論文の概要: RareAgents: Autonomous Multi-disciplinary Team for Rare Disease Diagnosis and Treatment

• arxiv url: http://arxiv.org/abs/2412.12475v1
• Date: Tue, 17 Dec 2024 02:22:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-18 14:01:52.165817
• Title: RareAgents: Autonomous Multi-disciplinary Team for Rare Disease Diagnosis and Treatment
• Title（参考訳）: RareAgents: 希少疾患の診断と治療のための自律的な多部門チーム
• Authors: Xuanzhong Chen, Ye Jin, Xiaohao Mao, Lun Wang, Shuyang Zhang, Ting Chen,
• Abstract要約: 希少な病気が世界中で約3億人に影響を与えている。 近年,大規模言語モデル (LLM) を利用したエージェントは,様々な領域で顕著に改善されている。 RareAgentsは、Llama-3.1-8B/70Bをベースモデルとして、高度な計画機能、メモリ機構、医療ツールの利用を統合する。
• 参考スコア（独自算出の注目度）: 13.330661181655493
• License:
• Abstract: Rare diseases, despite their low individual incidence, collectively impact around 300 million people worldwide due to the huge number of diseases. The complexity of symptoms and the shortage of specialized doctors with relevant experience make diagnosing and treating rare diseases more challenging than common diseases. Recently, agents powered by large language models (LLMs) have demonstrated notable improvements across various domains. In the medical field, some agent methods have outperformed direct prompts in question-answering tasks from medical exams. However, current agent frameworks lack adaptation for real-world clinical scenarios, especially those involving the intricate demands of rare diseases. To address these challenges, we present RareAgents, the first multi-disciplinary team of LLM-based agents tailored to the complex clinical context of rare diseases. RareAgents integrates advanced planning capabilities, memory mechanisms, and medical tools utilization, leveraging Llama-3.1-8B/70B as the base model. Experimental results show that RareAgents surpasses state-of-the-art domain-specific models, GPT-4o, and existing agent frameworks in both differential diagnosis and medication recommendation for rare diseases. Furthermore, we contribute a novel dataset, MIMIC-IV-Ext-Rare, derived from MIMIC-IV, to support further advancements in this field.
• Abstract（参考訳）: 希少な病気は個体数が少ないにもかかわらず、世界中で約3億人の人に影響を与えている。 症状の複雑さと、関連する経験を持つ専門医の不足により、希少疾患の診断と治療は、一般的な疾患よりも困難である。 近年,大規模言語モデル (LLM) を利用したエージェントは,様々な領域で顕著に改善されている。 医学分野では、いくつかのエージェント手法は、医学試験からの質問応答タスクにおいて直接的プロンプトよりも優れている。 しかしながら、現在のエージェントフレームワークは、特に稀な疾患の複雑な要求にかかわる実際の臨床シナリオへの適応を欠いている。 これらの課題に対処するために、レア疾患の複雑な臨床状況に合わせて、LSMをベースとした最初の多分野研究チームであるRareAgentsを紹介した。 RareAgentsは、Llama-3.1-8B/70Bをベースモデルとして、高度な計画機能、メモリ機構、医療ツールの利用を統合する。 実験の結果,RareAgentsは診断と治療の両面で,最先端のドメイン固有モデル,GPT-4o,および既存のエージェントフレームワークを超越していることが明らかとなった。 さらに,MIMIC-IVから派生した新しいデータセットMIMIC-IV-Ext-Rareを,この分野のさらなる進歩を支援するために提案する。

