論文の概要: Learning to Be A Doctor: Searching for Effective Medical Agent Architectures

• arxiv url: http://arxiv.org/abs/2504.11301v1
• Date: Tue, 15 Apr 2025 15:44:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-16 22:10:24.050573
• Title: Learning to Be A Doctor: Searching for Effective Medical Agent Architectures
• Title（参考訳）: 医師になるための学び - 効果的な医療エージェントアーキテクチャを求めて
• Authors: Yangyang Zhuang, Wenjia Jiang, Jiayu Zhang, Ze Yang, Joey Tianyi Zhou, Chi Zhang,
• Abstract要約: 本稿では,医療エージェントアーキテクチャの自動設計のための新しいフレームワークを紹介する。 自動機械学習(AutoML)の成功に触発され、階層的で表現力のあるエージェント検索空間を定義する。 本フレームワークは,多様な機能ノード型からなるグラフベースのアーキテクチャとして医療エージェントを概念化する。
• 参考スコア（独自算出の注目度）: 32.82784216021035
• License:
• Abstract: Large Language Model (LLM)-based agents have demonstrated strong capabilities across a wide range of tasks, and their application in the medical domain holds particular promise due to the demand for high generalizability and reliance on interdisciplinary knowledge. However, existing medical agent systems often rely on static, manually crafted workflows that lack the flexibility to accommodate diverse diagnostic requirements and adapt to emerging clinical scenarios. Motivated by the success of automated machine learning (AutoML), this paper introduces a novel framework for the automated design of medical agent architectures. Specifically, we define a hierarchical and expressive agent search space that enables dynamic workflow adaptation through structured modifications at the node, structural, and framework levels. Our framework conceptualizes medical agents as graph-based architectures composed of diverse, functional node types and supports iterative self-improvement guided by diagnostic feedback. Experimental results on skin disease diagnosis tasks demonstrate that the proposed method effectively evolves workflow structures and significantly enhances diagnostic accuracy over time. This work represents the first fully automated framework for medical agent architecture design and offers a scalable, adaptable foundation for deploying intelligent agents in real-world clinical environments.
• Abstract（参考訳）: 大規模言語モデル(LLM)に基づくエージェントは、幅広いタスクにおいて強力な能力を示しており、医学領域におけるそれらの応用は、高い一般化可能性と学際的知識への依存のために、特に有望である。 しかし、既存の医療エージェントシステムは、様々な診断要件に適合し、新たな臨床シナリオに適応する柔軟性に欠ける、静的で手作業によるワークフローに依存していることが多い。 本稿では,自動機械学習(AutoML)の成功に触発されて,医療エージェントアーキテクチャの自動設計のための新しいフレームワークを提案する。 具体的には、階層的で表現力のあるエージェント検索空間を定義し、ノード、構造、フレームワークレベルでの構造化変更による動的ワークフロー適応を可能にする。 本フレームワークは,多様な機能ノード型からなるグラフベースアーキテクチャとして医療エージェントを概念化し,診断フィードバックによる反復的自己改善を支援する。 皮膚疾患診断タスクの実験結果から,本手法はワークフロー構造を効果的に進化させ,時間とともに診断精度を大幅に向上させることを示した。 この作業は、医療エージェントアーキテクチャ設計のための最初の完全に自動化されたフレームワークであり、実際の臨床環境でインテリジェントエージェントをデプロイするためのスケーラブルで適応可能な基盤を提供する。

関連論文リスト

• KG4Diagnosis: A Hierarchical Multi-Agent LLM Framework with Knowledge Graph Enhancement for Medical Diagnosis [6.001401133840334]
  KG4Diagnosisは、大規模言語モデルと知識グラフの自動構築を組み合わせた、新しい階層型マルチエージェントフレームワークである。 本フレームワークは,2層構造を用いて実世界の医療システムをミラーリングする。初期評価とトリアージのためのGPエージェントであり,特定のドメインにおける深度診断のための特殊なエージェントと協調する。
  論文  参考訳（メタデータ） (2024-12-22T02:40:59Z)
• Efficient MedSAMs: Segment Anything in Medical Images on Laptop [69.28565867103542]
  我々は,迅速な医用画像のセグメンテーションに特化した初の国際コンペを組織した。 トップチームは軽量なセグメンテーション基盤モデルを開発し、効率的な推論パイプラインを実装した。 最高のパフォーマンスのアルゴリズムは、臨床導入を促進するために、ユーザフレンドリーなインターフェースを備えたオープンソースソフトウェアに組み込まれている。
  論文  参考訳（メタデータ） (2024-12-20T17:33:35Z)
• Medchain: Bridging the Gap Between LLM Agents and Clinical Practice through Interactive Sequential Benchmarking [58.25862290294702]
  臨床ワークフローの5つの重要な段階をカバーする12,163の臨床症例のデータセットであるMedChainを提示する。 フィードバック機構とMCase-RAGモジュールを統合したAIシステムであるMedChain-Agentも提案する。
  論文  参考訳（メタデータ） (2024-12-02T15:25:02Z)
• Towards Next-Generation Medical Agent: How o1 is Reshaping Decision-Making in Medical Scenarios [46.729092855387165]
  本稿では,医療用AIエージェントのバックボーンLSMの選択について検討する。 我々の研究結果は、o1の診断精度と一貫性を高める能力を示し、よりスマートでより応答性の高いAIツールへの道を開いた。
  論文  参考訳（メタデータ） (2024-11-16T18:19:53Z)
• Demystifying Large Language Models for Medicine: A Primer [50.83806796466396]
  大規模言語モデル(LLM)は、医療のさまざまな側面に革命をもたらすことのできる、変革的なAIツールのクラスである。 本チュートリアルは、LSMを臨床実践に効果的に統合するために必要なツールを医療専門家に提供することを目的としている。
  論文  参考訳（メタデータ） (2024-10-24T15:41:56Z)
• Adaptive Reasoning and Acting in Medical Language Agents [3.8936716676293917]
  本稿では, 臨床シミュレーション環境における診断精度を高めるために, LLMエージェントフレームワークを提案する。 提案した自動修正により、医師は誤診断後の推論や行動を反復的に洗練することができる。
  論文  参考訳（メタデータ） (2024-10-13T21:45:16Z)
• A process algebraic framework for multi-agent dynamic epistemic systems [55.2480439325792]
  本稿では,マルチエージェント,知識ベース,動的システムのモデリングと解析のための統合フレームワークを提案する。 モデリング側では,このようなフレームワークを実用的な目的に使いやすくするプロセス代数的,エージェント指向の仕様言語を提案する。
  論文  参考訳（メタデータ） (2024-07-24T08:35:50Z)
• 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)
• A ModelOps-based Framework for Intelligent Medical Knowledge Extraction [20.800484664872148]
  本稿では,モデルOpsに基づくインテリジェント医療知識抽出フレームワークを提案する。 モデル選択、トレーニング、評価、最適化のためのローコードシステムを提供する。 我々のフレームワークは、研究者がモデルを開発し、医師のような非AI専門家のモデルアクセスを簡易化するのに役立つ。
  論文  参考訳（メタデータ） (2023-10-04T05:35:16Z)
• 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)

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。