論文の概要: LLM-Driven Medical Document Analysis: Enhancing Trustworthy Pathology and Differential Diagnosis

• arxiv url: http://arxiv.org/abs/2506.19702v1
• Date: Tue, 24 Jun 2025 15:12:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-25 19:48:23.694529
• Title: LLM-Driven Medical Document Analysis: Enhancing Trustworthy Pathology and Differential Diagnosis
• Title（参考訳）: LLM-Driven Medical Document Analysis: Enhancing Trustworthy Pathology and Differential diagnosis
• Authors: Lei Kang, Xuanshuo Fu, Oriol Ramos Terrades, Javier Vazquez-Corral, Ernest Valveny, Dimosthenis Karatzas,
• Abstract要約: 低ランク適応を用いてLLaMA-v3を微調整する信頼性の高い医療文書分析プラットフォームを提案する。 本手法は差分診断のための最大のベンチマークデータセットであるDDXPlusを利用する。 開発したWebベースのプラットフォームでは、ユーザは独自の構造化されていない医療文書を提出し、正確な説明可能な診断結果を受け取ることができる。
• 参考スコア（独自算出の注目度）: 13.435898630240416
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Medical document analysis plays a crucial role in extracting essential clinical insights from unstructured healthcare records, supporting critical tasks such as differential diagnosis. Determining the most probable condition among overlapping symptoms requires precise evaluation and deep medical expertise. While recent advancements in large language models (LLMs) have significantly enhanced performance in medical document analysis, privacy concerns related to sensitive patient data limit the use of online LLMs services in clinical settings. To address these challenges, we propose a trustworthy medical document analysis platform that fine-tunes a LLaMA-v3 using low-rank adaptation, specifically optimized for differential diagnosis tasks. Our approach utilizes DDXPlus, the largest benchmark dataset for differential diagnosis, and demonstrates superior performance in pathology prediction and variable-length differential diagnosis compared to existing methods. The developed web-based platform allows users to submit their own unstructured medical documents and receive accurate, explainable diagnostic results. By incorporating advanced explainability techniques, the system ensures transparent and reliable predictions, fostering user trust and confidence. Extensive evaluations confirm that the proposed method surpasses current state-of-the-art models in predictive accuracy while offering practical utility in clinical settings. This work addresses the urgent need for reliable, explainable, and privacy-preserving artificial intelligence solutions, representing a significant advancement in intelligent medical document analysis for real-world healthcare applications. The code can be found at \href{https://github.com/leitro/Differential-Diagnosis-LoRA}{https://github.com/leitro/Differential-Diagnosis-LoRA}.
• Abstract（参考訳）: 医学文書分析は、未構造化の医療記録から重要な臨床知見を抽出し、鑑別診断などの重要なタスクを支援する上で重要な役割を担っている。 重なり合う症状の中で最も可能性の高い状態を決定するには、正確な評価と深い医学的専門知識が必要である。 近年の大規模言語モデル (LLM) の進歩は, 医療文書分析におけるパフォーマンスを著しく向上させているが, センシティブな患者データに関連するプライバシー上の懸念は, 臨床現場におけるオンライン LLM サービスの利用を制限している。 これらの課題に対処するために、低ランク適応を用いてLLaMA-v3を微調整し、特に鑑別診断タスクに最適化した信頼性の高い医療文書分析プラットフォームを提案する。 本手法では, DDXPlus を用いて診断精度を最大化し, 従来の診断法と比較して, 病因予測と可変長差分診断において優れた性能を示す。 開発したWebベースのプラットフォームでは、ユーザは独自の構造化されていない医療文書を提出し、正確な説明可能な診断結果を受け取ることができる。 高度な説明可能性技術を導入することで、システムは透明で信頼性の高い予測を保証し、ユーザの信頼と信頼を育む。 提案手法は,臨床現場で実用性を提供しながら,予測精度で現在の最先端モデルを上回ることが確認された。 この研究は、信頼できる、説明可能な、プライバシー保護の人工知能ソリューションに対する緊急の必要性に対処し、現実世界の医療アプリケーションのためのインテリジェントな医療文書分析の大幅な進歩を示している。 コードは \href{https://github.com/leitro/Differential-Diagnosis-LoRA}{https://github.com/leitro/Differential-Diagnosis-LoRA} にある。