関連論文リスト

• MMed-RAG: Versatile Multimodal RAG System for Medical Vision Language Models [49.765466293296186]
  近年,Med-LVLM (Med-LVLMs) の進歩により,対話型診断ツールの新たな可能性が高まっている。 Med-LVLMは、しばしば事実の幻覚に悩まされ、誤った診断につながることがある。 我々は,Med-LVLMの現実性を高めるために,多目的マルチモーダルRAGシステムMMed-RAGを提案する。
  論文  参考訳（メタデータ） (2024-10-16T23:03:27Z)
• MAGDA: Multi-agent guideline-driven diagnostic assistance [43.15066219293877]
  救急部門、地方病院、または未開発地域の診療所では、臨床医は訓練された放射線技師による高速な画像分析を欠いていることが多い。 本研究では,ゼロショットガイドライン駆動意思決定支援のための新しいアプローチを提案する。 我々は、患者診断に到達するために協調する、対照的な視覚言語モデルで強化された複数のLLMエージェントのシステムをモデル化する。
  論文  参考訳（メタデータ） (2024-09-10T09:10:30Z)
• Assessing and Enhancing Large Language Models in Rare Disease Question-answering [64.32570472692187]
  本稿では,レアな疾患の診断におけるLarge Language Models (LLMs) の性能を評価するために,レアな疾患問合せデータセット(ReDis-QA)を導入する。 ReDis-QAデータセットでは1360の高品質な質問応答ペアを収集し,205の稀な疾患をカバーした。 その後、いくつかのオープンソースのLCMをベンチマークし、希少疾患の診断がこれらのモデルにとって重要な課題であることを示した。 実験の結果,ReCOPは,ReDis-QAデータセット上でのLCMの精度を平均8%向上できることがわかった。
  論文  参考訳（メタデータ） (2024-08-15T21:09:09Z)
• Potential of Multimodal Large Language Models for Data Mining of Medical Images and Free-text Reports [51.45762396192655]
  特にGemini-Vision-Series (Gemini) と GPT-4-Series (GPT-4) は、コンピュータビジョンのための人工知能のパラダイムシフトを象徴している。 本研究は,14の医用画像データセットを対象に,Gemini,GPT-4,および4つの一般的な大規模モデルの性能評価を行った。
  論文  参考訳（メタデータ） (2024-07-08T09:08:42Z)
• A Concept-based Interpretable Model for the Diagnosis of Choroid Neoplasias using Multimodal Data [28.632437578685842]
  我々は成人で最も多い眼がんである脈絡膜新生症(5.1%)に焦点を当てた。 本研究は,3種類の脈絡膜腫瘍を識別する概念に基づく解釈可能なモデルを提案する。 注目すべきは、このモデルがブラックボックスモデルに匹敵するF1スコアの0.91を達成する一方で、ジュニア医師の診断精度を42%向上させることである。
  論文  参考訳（メタデータ） (2024-03-08T07:15:53Z)
• AutoRD: An Automatic and End-to-End System for Rare Disease Knowledge Graph Construction Based on Ontologies-enhanced Large Language Models [25.966454809890227]
  希少な病気は世界中で数百万人に影響を与えるが、その頻度が低いため研究の焦点が限られていることが多い。 近年のLarge Language Models (LLMs) の進歩は, 医療情報の抽出を自動化することを約束している。 本稿では,まれな疾患に関する医療用テキストから情報を自動的に抽出するAutoRDというエンドツーエンドシステムを提案する。
  論文  参考訳（メタデータ） (2024-03-01T20:06:39Z)
• A Spectrum Evaluation Benchmark for Medical Multi-Modal Large Language Models [57.88111980149541]
  Asclepiusは、Med-MLLMの異なる医学的特長と診断能力で評価する、新しいMed-MLLMベンチマークである。 3つの基本原則に基づいて、アスクレピウスは15の医療専門分野を包括的に評価する。 また、6つのMed-MLLMの詳細な分析を行い、3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)
• RareBench: Can LLMs Serve as Rare Diseases Specialists? [11.828142771893443]
  Generalist Large Language Models (LLMs) は、医学的診断を含む様々な領域において有望であることを示している。 世界中で約3億人に影響を及ぼす希少な疾患は、しばしば不満足な臨床診断率を持つ。 RareBenchは、希少疾患の領域における4つの重要な次元におけるLSMの能力を評価するために設計された先駆的なベンチマークである。 GPT-4の診断能力と専門医との総合的な比較検討を行った。
  論文  参考訳（メタデータ） (2024-02-09T11:34:16Z)
• 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)
• Federated Learning Enables Big Data for Rare Cancer Boundary Detection [98.5549882883963]
  6大陸にわたる71の医療機関のデータを含む,これまでで最大のフェデレーテッドML研究の結果を報告する。 グリオ芽腫の稀な疾患に対する腫瘍境界自動検出装置を作製した。 当科では, 外科的に標的とした腫瘍の悪性度を高めるために, 33%の改善率を示し, 腫瘍全体に対する23%の改善率を示した。
  論文  参考訳（メタデータ） (2022-04-22T17:27:00Z)

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。