論文の概要: MedHEB: Benchmarking Medical Embeddings Across Heterogeneous Clinical Evidence

• arxiv url: http://arxiv.org/abs/2611.02519v1
• Date: Mon, 02 Nov 2026 04:39:40 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:47:54.36017
• Title: MedHEB: Benchmarking Medical Embeddings Across Heterogeneous Clinical Evidence
• Title（参考訳）: MedHEB: 異質な臨床証拠にまつわる医療埋め込みのベンチマーク
• Abstract要約: 54個のデータセットから107個の検索タスクを持つ統合ベンチマークであるMedHEBを紹介する。 MedHEBは臨床的に関係のあるエビデンス定義に変化し、不均一なエビデンスにおいて、埋め込み近接が意味のあるままであるかどうかを検査する。 我々はMedHEBを前処理スクリプト、評価コード、アクセスマニフェスト、およびMedEmbでリリースし、臨床的に意味のある医療埋め込みの研究を支援する。
• 参考スコア（独自算出の注目度）: 48.53688994629189
• License:
• Abstract: Clinical evidence is inherently relational: medical images are interpreted with prior studies, cross-modal examinations, reports, and localized findings, and retrieving relevant evidence is therefore central to clinical interpretation. Recent foundation models increasingly encode these heterogeneous sources into shared embedding spaces, yet existing embedding evaluation often focuses on isolated matches, leaving unclear whether current models retrieve relevant evidence across changes in modality, appearance, and granularity. We introduce MedHEB, a unified benchmark with 107 retrieval tasks from 54 datasets, including both in-distribution and held-out-source evaluation, across three axes: evidence form (2D images, 3D volumes, text), pairing type (image--image, image--text, text--text, and modality-bridging visual matching), and relevance granularity (global, question-conditioned, region-level). Under a single ranking protocol, MedHEB varies clinically relevant evidence definitions to test whether embedding proximity remains meaningful across heterogeneous evidence, including modality-bridging visual retrieval and region-level text-to-region retrieval. Across representative models, performance is uneven across retrieval families: models strong on conventional image--text or text--text retrieval are less reliable on modality-bridging and region-level tasks. Current embedding spaces capture some clinical relationships well but do not yet provide balanced retrieval across heterogeneous evidence. We further provide MedEmb, an MLLM-based reference embedding model trained on the MedHEB ID split, as a reproducible baseline for unified 2D--3D--text medical retrieval. We release MedHEB with preprocessing scripts, evaluation code, access manifests, and MedEmb to support research on clinically meaningful medical embeddings.
• Abstract（参考訳）: 医学的画像は、先行研究、横断的な検査、報告、局所的な発見と解釈され、関連する証拠を取得することは、臨床的解釈の中心である。 最近の基礎モデルは、これらの異質なソースを共有埋め込み空間にエンコードする傾向にあるが、既存の埋め込み評価は、しばしば孤立したマッチングに焦点を当てており、現在のモデルがモダリティ、外観、粒度の変化にまたがって関連する証拠を取得するかどうかは不明のままである。 MedHEBは、エビデンスフォーム(2D画像、3Dボリューム、テキスト)、ペアリングタイプ(イメージイメージ、画像テキスト、テキストテキスト、モダリティブレンディングビジュアルマッチング)、関連粒度(グローバル、質問条件付き、地域レベル)の3つの軸にまたがって、54のデータセットから107の検索タスクを集約したベンチマークである。 単一のランキングプロトコルの下で、MedHEBは臨床的に関係のあるエビデンス定義を変更して、モダリティ・ブリッジング・ビジュアル検索や地域レベルのテキスト・ツー・リージョン検索を含む、異種なエビデンス間で埋め込み近接が意味を持つかどうかをテストする。 従来の画像テキストやテキスト検索に強いモデルは、モダリティのブリッジングや地域レベルのタスクでは信頼性が低い。 現在の埋め込み空間は、いくつかの臨床関係をよく捉えているが、不均一な証拠間でバランスの取れた検索を提供していない。 さらに、MedHEB ID分割に基づいて訓練されたMLLMベースの参照埋め込みモデルであるMedEmbを、2D--3Dテキスト検索のための再現可能なベースラインとして提供する。 我々はMedHEBを前処理スクリプト、評価コード、アクセスマニフェスト、およびMedEmbでリリースし、臨床的に有意義な医療埋め込みの研究を支援する。

関連論文リスト

• MedScribe: Clinically Grounded CT Reporting through Agentic Workflows [13.40306812882295]
  視覚言語モデル(VLM)は、自動放射線診断レポート生成の可能性を示している。 我々は,仮説駆動型フレームワークであるMedScribeを紹介し,レポート生成を反復的証拠取得プロセスとして再構築する。
  論文  参考訳（メタデータ） (2026-05-03T08:32:40Z)
• Towards Domain Specification of Embedding Models in Medicine [1.0713888959520208]
  MTEB(Massive Text Embedding Benchmark)に基づく分類,クラスタリング,ペア分類,検索を対象とする51タスクの総合ベンチマークスイートを提案する。 以上の結果から,本手法はロバストな評価枠組みを確立し,各タスクにおける工芸品の代替品の状態を常に上回り,組込み性能が向上することを示した。
  論文  参考訳（メタデータ） (2025-07-25T16:15:00Z)
• Meta-Entity Driven Triplet Mining for Aligning Medical Vision-Language Models [9.76070837929117]
  既存のアライメント手法は、微粒な病理属性の分離よりも病気のクラス間の分離を優先する。 本稿では,マルチモーダル三重項学習による画像テキストアライメントを向上させる新しい手法であるMedTrimを提案する。 我々の実証では,MedTrimは,最先端のアライメント手法と比較して,下流検索および分類タスクの性能を向上させることが示されている。
  論文  参考訳（メタデータ） (2025-04-22T14:17:51Z)
• Uncertainty-aware Medical Diagnostic Phrase Identification and Grounding [72.18719355481052]
  MRG(Messical Report Grounding)と呼ばれる新しい課題について紹介する。 MRGは医療報告から診断フレーズとその対応する接地箱を直接エンドツーエンドで識別することを目的としている。 マルチモーダルな大規模言語モデルを用いて診断フレーズを予測する,堅牢で信頼性の高いフレームワークである uMedGround を提案する。
  論文  参考訳（メタデータ） (2024-04-10T07:41:35Z)
• Eye-gaze Guided Multi-modal Alignment for Medical Representation Learning [65.54680361074882]
  アイゲイズガイドマルチモーダルアライメント(EGMA)フレームワークは、アイゲイズデータを利用して、医用視覚的特徴とテキスト的特徴のアライメントを改善する。 我々は4つの医療データセット上で画像分類と画像テキスト検索の下流タスクを行う。
  論文  参考訳（メタデータ） (2024-03-19T03:59:14Z)
• C^2M-DoT: Cross-modal consistent multi-view medical report generation with domain transfer network [67.97926983664676]
  ドメイン転送ネットワーク(C2M-DoT)を用いたクロスモーダルなマルチビュー医療レポート生成を提案する。 C2M-DoTは、すべてのメトリクスで最先端のベースラインを大幅に上回る。
  論文  参考訳（メタデータ） (2023-10-09T02:31:36Z)
• Semi-supervised Medical Image Classification with Relation-driven Self-ensembling Model [71.80319052891817]
  医用画像分類のための関係駆動型半教師付きフレームワークを提案する。 これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。 本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
  論文  参考訳（メタデータ） (2020-05-15T06:57:54Z)

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。