論文の概要: Agent Hospital: A Simulacrum of Hospital with Evolvable Medical Agents

• arxiv url: http://arxiv.org/abs/2405.02957v1
• Date: Sun, 5 May 2024 14:53:51 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-07 17:30:59.363134
• Title: Agent Hospital: A Simulacrum of Hospital with Evolvable Medical Agents
• Title（参考訳）: エージェント・インスティテュート : 進化可能な医療エージェントを持つ病院のシミュレーション
• Authors: Junkai Li, Siyu Wang, Meng Zhang, Weitao Li, Yunghwei Lai, Xinhui Kang, Weizhi Ma, Yang Liu,
• Abstract要約: 治療過程全体をシミュレートした,エージェント病院という病院のシミュラムを紹介した。 すべての患者、看護師、医師は、大規模言語モデル(LLM)を利用した自律型エージェントである。
• 参考スコア（独自算出の注目度）: 14.167006531064517
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, we introduce a simulacrum of hospital called Agent Hospital that simulates the entire process of treating illness. All patients, nurses, and doctors are autonomous agents powered by large language models (LLMs). Our central goal is to enable a doctor agent to learn how to treat illness within the simulacrum. To do so, we propose a method called MedAgent-Zero. As the simulacrum can simulate disease onset and progression based on knowledge bases and LLMs, doctor agents can keep accumulating experience from both successful and unsuccessful cases. Simulation experiments show that the treatment performance of doctor agents consistently improves on various tasks. More interestingly, the knowledge the doctor agents have acquired in Agent Hospital is applicable to real-world medicare benchmarks. After treating around ten thousand patients (real-world doctors may take over two years), the evolved doctor agent achieves a state-of-the-art accuracy of 93.06% on a subset of the MedQA dataset that covers major respiratory diseases. This work paves the way for advancing the applications of LLM-powered agent techniques in medical scenarios.
• Abstract（参考訳）: 本稿では, 治療過程全体をシミュレートした, エージェント病院という病院のシミュラクルを紹介する。 全ての患者、看護師、医師は、大きな言語モデル(LLM)を動力とする自律的なエージェントである。 私たちの中心的な目標は、医師がシラクラム内で病気を治療する方法を学ぶことを可能にすることです。 そこで我々はMedAgent-Zeroという手法を提案する。 シミュラクルムは、知識ベースとLLMに基づいて、疾患の発症と進行をシミュレートできるため、医師は、成功したケースと失敗したケースの両方から経験を蓄積し続けることができる。 シミュレーション実験により, 医師の処理性能は, 様々な課題において一貫して改善されていることがわかった。 さらに興味深いことに、エージェント病院で医師が取得した知識は、実際の医療ベンチマークに適用できる。 約1万人の患者(現実の医師は2年以上かかるかもしれない)を治療した後、進化した医師は、主要な呼吸器疾患をカバーするMedQAデータセットのサブセットで93.06%の最先端の精度を達成した。 この研究は、医学的シナリオにおけるLSMを利用したエージェント技術の進歩の道を開くものである。

