Foundation Models in Medical Imaging — A Review and Outlook

要約

ファンデーションモデル（FMS）は、非標識データの大規模なコレクションから学習することにより、医療画像の分析方法を変えています。
手動で注釈された例に依存する代わりに、FMSは、後に追加の監督がほとんどない特定の臨床タスクに適応できる汎用の視覚的特徴を学習するために事前に訓練されています。
このレビューでは、FMが病理学、放射線学、および眼科で開発および適用されている方法を調べ、150を超える研究からの証拠に基づいています。
モデルアーキテクチャ、自己監視学習方法、下流適応のための戦略など、FMパイプラインのコアコンポーネントを説明します。
また、各イメージングドメインでFMがどのように使用されているかを確認し、アプリケーション全体で設計の選択肢を比較します。
最後に、将来の研究を導くための重要な課題と未解決の質問について説明します。

要約(オリジナル)

Foundation models (FMs) are changing the way medical images are analyzed by learning from large collections of unlabeled data. Instead of relying on manually annotated examples, FMs are pre-trained to learn general-purpose visual features that can later be adapted to specific clinical tasks with little additional supervision. In this review, we examine how FMs are being developed and applied in pathology, radiology, and ophthalmology, drawing on evidence from over 150 studies. We explain the core components of FM pipelines, including model architectures, self-supervised learning methods, and strategies for downstream adaptation. We also review how FMs are being used in each imaging domain and compare design choices across applications. Finally, we discuss key challenges and open questions to guide future research.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google