論文の概要: EndoSCOP-V: A Multi-Turn Video Understanding Evaluation Framework for Multimodal Models in Endoscopy Reporting and Clinical Reasoning
- arxiv url: http://arxiv.org/abs/2611.10626v1
- Date: Sat, 07 Nov 2026 10:05:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-11 09:45:37.754012
- Title: EndoSCOP-V: A Multi-Turn Video Understanding Evaluation Framework for Multimodal Models in Endoscopy Reporting and Clinical Reasoning
- Title(参考訳): 内視鏡検査と臨床診断におけるマルチモーダルモデルのためのマルチトゥルビデオ理解評価フレームワークEndoSCOP-V
- Abstract要約: EndoSCOP-Vは、構造化内視鏡レポートと臨床推論のためのビデオグラウンド評価フレームワークである。
実際の内視鏡と大腸内視鏡(63.2 h; 97% 1080p)が1,307本あり、平均174秒である。
20,274個の問合せ用ターンは、臨床に埋もれた構造の内視鏡を報告するERHから決定的に決定される。
- 参考スコア(独自算出の注目度): 0.4548179929410021
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Endoscopic diagnosis unfolds over native video, where a single positive finding during traversal of the gastrointestinal tract sets off a multi-minute chain of reasoning over location, morphology, severity and intervention. Existing endoscopy multimodal benchmarks test only static images or single-disease videos, which miss the temporal and clinical reasoning that real-world reporting demands. We introduce EndoSCOP-V, a video-grounded multi-turn evaluation framework for structured endoscopy reporting and clinical reasoning. It contains 1,307 real-world endoscopy and colonoscopy videos (63.2 h; 97% 1080p) averaging about 174 s. Its 20,274 question-answer turns are instantiated deterministically from clinician-filled structured endoscopy-reporting EHRs, so no per-case annotation is synthetic or LLM-rephrased. They come from 1,033 clinician-reviewed templates, about 18 per disease, that span a clinically aligned 9-task x 30-sub-task reporting taxonomy over 54 World Endoscopy Organization (WEO) MST 3.0 diseases. 22% of procedures carry co-existing pathologies, up to six per case. A Markovian context-pruned oracle-forcing protocol evaluates the dialogue turn by turn, injecting the gold answer before each subsequent turn so that per-turn reasoning is isolated from cascading dialogue errors. A panel of 15 board-certified endoscopists sets a 78% strict-accuracy baseline on 1,500 questions. Across 14 open-weight LMMs, the best 27B-class model reaches 59.8% strict accuracy, falling to 53.4% once format-trivial disease-rejection items are excluded. On a between-subjects spot-check, the best of 3 frontier proprietary models trails the clinician panel by 23 pp on strict NDR accuracy. Sub-task analysis reveals consistent gaps in quantitative measurement, multi-variable grading and intervention reasoning on long-horizon video. Data: Hugging Face (EndoSCOP-V). Code: GitHub (abhi25t/EndoSCOP-V).
- Abstract(参考訳): 内視鏡的診断はネイティブビデオに展開され、消化管の走行中に1つの陽性所見が位置、形態、重症度、介入に関する多分間の推論の連鎖を生じさせる。
既存の内視鏡マルチモーダルベンチマークでは、静止画像や単写ビデオのみをテストするが、これは現実世界の報告要求の時間的および臨床的理由を見逃している。
構造的内視鏡報告と臨床推論のための多面的多面的評価フレームワークであるEndoSCOP-Vを紹介する。
実際の内視鏡と大腸内視鏡(63.2 h; 97% 1080p)が1,307本あり、平均174秒である。
20,274個の問合せ用ターンは、臨床像が構造化された内視鏡報告用EMHから決定的に決定されるため、ケースごとのアノテーションは合成されていない。
臨床的に整列した9-task x 30-sub-taskを報告し、54 World Endoscopy Organization (WEO) MST 3.0 病を診断する。
手術の22%は1件につき最大6件まで、既往の病態を呈する。
マルコフの文脈計算されたオラクル強制プロトコルは、その後の各ターンに金の答えを注入して、対話エラーのカスケードからターン毎の推論を分離する。
15人の役員認定内科医のパネルは、1500の質問に対して78%の厳格な精度のベースラインを設定している。
14基のオープンウェイトLMMでは、最高の27Bクラスのモデルが59.8%の精度に達し、フォーマットの自明な疾患退治アイテムを除外すると53.4%に低下する。
オブジェクト間のスポットチェックでは、3つのフロンティアプロプライエタリモデルのベストが、厳密なNDR精度で23ppの精度でクリニックパネルを追い越している。
サブタスク解析は、長期ビデオにおける定量測定、多変量グレーディング、介入推論における一貫したギャップを明らかにする。
