論文の概要: A frontier machine intelligence for human neuroimaging
- arxiv url: http://arxiv.org/abs/2611.15094v1
- Date: Wed, 11 Nov 2026 06:11:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.062641
- Title: A frontier machine intelligence for human neuroimaging
- Title(参考訳): ヒト神経イメージングのためのフロンティアマシンインテリジェンス
- Abstract要約: 通常の臨床医療から100万近い研究で訓練された視覚言語モデルであるNeuro-VLは、完全な画像検査を解釈できることを示す。
内外のデータセット全体において、Neuro-VLは、異常の診断、局所化、記述において、フロンティアの汎用および専門の医療モデルより優れていた。
これらの結果は、個々の予測を超えた健康システム学習を、インタラクティブな画像解釈と縦断的な疾患モニタリングに拡張する。
- 参考スコア(独自算出の注目度): 30.924048684802656
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Medical imaging is essential for diagnosing disease, guiding treatment and monitoring patients over time. Although artificial intelligence has advanced image interpretation, existing medical models often address restricted tasks, while general-purpose proprietary models lack access to private clinical imaging required to achieve medical expertise. Developing models that can interpret complex examinations and communicate their findings in the context of clinical decisions remains a major challenge. Here, we show that Neuro-VL, a vision-language model trained on nearly one million neuroimaging studies from routine clinical care, can interpret complete imaging examinations and engage in natural language conversations about their findings. Across internal and international datasets, Neuro-VL outperformed frontier general-purpose and specialized medical models in diagnosing, localizing, and describing abnormalities, as well as generating comprehensive radiology reports. The model also compared serial examinations to assess disease progression and more reliably resisted misleading clinical assumptions than leading frontier models from OpenAI and Google. These results extend health system learning beyond individual predictions to interactive image interpretation and longitudinal disease monitoring. They demonstrate how the collective clinical experience of health systems can be used to develop medical AI with specialized expertise and broad clinical capabilities.
- Abstract(参考訳): 医用画像は病気の診断、治療指導、患者の経過観察に不可欠である。
人工知能には高度な画像解釈があるが、既存の医療モデルは制限されたタスクに対処することが多い。
複雑な検査を解釈し、臨床決定の文脈で研究結果を伝達できるモデルを開発することは、依然として大きな課題である。
本稿では、通常の臨床医療から100万近い神経画像研究を訓練した視覚言語モデルであるNeuro-VLが、完全な画像検査を解釈し、それらの発見について自然言語の会話を行うことができることを示す。
内外のデータセット全体にわたって、Neuro-VLはフロンティアの汎用的および専門的な医療モデルにおいて、異常の診断、局所化、説明、および総合的な放射線学レポートの作成に優れていた。
また、このモデルでは、OpenAIやGoogleのフロンティアモデルよりも、疾患の進行や誤解を招く臨床上の仮定を確実に評価するために、シリアル検査を比較した。
これらの結果は、個々の予測を超えた健康システム学習を、インタラクティブな画像解釈と縦断的な疾患モニタリングに拡張する。
彼らは、医療システムの総合的な臨床経験が、専門的な専門知識と幅広い臨床能力を持つ医療AIを開発するためにどのように使用できるかを実証した。
関連論文リスト
