論文の概要: A 211K Parameter Foundation Model: Genetic Prompting in Neural Cellular Automata

• arxiv url: http://arxiv.org/abs/2610.38776v1
• Date: Wed, 28 Oct 2026 19:50:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-03 08:45:08.193394
• Title: A 211K Parameter Foundation Model: Genetic Prompting in Neural Cellular Automata
• Title（参考訳）: 211Kパラメータ基礎モデル:ニューラルセルオートマタにおける遺伝的プロンプト
• Abstract要約: Foundational-NCAは、リトレーニングなしで幅広い医療分野のタスクに適応できる軽量基盤モデルである。 Neural Cellular Automata (NCA)に基づいて構築されたFoundational-NCAは、勾配に基づく学習と遺伝的最適化を潜在タスク空間に組み込む。 我々は、TotalSegmentatorデータセットから15のトレーニングと6つの完全に見えないセグメンテーションタスクに対して、Foundational-NCAを評価し、既知のタスクでは平均84.5%、不明タスクでは60.4%のDiceスコアを達成した。
• 参考スコア（独自算出の注目度）: 1.2596102170911996
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The scale of modern foundation models enables broad task generalization. In medical imaging, where segmentation demands vary widely across clinical contexts, such flexibility is invaluable. But current models, such as SAM trade adaptability for scale, locking their utility behind high-end infrastructure and leaving behind the low-resource environments most in need of diagnostic support. To bridge this gap, we introduce Foundational-NCA, a lightweight foundation model capable of adapting to a wide range of medical segmentation tasks without retraining. Built on Neural Cellular Automata (NCA), Foundational-NCA incorporates gradient-based learning with genetic optimization over a latent task space, using a compact task vector to guide predictions. This enables dynamic adaptation via a genetic prompt mechanism, allowing the model to generalize across tasks while keeping the parameter count magnitudes lower at just 211 thousand, compared to SAM-based models with 38.9 to 636 million parameters. We evaluate Foundational-NCA on 15 trained and 6 entirely unseen segmentation tasks from the TotalSegmentator dataset, achieving an average Dice score of 84.5% on known tasks and 60.4% on unseen ones. These results demonstrate that task generalization is possible in ultra-compact models, laying the groundwork for resource-efficient, deployable foundation models in clinical environments where infrastructure is limited. By reducing model size by over 180 times, Foundational-NCA takes a step toward a more equitable future for medical AI, one where powerful tools are within reach of every healthcare setting.
• Abstract（参考訳）: 現代の基礎モデルのスケールは、幅広いタスクの一般化を可能にする。 医療画像では, セグメンテーションの要求が臨床状況によって大きく異なるため, このような柔軟性は有用ではない。 しかし、SAMの大規模適応性、ハイエンドインフラストラクチャの裏側でのユーティリティのロック、診断サポートを必要とする低リソース環境の残余といった現在のモデルなど、現在のモデルです。 このギャップを埋めるために,我々は,幅広い医療分野に適応できる軽量基盤モデルであるFoundational-NCAを紹介した。 Neural Cellular Automata (NCA)に基づいて構築されたFoundational-NCAは、勾配に基づく学習を潜在タスク空間上の遺伝的最適化に取り入れ、コンパクトなタスクベクトルを使用して予測を導く。 これにより遺伝的プロンプト機構による動的適応が可能となり、パラメータ数がわずか211万であるのに対して、SAMベースの38.9から636万のパラメータを持つモデルでは、モデルをタスク全体にわたって一般化することができる。 我々は、TotalSegmentatorデータセットから15のトレーニングと6つの完全に見えないセグメンテーションタスクに対して、Foundational-NCAを評価し、既知のタスクでは平均84.5%、不明タスクでは60.4%のDiceスコアを達成した。 これらの結果は,超コンパクトモデルではタスクの一般化が可能であり,インフラが限られている臨床環境において,資源効率の高い,デプロイ可能な基礎モデルの基礎となる。 モデルのサイズを180回以上削減することで、Foundational-NCAは医療AIのより公平な未来に向けて一歩前進する。

関連論文リスト

• Open ultrasound foundation model for robust segmentation and clinical measurement across heterogeneous settings [66.3653308198376]
  SonoCorpusは、24の臨床応用と17の国にまたがる53のパブリックデータセットから、456,963のイメージと1,626,085のエキスパートマスクを統合するオープンリソースである。 SonoBaseは、事前にトレーニングされたインタラクティブセグメンテーション基盤モデルである。
  論文  参考訳（メタデータ） (2026-09-16T15:34:21Z)
• Democratizing Clinical Tumor Whole Genome Sequencing: 18-hour End-to-end Analysis via Trillion-parameter Large Language Models Locally Deployed on Consumer-grade Hardware [2.2031237469592]
  全ゲノムシークエンシング(WGS)は精度オンコロジーに必須であるが、その臨床応用は禁忌の計算コストと複数日間のターンアラウンド時間によって制限されている。 本研究は, 1 兆パラメータのバイオメディカル LLM を1 台のノートパソコンに安定した展開を可能にする,完全にローリソースなフレームワークを提案する。 標準の30X深度設定では18時間以内に1つの腫瘍対WGS解析を完了し,体性変化検出のための99.62%のF1スコアを達成した。
  論文  参考訳（メタデータ） (2026-09-14T20:38:24Z)
• Towards A Generalizable Pathology Foundation Model via Unified Knowledge Distillation [41.25398139658467]
  現在の基礎モデルは限定型とタスク数でのみ評価されており、その一般化能力と全体的な性能は不明確である。 本研究は,6つの異なる臨床タスクタイプにわたる既成基礎モデルの性能を評価するためのベンチマークを構築した。 本稿では, エキスパートと自己知識の双方からなる統合された知識蒸留フレームワークを提案し, モデルが複数のエキスパートモデルの知識から学べるようにした。
  論文  参考訳（メタデータ） (2024-07-26T01:12:54Z)
• Towards a clinically accessible radiology foundation model: open-access and lightweight, with automated evaluation [113.5002649181103]
  オープンソースの小型マルチモーダルモデル(SMM)を訓練し、放射線学における未測定臨床ニーズに対する能力ギャップを埋める。 トレーニングのために,697万以上の画像テキストペアからなる大規模なデータセットを組み立てる。 評価のために,GPT-4に基づく実測値CheXpromptを提案する。 LlaVA-Radの推論は高速で、単一のV100 GPU上でプライベート設定で実行できる。
  論文  参考訳（メタデータ） (2024-03-12T18:12:02Z)
• A Meta-GNN approach to personalized seizure detection and classification [53.906130332172324]
  本稿では,特定の患者に限られた発作サンプルから迅速に適応できるパーソナライズされた発作検出・分類フレームワークを提案する。 トレーニング患者の集合からグローバルモデルを学ぶメタGNNベースの分類器を訓練する。 本手法は, 未確認患者20回に限って, 精度82.7%, F1スコア82.08%を達成し, ベースラインよりも優れていた。
  論文  参考訳（メタデータ） (2022-11-01T14:12:58Z)

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。