Strategie di Aggregazione dei Compiti per Modelli Fondamentali in Ecografia

Una recente indagine pubblicata su arXiv (2603.18123) esplora le ragioni alla base delle prestazioni inferiori dei modelli fondamentali unificati per ecografia rispetto ai benchmark specifici per compito. I ricercatori suggeriscono che questo calo di prestazioni potrebbe derivare da metodi di aggregazione dei compiti che trascurano l'interazione tra la diversità dei compiti e la scala dei dati di addestramento. Presentano M2DINO, un framework progettato per più organi e compiti, che utilizza DINOv3 e incorpora blocchi Mixture-of-Experts condizionati al compito per una gestione flessibile della capacità. Il framework è stato testato su 27 compiti ecografici, tra cui segmentazione, classificazione, rilevamento e regressione, sotto tre diversi paradigmi: specifico per compito, raggruppato clinicamente e tutti i compiti. I risultati forniscono linee guida per apprendere efficacemente compiti ecografici eterogenei insieme senza sacrificare le prestazioni.