論文の概要: MedAdaptAgent: An Automatic Harness for Adapting Medical Imaging Models to New Sites

• arxiv url: http://arxiv.org/abs/2610.34884v1
• Date: Mon, 26 Oct 2026 05:56:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.76805
• Title: MedAdaptAgent: An Automatic Harness for Adapting Medical Imaging Models to New Sites
• Title（参考訳）: MedAdaptAgent:新しい場所に医療画像モデルを適用するための自動ハーネス
• Abstract要約: トレーニング済みの医療画像モデルの再利用は、ゼロからトレーニングの代替となる。 効果的な適応はモデルアーキテクチャ、ドメインシフト、利用可能なラベルと計算に依存する。 我々は、供給されたモデル、ターゲットデータ、および自由テキスト要求を新しいサイト適応ワークフローに変換する自動ハーネスであるMedAdaptAgentを提示する。
• 参考スコア（独自算出の注目度）: 6.358640013140619
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reusing pretrained medical-imaging models offers an alternative to training from scratch. A model trained for the same task may perform poorly at a new hospital because imaging protocols and preprocessing differ. Effective adaptation depends on the model architecture, domain shift, and available labels and compute. Adaptation can improve scores on a small labeled set yet reduce performance on unseen data. We present MedAdaptAgent, an automatic harness that turns a supplied model, target data, and a free-text request into a new-site adaptation workflow. Its LLM-driven Adaptation Planner uses model-site evidence to choose compatible experiments and revise subsequent adjustments. The harness requires evidence of improvement over the pretrained model, then delivers the selected model as a complete, runnable package. Evaluation spans 26 segmentation and classification transfers across architectures and compute settings, with segmentation annotation budgets ranging from zero-shot transfer to few-shot adaptation. With 20 local annotations, mean segmentation Dice rises from 0.483 to 0.774 across 10 transfers, a 60.1% relative gain, with no harmful replacements. Mean classification AUROC rises from 0.810 to 0.837 across 13 transfers, a 3.4% relative gain. Comparing adapted models with the pretrained model reduces harmful classification replacements by 30.8% versus selecting the highest-scoring model on the available labels, using identical candidates. Seven public-model deployments demonstrate adaptation and reproducible package delivery across contrast and modality shifts. A CT-to-MRI study extends the evaluation to four LLM planners, including two open-weight models. We release the code on GitHub.
• Abstract（参考訳）: トレーニング済みの医療画像モデルの再利用は、ゼロからトレーニングの代替となる。 同じタスクのために訓練されたモデルは、イメージングプロトコルと前処理が異なるため、新しい病院でうまく機能しない可能性がある。 効果的な適応はモデルアーキテクチャ、ドメインシフト、利用可能なラベルと計算に依存する。 適応は小さなラベル付きセットのスコアを改善することができるが、目に見えないデータのパフォーマンスは低下する。 MedAdaptAgentは、供給されたモデル、ターゲットデータ、および自由テキスト要求を新しいサイト適応ワークフローに変換する自動ハーネスである。 LLM主導の適応プランナーは、モデルサイトエビデンスを使用して互換性のある実験を選択し、その後の調整を修正している。 ハーネスは事前訓練されたモデルよりも改善の証拠を必要とし、選択したモデルを完全な実行可能なパッケージとして提供する。 評価はアーキテクチャと計算設定にまたがる26のセグメンテーションと分類転送にまたがっており、セグメンテーションアノテーションの予算はゼロショット転送から少数ショット適応まで様々である。 20の局所アノテーションにより、平均セグメンテーションDiceは10の転送で0.483から0.774に上昇し、60.1%の相対的なゲインとなり、有害な置換はない。 AUROCの平均分類は13の転送で0.810から0.837に上昇し、相対利得は3.4%である。 適応されたモデルと事前訓練されたモデルを比較すると、有害な分類の置き換えを30.8%削減し、同じ候補を用いて、利用可能なラベルの最高のスコアモデルを選択する。 7つのパブリックモデルデプロイメントは、コントラストとモダリティのシフトにまたがる適応と再現可能なパッケージデリバリを示している。 CT-to-MRIによる研究は、2つのオープンウェイトモデルを含む4つのLCMプランナーに評価を拡張した。 コードはGitHubでリリースしています。