データ:Hugging Face (EndoSCOP-V)。
コード: GitHub (abhi25t/EndoSCOP-V)。
関連論文リスト
- Patient-specific rubric-based evaluation of large language models across longitudinal cancer care [28.207964650235947]
NPC-RubricBenchは,がん治療継続期における多段階臨床理性評価のためのフェーズアウェアベンチマークである。
このベンチマークは、6つのシーケンシャルケアフェーズにわたる991の患者フェーズユニットと、5つの評価次元にまたがる17,688の患者固有の原子レベルからなる。
論文 参考訳(メタデータ) (2026-10-26T17:56:26Z) - RetiJev: Fast and Source-Grounded Ophthalmic Decision Models [49.18315352624845]
自己回帰型大規模言語モデル(LLM)は、事前に定義されたアクション間の決定にかなりのレイテンシと計算オーバーヘッドをもたらす。
RetiJev-Dataは,78,158個の臨床診断と診断質問からなる眼科原点検コーパスである。
RetiJev は 0.8B-9B 決定モデルのファミリーで, 自己回帰的復号化を伴わず, 直接解を求める。
論文 参考訳(メタデータ) (2026-10-22T08:59:47Z) - Documenting Trofinetide Treatment Phenotypes in Rett Syndrome with a Dual-LLM Consensus Pipeline [6.486695967003462]
症例はテキサス小児病院108例中26,763点について検討した。
両言語モデル (LLM) のコンセンサスパイプラインを構築し, 18種類の表現型を抽出した。
論文 参考訳(メタデータ) (2026-10-15T15:24:47Z) - Beyond Benchmark Scores: Auditing Medical Vision-Language Models for Chest X-Ray Tuberculosis Screening [7.698602367824994]
医学モデルのベンチマークスコアは、同じ結論が異なる評価の下で成り立つことを証明していない。
本研究は,コホート,プロンプト,負スペクトル,特定の有病率,動作しきい値の変化がモデルランキング,スコア信頼性,スクリーニング性能に与える影響を検証した。
論文 参考訳(メタデータ) (2026-09-18T13:33:57Z) - MedRoundsQA: A Persona and Difficulty Aware Evaluation for Multi-Turn Medical Consultations [37.085079820080644]
医療ベンチマークは、実際のコンサルテーションを反映していない単ターン、複数選択の臨床ケースで支配されている。
MedRoundsQAは17の専門分野にまたがる1,387件の検診ケースから得られたマルチターン診断ベンチマークである。
論文 参考訳(メタデータ) (2026-09-11T13:41:53Z) - Auditable agentic AI for evidence-grounded thyroid ultrasound diagnosis and reporting [59.709162055944915]
ThyroidXAgentは、特殊な診断ツールをコーディネートし、その出力を監査可能なケースレベルの証拠記録として保存するエージェントAIシステムである。
NHC-MISD-TUSコホート内35施設8,721件を含む,重複しない28,458件の検査を行った。
セグメンテーションでは平均Diceスコアが87.21パーセント、良悪性分類では平均AUROCが0.9466だった。
論文 参考訳(メタデータ) (2026-08-12T21:02:59Z) - A report-grounded vision-language foundation model for colonoscopy from 280000 routine reports [58.14965296904734]
EndoCLIPは125,756の病変レベルの画像テキストペアに基づいて訓練された視覚言語基盤モデルである。
これは、ゼロショットとリニアプローブの両方の設定において、汎用およびバイオメディカルな視覚言語エンコーダよりも優れている。
論文 参考訳(メタデータ) (2026-07-30T16:24:36Z) - Structured Visual Evidence Decomposition for Evidence-Grounded Multimodal Screening of Obstructive Sleep Apnea-Hypopnea Syndrome [12.95586927836034]
EviOSAHSはエビデンスベースのマルチモーダル推論フレームワークである。
画像のみの解剖学的証拠の取得と最終臨床判断を分離する。
88.47%の精度、94.86%の感度、93.74%のF1スコア、5.14%の偽陰性率を記録した。
論文 参考訳(メタデータ) (2026-05-23T06:09:31Z) - Towards Clinically Interpretable Ophthalmic VQA via Spatially-Grounded Lesion Evidence [51.57735743553791]
今回我々はFundusGroundを紹介した。これは臨床的に解釈可能な眼科用VQAの空間的根拠を用いた新しいベンチマークである。
この構造された病変の証拠に基づいて、72,706の質問が4つのフォーマットにまたがって生成される。
実験により、病変レベルの視覚的エビデンスを組み込むことで、モデルの性能と透明性が一貫して向上することが示された。
論文 参考訳(メタデータ) (2026-05-21T12:37:03Z) - EchoBench: Benchmarking Sycophancy in Medical Large Vision-Language Models [82.43729208063468]
医療用LVLM(Large Vision-Language Models)の最近のベンチマークでは、信頼性と安全性を見越して、リーダボードの精度を強調している。
ユーザが提供した情報を非批判的に反響させる傾向のモデルについて検討する。
医療用LVLMの梅毒を系統的に評価するベンチマークであるEchoBenchを紹介する。
論文 参考訳(メタデータ) (2025-09-24T14:09:55Z) - FetReg2021: A Challenge on Placental Vessel Segmentation and
Registration in Fetoscopy [52.3219875147181]
2-Twin Transfusion Syndrome (TTTS) に対するレーザー光凝固法が広く採用されている。
このプロシージャは、視野が限られたこと、フェトスコープの操作性が悪いこと、視認性が悪いこと、照明の変動性のために特に困難である。
コンピュータ支援介入(CAI)は、シーン内の重要な構造を特定し、ビデオモザイクを通して胎児の視野を広げることで、外科医に意思決定支援と文脈認識を提供する。
7つのチームがこの課題に参加し、そのモデルパフォーマンスを、6フェットから658ピクセルの注釈付き画像の見当たらないテストデータセットで評価した。
論文 参考訳(メタデータ) (2022-06-24T23:44:42Z)
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。