論文の概要: Towards Scalable SOAP Note Generation: A Weakly Supervised Multimodal Framework

• arxiv url: http://arxiv.org/abs/2506.10328v1
• Date: Thu, 12 Jun 2025 03:33:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-13 15:37:22.556532
• Title: Towards Scalable SOAP Note Generation: A Weakly Supervised Multimodal Framework
• Title（参考訳）: スケーラブルなSOAPノート生成に向けて - 弱々しく監視されたマルチモーダルフレームワーク
• Authors: Sadia Kamal, Tim Oates, Joy Wan,
• Abstract要約: 皮膚癌は世界中で最も多いがんであり、年間医療費は80億ドルを超えている。 本稿では,病変画像やスパーステキストを含む限られた入力から臨床構造化されたSOAPノートを生成するための弱教師付きマルチモーダルフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 2.628362851671667
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Skin carcinoma is the most prevalent form of cancer globally, accounting for over $8 billion in annual healthcare expenditures. In clinical settings, physicians document patient visits using detailed SOAP (Subjective, Objective, Assessment, and Plan) notes. However, manually generating these notes is labor-intensive and contributes to clinician burnout. In this work, we propose a weakly supervised multimodal framework to generate clinically structured SOAP notes from limited inputs, including lesion images and sparse clinical text. Our approach reduces reliance on manual annotations, enabling scalable, clinically grounded documentation while alleviating clinician burden and reducing the need for large annotated data. Our method achieves performance comparable to GPT-4o, Claude, and DeepSeek Janus Pro across key clinical relevance metrics. To evaluate clinical quality, we introduce two novel metrics MedConceptEval and Clinical Coherence Score (CCS) which assess semantic alignment with expert medical concepts and input features, respectively.
• Abstract（参考訳）: 皮膚癌は世界中で最も多いがんであり、年間医療費は80億ドルを超えている。 臨床現場では、医師が詳細なSOAP(Subjective, Objective, Assessment, Plan)のノートを使って患者訪問を文書化する。 しかし、これらのメモを手動で作成することは労働集約的であり、臨床のバーンアウトに寄与する。 本稿では,病変画像やスパーステキストを含む限られた入力から臨床構造化されたSOAPノートを生成するための弱教師付きマルチモーダルフレームワークを提案する。 提案手法は,手動アノテーションへの依存を軽減し,クリニック負担を軽減しつつ,スケーラブルで臨床基盤のあるドキュメンテーションを可能にするとともに,大規模な注釈付きデータの必要性を低減させる。 本手法はGPT-4o, Claude, DeepSeek Janus Pro に匹敵する性能を臨床関連指標で達成する。 MedConceptEval と Clinical Coherence Score (CCS) の2つの新しい指標を導入し,それぞれが専門的医療概念と入力特徴とのセマンティックアライメントを評価する。

関連論文リスト

• Improving Clinical Note Generation from Complex Doctor-Patient Conversation [20.2157016701399]
  大言語モデル(LLM)を用いた臨床ノート作成分野への3つの重要な貢献について述べる。 まず、CliniKnoteを紹介します。CliniKnoteは、1200の複雑な医師と患者との会話と、その全臨床ノートを組み合わせたデータセットです。 第2に,従来のSOAPcitepodder20soap(Subjective, Objective, Assessment, Plan)のメモを上位にキーワードセクションを追加することで,必須情報の迅速な識別を可能にするK-SOAPを提案する。 第3に、医師と患者との会話からK-SOAPノートを生成する自動パイプラインを開発し、様々な近代LCMをベンチマークする。
  論文  参考訳（メタデータ） (2024-08-26T18:39:31Z)
• Towards Adapting Open-Source Large Language Models for Expert-Level Clinical Note Generation [19.08691249610632]
  本研究では,オープンソースのLLaMA-213億パラメータモデルに対する包括的ドメイン・タスク特化プロセスを提案する。 我々のプロセスには、AIと人間のフィードバックの両方から、継続的な事前トレーニング、教師付き微調整、強化学習が組み込まれています。 得られたLLaMA-Clinicは,医師が作成したものと同等の精度で臨床記録を作成できる。
  論文  参考訳（メタデータ） (2024-04-25T15:34:53Z)
• SoftTiger: A Clinical Foundation Model for Healthcare Workflows [5.181665205189493]
  医療基盤モデルとして設計された臨床用大規模言語モデル(CLaM)であるSoftTigerを紹介する。 我々は,3つのサブタスク,すなわち国際患者要約,臨床印象,医療的出会いのデータを収集し,注釈する。 公立および認証臨床データを用いて,最先端のLCMの微調整を指導した。
  論文  参考訳（メタデータ） (2024-03-01T04:39:16Z)
• 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)
• 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)
• A Meta-Evaluation of Faithfulness Metrics for Long-Form Hospital-Course Summarization [2.8575516056239576]
  病院入院の長期的臨床要約は、臨床医と患者の両方に役立つ可能性から、現実的な重要性を持っている。 本研究は,患者の短期病院講座のモデル作成要約に対して,人体アノテーションの微粒化に対する忠実度指標をベンチマークした。
  論文  参考訳（メタデータ） (2023-03-07T14:57:06Z)
• Human Evaluation and Correlation with Automatic Metrics in Consultation Note Generation [56.25869366777579]
  近年,機械学習モデルによる臨床相談ノートの作成が急速に進んでいる。 5人の臨床医が57件のモック・コンサルテーションを聴き、自作のノートを書き、自動的に生成されたノートを編集し、全てのエラーを抽出する、広範囲にわたる人的評価研究を行った。 単純な文字ベースのLevenshtein距離測定は、BertScoreのような一般的なモデルベースの測定値に比較して、同等に動作します。
  論文  参考訳（メタデータ） (2022-04-01T14:04:16Z)
• Enriching Unsupervised User Embedding via Medical Concepts [51.17532619610099]
  教師なしのユーザ埋め込みは、患者を人間の監督なしに、固定長のベクターにエンコードすることを目的としている。 臨床ノートから抽出された医療概念は、患者とその臨床カテゴリ間の豊富な関係を含んでいる。 本稿では,2つの臨床コーパスからテキスト文書と医療概念を共同で活用する,非教師なしユーザ埋め込みを提案する。
  論文  参考訳（メタデータ） (2022-03-20T18:54:05Z)
• Self-supervised Answer Retrieval on Clinical Notes [68.87777592015402]
  本稿では,ドメイン固有パスマッチングのためのトランスフォーマー言語モデルをトレーニングするためのルールベースのセルフスーパービジョンであるCAPRを紹介する。 目的をトランスフォーマーベースの4つのアーキテクチャ、コンテキスト文書ベクトル、ビ-、ポリエンコーダ、クロスエンコーダに適用する。 本稿では,ドメイン固有パスの検索において,CAPRが強いベースラインを上回り,ルールベースおよび人間ラベル付きパスを効果的に一般化することを示す。
  論文  参考訳（メタデータ） (2021-08-02T10:42:52Z)
• Improving Early Sepsis Prediction with Multi Modal Learning [5.129463113166068]
  臨床テキストは、敗血症の重症度を推定するために必要な情報を提供する。 Amazon Comprehend MedicalではBERTのような最先端のNLPモデルと高度に専門化されたNLPモデルを用いてテキストを表現している。 本手法は, セプシス予測のためのPhystoNet Computing in Cardiology Challengeの勝利モデルとともに, 専門医であるqSOFAが提案する臨床基準を著しく上回っている。
  論文  参考訳（メタデータ） (2021-07-23T09:25:31Z)

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。