関連論文リスト

• MMedAgent: Learning to Use Medical Tools with Multi-modal Agent [26.315786330786676]
  本報告では,医療分野向けに設計された最初のエージェントである textbfMulti-modal textbfMedical textbfAgent (MMedAgent) を紹介する。 本研究では,7つのタスクを解く6つの医療ツールからなる指導訓練データセットをキュレートし,与えられたタスクに最適なツールをエージェントが選択できるようにする。 MMedAgentは、最先端のオープンソース手法やクローズドソースモデルであるGPT-4oと比較して、様々な医療タスクにおいて優れたパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2024-07-02T17:58:23Z)
• AgentClinic: a multimodal agent benchmark to evaluate AI in simulated clinical environments [2.567146936147657]
  本稿では,臨床シミュレーション環境における大規模言語モデル(LLM)の評価のためのベンチマークであるAgentClinicを提案する。 本ベンチマークでは,医師は対話や活動的データ収集を通じて患者の診断を明らかにする必要がある。 偏見の導入は, 医師の診断精度を大幅に低下させるとともに, 患者エージェントのコンプライアンス, 信頼度, フォローアップ意欲を低下させる。
  論文  参考訳（メタデータ） (2024-05-13T17:38:53Z)
• Adaptive Collaboration Strategy for LLMs in Medical Decision Making [40.979954284814895]
  医療意思決定エージェント(MDAgents, Medical Decision-making Agents, MDAgents)は, LLMの効果的な協調構造を自動的に割り当てることによって, このギャップに対処することを目的としている。 割り当てられた単独またはグループの共同作業構造は、実際の医療決定過程をエミュレートして、手前の医療作業の複雑さに合わせて調整される。 MDAgentsは、マルチモーダル医療推論の理解を必要とする7つのベンチマークのうち5つで最高のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-04-22T06:30:05Z)
• Autonomous Artificial Intelligence Agents for Clinical Decision Making in Oncology [0.6397820821509177]
  本稿では,大規模言語モデル(LLM)を中心的推論エンジンとして活用する,マルチモーダル医療用AIの代替手法を提案する。 このエンジンは、医療用AIツールのセットを自律的に調整し、デプロイする。 適切なツール(97%)、正しい結論(93.6%)、完全(94%)、個人患者に有用な推奨(89.2%)を提示する能力が高いことを示す。
  論文  参考訳（メタデータ） (2024-04-06T15:50:19Z)
• MedKP: Medical Dialogue with Knowledge Enhancement and Clinical Pathway Encoding [48.348511646407026]
  本稿では,知識向上と臨床パスウェイ符号化フレームワークを用いた医療対話について紹介する。 このフレームワークは、医療知識グラフを介して外部知識増強モジュールと、医療機関および医師の行動を介して、内部臨床経路をコードする。
  論文  参考訳（メタデータ） (2024-03-11T10:57:45Z)
• Asclepius: A Spectrum Evaluation Benchmark for Medical Multi-Modal Large Language Models [59.60384461302662]
  医療マルチモーダル大言語モデル(Med-MLLM)を評価するための新しいベンチマークであるAsclepiusを紹介する。 Asclepiusは、異なる医療専門性と異なる診断能力の観点から、モデル能力の厳密かつ包括的に評価する。 また、6つのMed-MLLMの詳細な分析を行い、5人の専門家と比較した。
  論文  参考訳（メタデータ） (2024-02-17T08:04:23Z)
• AI Hospital: Benchmarking Large Language Models in a Multi-agent Medical Interaction Simulator [69.51568871044454]
  我々は,emphDoctorをプレイヤとして,NPC間の動的医療相互作用をシミュレーションするフレームワークであるtextbfAI Hospitalを紹介した。 この設定は臨床シナリオにおけるLCMの現実的な評価を可能にする。 高品質な中国の医療記録とNPCを利用したマルチビュー医療評価ベンチマークを開発した。
  論文  参考訳（メタデータ） (2024-02-15T06:46:48Z)
• Large Language Model Distilling Medication Recommendation Model [61.89754499292561]
  大規模言語モデル(LLM)の強力な意味理解と入力非依存特性を利用する。 本研究は, LLMを用いて既存の薬剤推奨手法を変換することを目的としている。 これを軽減するため,LLMの習熟度をよりコンパクトなモデルに伝達する機能レベルの知識蒸留技術を開発した。
  論文  参考訳（メタデータ） (2024-02-05T08:25:22Z)
• Towards Medical Artificial General Intelligence via Knowledge-Enhanced Multimodal Pretraining [121.89793208683625]
  医療人工知能(MAGI)は、1つの基礎モデルで異なる医療課題を解くことができる。 我々は、Micical-knedge-enhanced mulTimOdal pretRaining (motoR)と呼ばれる新しいパラダイムを提案する。
  論文  参考訳（メタデータ） (2023-04-26T01:26:19Z)
• Management and Detection System for Medical Surgical Equipment [68.8204255655161]
  保存外科体 (Retained surgical body, RSB) は、外科手術後に患者の体内に残された異物である。 本稿では、我々が設計空間を探索し、実現可能なソリューションを定義し、最先端のサイバー物理システムをシミュレートし、検証し、検証するために行った技術プロセスについて述べる。
  論文  参考訳（メタデータ） (2022-11-04T10:19:41Z)

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。