関連論文リスト

• Multimodal Medical Image Parsing with Task-Specific Low-Rank Adapters [2.0240196957224703]
  FLARE 2026 Task 3のタスク固有適応についてQwen3.5-9Bを用いて検討した。 本システムでは, 入力質問から選択したLoRAアダプタと, 共有フリーズした4ビットバックボーンを結合する。 適応者のランクとプロンプトをカスタマイズし、稀な分類目標を再調整し、皮膚科分類例による回帰トレーニングを補完する。
  論文  参考訳（メタデータ） (2026-10-14T09:59:17Z)
• Benchmarking Self-Supervised 3D Medical Vision Foundation Models and Transferability Estimation [57.65266782182578]
  セルフ教師付き事前トレーニングは、3D医療基盤モデルのプールを拡張したが、異なるデータセット、エンドポイント、微調整プロトコルを使用した評価を公表した。 14のセグメンテーション、分類、回帰タスク、複数の解剖学とモダリティにまたがる23の候補をベンチマークした。 3モデルショートリストは、7つのセグメンテーションタスクで記録された抜粋+訓練ジョブ時間を85.8%削減した。
  論文  参考訳（メタデータ） (2026-10-13T01:52:19Z)
• Scaling Down to Scale Up: Towards Operationally-Efficient and Deployable Clinical Models via Cross-Modal Low-Rank Adaptation for Medical Vision-Language Models [0.30586855806896035]
  視覚言語による事前訓練によってトレーニングされた基礎モデルは、多様な画像領域にまたがる強力なゼロショット機能を示している。 MedCT-VLM(MedCT-VLM: Medical CT Vision-Language Model)を紹介する。 胸部疾患18例のゼロショット分類について検討し,CT埋め込みと未確認のテキストプロンプトを,タスク固有の訓練を伴わない推論で一致させなければならないことを示した。
  論文  参考訳（メタデータ） (2025-11-29T19:03:25Z)
• An analysis of data variation and bias in image-based dermatological datasets for machine learning classification [2.039829968340841]
  臨床皮膚学では、分類モデルはRGB画像のみを入力として、患者の皮膚の悪性病変を検出することができる。 学習に基づくほとんどの手法では、トレーニングにおいて皮膚科のデータセットから取得したデータを用いており、これは金の基準によって大きく検証されている。 本研究の目的は,皮膚内視鏡検査と臨床検査のギャップを評価し,データセットの変動がトレーニングに与える影響を理解することである。
  論文  参考訳（メタデータ） (2025-01-15T17:18:46Z)
• Brain Tumor Classification on MRI in Light of Molecular Markers [56.99710477905796]
  1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。 本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
  論文  参考訳（メタデータ） (2024-09-29T07:04:26Z)
• Prompt Tuning for Parameter-efficient Medical Image Segmentation [79.09285179181225]
  2つの医用画像データセットのセマンティックセグメンテーションにパラメータ効率が良いが効果的な適応を実現するために,いくつかのコントリビューションを提案し,検討する。 我々はこのアーキテクチャを、オンライン生成プロトタイプへの割り当てに基づく専用密集型セルフスーパービジョンスキームで事前訓練する。 得られたニューラルネットワークモデルにより、完全に微調整されたモデルとパラメータに適応したモデルとのギャップを緩和できることを実証する。
  論文  参考訳（メタデータ） (2022-11-16T21:55:05Z)
• Stacking Ensemble Learning in Deep Domain Adaptation for Ophthalmic Image Classification [61.656149405657246]
  ドメイン適応は、十分なラベルデータを取得することが困難な画像分類タスクに有効である。 本稿では,3つのドメイン適応手法を拡張することで,アンサンブル学習を積み重ねるための新しい手法SELDAを提案する。 Age-Related Eye Disease Study (AREDS)ベンチマーク眼科データセットを用いた実験結果から,提案モデルの有効性が示された。
  論文  参考訳（メタデータ） (2022-09-27T14:19:00Z)
• On-the-Fly Test-time Adaptation for Medical Image Segmentation [63.476899335138164]
  ソースモデルをテスト時にターゲットデータに適応させることは、データシフト問題に対する効率的な解決策である。 本稿では、各畳み込みブロックに適応バッチ正規化層を設けるAdaptive UNetという新しいフレームワークを提案する。 テスト期間中、モデルは新しいテストイメージのみを取り込み、ドメインコードを生成して、テストデータに従ってソースモデルの特徴を適応させる。
  論文  参考訳（メタデータ） (2022-03-10T18:51:29Z)
• Forward Compatible Training for Representation Learning [53.300192863727226]
  後方互換トレーニング(BCT)は、新しいモデルのトレーニングを変更して、その表現を古いモデルのトレーニングと互換性を持たせる。 BCTは新しいモデルの性能を著しく損なう可能性がある。 本研究では,表現学習のための新しい学習パラダイムである,前方互換学習(FCT)を提案する。
  論文  参考訳（メタデータ） (2021-12-06T06:18:54Z)

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。