Краткое содержание

arXiv:2511.14082v1 Тип объявления: кросс Аннотация: Глубокие обучающие модели добились выдающихся успехов в анализе медицинских изображений, но фундаментально ограничены необходимостью наличия крупномасштабных тщательно аннотированных наборов данных. Эта зависимость от «больших данных» является критическим узким местом в медицинской области, где данные пациентов по своей природе трудно получить, а экспертная разметка обходится дорого, особенно для редких заболеваний, образцы которых по определению редки. Для преодоления этой фундаментальной проблемы мы предлагаем новый подход: синтез моделей с нулевой подготовкой и конкретной задачей (Zero-Training Task-Specific Model Synthesis — ZS-TMS). Вместо адаптации существующей модели или обучения новой нашей методике удается использовать масштабную предварительно обученную генеративную модель для прямого синтеза полного набора параметров классификатора, специфичного для задачи. Наш фреймворк, семантически управляемый генератор параметров (Semantic-Guided Parameter Synthesizer — SGPS), принимает на вход минимальную мультимодальную информацию о задаче, такую как всего один пример изображения (1-шот) и соответствующее клиническое описание.