- AI-Powered Dermatological Diagnosis: From Interpretable Models to Clinical Implementation A Comprehensive Framework for Accessible and Trustworthy Skin Disease Detection [0.0]
家族歴は皮膚疾患の感受性と治療反応に影響を与えるが、診断過程においてしばしば利用されない。
我々は、ディープラーニングに基づく画像解析と構造化された臨床データを組み合わせた総合的なマルチモーダルAIフレームワークを開発した。
本手法では,遺伝リスク因子を含む臨床決定木と統合された解釈可能な畳み込みニューラルネットワークを用いる。
論文 参考訳(メタデータ) (2025-12-18T06:28:51Z) - Health system learning achieves generalist neuroimaging models [32.579819110032766]
我々は524万のMRIおよびCTボリュームに基づいてトレーニングされた視覚基盤モデルであるNeuroVFMを紹介する。
NeuroVFMは、脳解剖学と病理学の包括的表現を学び、複数の臨床的タスクで最先端のパフォーマンスを達成する。
論文 参考訳(メタデータ) (2025-11-23T22:34:50Z) - Simulating Viva Voce Examinations to Evaluate Clinical Reasoning in Large Language Models [51.91760712805404]
大規模言語モデル(LLM)におけるシーケンシャルな臨床推論を評価するためのベンチマークであるVivaBenchを紹介する。
本データセットは,医療訓練における(口頭)検査をシミュレートする対話的シナリオとして構成された1762名の医師による臨床ヴィグネットから構成される。
本分析では,臨床における認知的誤りを反映するいくつかの障害モードを同定した。
論文 参考訳(メタデータ) (2025-10-11T16:24:35Z) - RAD: Towards Trustworthy Retrieval-Augmented Multi-modal Clinical Diagnosis [56.373297358647655]
Retrieval-Augmented Diagnosis (RAD)は、下流タスクで直接マルチモーダルモデルに外部知識を注入する新しいフレームワークである。
RADは、複数の医療ソースからの疾患中心の知識の検索と改善、ガイドライン強化コントラスト損失トランスフォーマー、デュアルデコーダの3つの主要なメカニズムで機能する。
論文 参考訳(メタデータ) (2025-09-24T10:36:14Z) - Memorize and Rank: Elevating Large Language Models for Clinical Diagnosis Prediction [10.403187385041702]
本稿では,自然言語知識と医療実践を橋渡しする臨床診断予測モデルMERAを紹介する。
疾患候補ランキングリストに階層的コントラスト学習を適用し,大規模な意思決定空間の問題を軽減する。
論文 参考訳(メタデータ) (2025-01-28T22:38:45Z) - The Era of Foundation Models in Medical Imaging is Approaching : A Scoping Review of the Clinical Value of Large-Scale Generative AI Applications in Radiology [0.0]
放射線技師の不足に起因する社会問題は激化しており、人工知能は潜在的な解決策として強調されている。
最近出現する大規模生成AIは、大規模言語モデル(LLM)からマルチモーダルモデルへと拡張されている。
このスコーピングレビューは、大規模生成型AIアプリケーションの臨床的価値に関する既存の文献を体系的に整理する。
論文 参考訳(メタデータ) (2024-09-03T00:48:50Z) - A review of handcrafted and deep radiomics in neurological diseases: transitioning from oncology to clinical neuroimaging [2.651601515140236]
ラジオミクス(Radiomics)は、画像データから定量的な情報を抽出する手法である。
本稿では,臨床から見た放射線パイプラインについて概説する。
神経画像診断における手技と深部放射線の応用について論じる。
論文 参考訳(メタデータ) (2024-07-18T16:12:07Z) - Can GPT-4V(ision) Serve Medical Applications? Case Studies on GPT-4V for
Multimodal Medical Diagnosis [59.35504779947686]
GPT-4VはOpenAIの最新のマルチモーダル診断モデルである。
評価対象は17の人体システムである。
GPT-4Vは、医用画像のモダリティと解剖学を区別する能力を示す。
疾患の診断と包括的報告作成において重大な課題に直面している。
論文 参考訳(メタデータ) (2023-10-15T18:32:27Z) - Artificial General Intelligence for Medical Imaging Analysis [92.3940918983821]
大規模人工知能(AGI)モデルは、様々な汎用ドメインタスクにおいて前例のない成功を収めた。
これらのモデルは、医学分野固有の複雑さとユニークな特徴から生じる顕著な課題に直面している。
このレビューは、医療画像、医療などにおけるAGIの将来的な意味についての洞察を提供することを目的としている。
論文 参考訳(メタデータ) (2023-06-08T18:04:13Z)
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。