VOLMO：眼科領域のための多用途かつオープンな大規模モデル

要旨: 視覚障害は世界で何百万人もの人々に影響を与えており、不可逆的な視力喪失を防ぐためには早期発見が極めて重要である。眼科のワークフローでは、疾患の重症度や管理を判断するために、医用画像、構造化された臨床データ、自由記述の所見を臨床家が統合する必要があり、これには時間と負担がかかる。近年のマルチモーダル大規模言語モデル（MLLMs）は有望であるが、既存の汎用および医療向けMLLMは眼科領域では性能が低く、さらに眼科専用のMLLMは公に利用できるものがほとんどない。私たちは、眼科専用のMLLMを開発するための、モデル非依存でデータをオープンにした枠組みであるVOLMO（Versatile and Open Large Models for Ophthalmology）を提案する。VOLMOは3つの段階を含む。すなわち、82の学術誌にまたがる26,569本の記事から収集した86,965の画像-テキストペアに対する眼科知識の事前学習；疾患スクリーニングと重症度分類のために、12の眼疾患にまたがる26,929の注釈付き実例に対するドメインタスクの微調整；および、評価、計画、フォローアップケアのための、患者ケースレポート913件に対する多段階の臨床的推論である。この枠組みを用いて、コンパクトな2BパラメータのMLLMを学習し、InternVL-2B、LLaVA-Med-7B、MedGemma-4B、MedGemma-27B、RETFoundを含む強力なベースラインと比較した。これらのモデルを、画像記述生成、疾患スクリーニングおよび病期分類、ならびに評価と管理の生成について評価し、さらに2名の医療専門職による追加の手動レビューと、加齢黄斑変性および糖尿病性網膜症に対する3つの独立コホートでの外部検証を行った。いずれの設定においても、VOLMO-2Bは一貫してベースラインを上回り、より強い画像記述性能を達成し、12の眼疾患における平均F1が87.4%であり、外部検証でもより高いスコアを得た。