関連論文リスト

• Test-Time-Scaling for Zero-Shot Diagnosis with Visual-Language Reasoning [37.37330596550283]
  視覚言語モデルを用いた信頼性のある医用画像診断のためのフレームワークを提案する。 テストタイムスケーリング戦略は、複数の候補出力を信頼性のある最終診断に集約する。 様々な医用画像モダリティにまたがるアプローチを評価する。
  論文  参考訳（メタデータ） (2025-06-11T22:23:38Z)
• Uncertainty-aware abstention in medical diagnosis based on medical texts [87.88110503208016]
  本研究は,AI支援医療診断における信頼性の重要課題について論じる。 本研究は,診断に自信がなければ,診断システムによる意思決定の回避を可能にする選択予測手法に焦点をあてる。 我々は、選択予測タスクにおける信頼性を高めるための新しい最先端手法であるHUQ-2を紹介する。
  論文  参考訳（メタデータ） (2025-02-25T10:15:21Z)
• ICA-RAG: Information Completeness Guided Adaptive Retrieval-Augmented Generation for Disease Diagnosis [16.186500907377965]
  ICA-RAGは疾患診断におけるRAG信頼性を高めるための新しいフレームワークである。 適応制御モジュールを使用して、入力の情報完全性に基づいて検索の必要性を評価する。 3つの中国の電子カルテデータセットの実験により、ICA-RAGはベースライン法を大幅に上回っていることが示された。
  論文  参考訳（メタデータ） (2025-02-20T14:52:36Z)
• MedRAG: Enhancing Retrieval-augmented Generation with Knowledge Graph-Elicited Reasoning for Healthcare Copilot [47.77948063906033]
  Retrieval-augmented Generation (RAG)は、プライバシーに敏感な電子健康記録を検索するのに適した手法である。 本稿では,医療領域に対する知識グラフ(KG)により強化されたRAGモデルであるMedRAGを提案する。 MedRAGはより具体的な診断の洞察を提供し、誤診率の低減に最先端のモデルを上回っている。
  論文  参考訳（メタデータ） (2025-02-06T12:27:35Z)
• Towards Reducing Diagnostic Errors with Interpretable Risk Prediction [18.474645862061426]
  特定診断のリスクの増大または低下を示す患者EHRデータ中の証拠片をLCMを用いて同定する方法を提案する。 私たちの究極の目標は、証拠へのアクセスを増やし、診断エラーを減らすことです。
  論文  参考訳（メタデータ） (2024-02-15T17:05:48Z)
• A Foundational Framework and Methodology for Personalized Early and Timely Diagnosis [84.6348989654916]
  本稿では,早期診断とタイムリー診断のための基礎的枠組みを提案する。 診断過程を概説する決定論的アプローチに基づいている。 機械学習と統計手法を統合し、最適なパーソナライズされた診断経路を推定する。
  論文  参考訳（メタデータ） (2023-11-26T14:42:31Z)
• Towards the Identifiability and Explainability for Personalized Learner Modeling: An Inductive Paradigm [36.60917255464867]
  本稿では,エンコーダ・デコーダモデルにインスパイアされた新しい応答効率応答パラダイムに基づく,識別可能な認知診断フレームワークを提案する。 診断精度を損なうことなく,ID-CDFが効果的に対処できることが示唆された。
  論文  参考訳（メタデータ） (2023-09-01T07:18:02Z)
• Anytime Diagnosis for Reconfiguration [52.77024349608834]
  我々は、いつでも直接診断できるflexdiagを紹介し分析する。 特徴モデルの領域からの構成ベンチマークと自動車領域からの産業構成知識ベースを使用して、性能および診断品質に関するアルゴリズムを評価します。
  論文  参考訳（メタデータ） (2021-02-19T11:45:52Z)
• Inheritance-guided Hierarchical Assignment for Clinical Automatic Diagnosis [50.15205065710629]
  臨床診断は、臨床ノートに基づいて患者に診断符号を割り当てることを目的としており、臨床意思決定において重要な役割を担っている。 本稿では,臨床自動診断のための継承誘導階層と共起グラフの伝播を組み合わせた新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2021-01-27T13:16:51Z)

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。