLLMを含む23の最先端モデルをベンチマークする。 私たちの実験では、プロプライエタリなMLLMは、オープンソースや医療専門のモデルよりも優れていますが、それでも人間の専門家を追い越しています。
  論文  参考訳（メタデータ） (2025-05-29T16:14:34Z)
• SurgXBench: Explainable Vision-Language Model Benchmark for Surgery [4.068223793121694]
  VLM(Vision-Language Models)は、視覚とテキストのモダリティを横断する推論において、革新的な進歩をもたらした。 既存のモデルはパフォーマンスが限られており、その能力と限界を評価するためのベンチマーク研究の必要性を強調している。 ロボット支援型腹腔鏡による機器分類と動作分類のための2つのデータセットに対して,いくつかの先進VLMのゼロショット性能をベンチマークした。
  論文  参考訳（メタデータ） (2025-05-16T00:42:18Z)
• Multiscale Latent Diffusion Model for Enhanced Feature Extraction from Medical Images [5.395912799904941]
  CTスキャナーモデルと取得プロトコルのバリエーションは、抽出した放射能特性に有意な変動をもたらす。 LTDiff++は医療画像の特徴抽出を強化するために設計されたマルチスケール潜在拡散モデルである。
  論文  参考訳（メタデータ） (2024-10-05T02:13:57Z)
• MUSCLE: Multi-task Self-supervised Continual Learning to Pre-train Deep Models for X-ray Images of Multiple Body Parts [63.30352394004674]
  MUSCLE(Multi-task Self-super-vised Continual Learning)は、医用画像処理タスクのための、新しい自己教師付き事前学習パイプラインである。 MUSCLEは、複数の身体部分から収集したX線を集約して表現学習を行い、よく設計された連続学習手順を採用する。 肺炎分類,骨格異常分類,肺セグメンテーション,結核(TB)検出など,9つの実世界のX線データセットを用いてMUSCLEを評価する。
  論文  参考訳（メタデータ） (2023-10-03T12:19:19Z)
• Validating polyp and instrument segmentation methods in colonoscopy through Medico 2020 and MedAI 2021 Challenges [58.32937972322058]
  メディコオートマチックポリープセグメンテーション(Medico 2020)と「メディコ:医療画像の透明性(MedAI 2021)」コンペティション。 本報告では, それぞれのコントリビューションを包括的に分析し, ベストパフォーマンスメソッドの強さを強調し, クリニックへの臨床翻訳の可能性について考察する。
  論文  参考訳（メタデータ） (2023-07-30T16:08:45Z)
• TeCNO: Surgical Phase Recognition with Multi-Stage Temporal Convolutional Networks [43.95869213955351]
  外科的位相認識のための階層的予測補正を行う多段階時間畳み込みネットワーク(MS-TCN)を提案する。 本手法は腹腔鏡下胆嚢摘出術ビデオの2つのデータセットに対して,追加の外科的ツール情報を用いずに徹底的に評価した。
  論文  参考訳（メタデータ） (2020-03-24T10:12:30Z)

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。