Fugu-MT 論文翻訳(概要): Large Language Model's Multi-Capability Alignment in Biomedical Domain

論文の概要: Large Language Model's Multi-Capability Alignment in Biomedical Domain

arxiv url: http://arxiv.org/abs/2508.04278v1
Date: Wed, 06 Aug 2025 10:06:11 GMT
ステータス: 翻訳完了
システム内更新日: 2025-08-07 20:09:22.670394
Title: Large Language Model's Multi-Capability Alignment in Biomedical Domain
Title（参考訳）: 生物医学領域における大規模言語モデルの多機能アライメント
Authors: Wentao Wu, Linqing Chen, Hanmeng Zhong, Weilei Wang,
Abstract要約: BalancedBioはパラメータ効率のよいバイオメディカル推論のためのフレームワークである。ドメイン固有のAIアライメントにおける多機能統合に対処する。パラメータクラスで最先端の結果を達成する。実際の展開はコストを78%削減し、診断精度を23%改善し、臨床医の受け入れ率は89%となった。
参考スコア（独自算出の注目度）: 3.1427813443719868
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: BalancedBio is a theoretically grounded framework for parameter-efficient biomedical reasoning, addressing multi-capability integration in domain-specific AI alignment. It establishes the Biomedical Multi-Capability Convergence Theorem, proving orthogonal gradient spaces are essential to prevent capability interference for safe deployment. Key innovations include: (1) Medical Knowledge Grounded Synthetic Generation (MKGSG), extending Source2Synth with clinical workflow constraints and medical ontology validation for factual accuracy and safety; and (2) Capability Aware Group Relative Policy Optimization, deriving optimal hybrid reward weighting to maintain orthogonality in RL, using a reward model with rule-based and model-based scores adapted to biomedical tasks. Mathematical analysis proves Pareto-optimal convergence, preserving performance across capabilities. It achieves state-of-the-art results in its parameter class: domain expertise (80.95% BIOMED-MMLU, +15.32% over baseline), reasoning (61.94%, +7.75%), instruction following (67.95%, +6.44%), and integration (86.7%, +18.5%). Theoretical safety guarantees include bounds on capability preservation and clinical accuracy. Real-world deployment yields 78% cost reduction, 23% improved diagnostic accuracy, and 89% clinician acceptance. This work provides a principled methodology for biomedical AI alignment, enabling efficient reasoning with essential safety and reliability, with the 0.5B model version to be released.
Abstract（参考訳）: BalancedBioは、パラメータ効率のよいバイオメディカル推論のための理論的基盤となるフレームワークであり、ドメイン固有のAIアライメントにおける多機能統合に対処する。バイオメディカル多機能収束理論を確立し、安全な配置のための機能干渉を防ぐために直交勾配空間の証明が不可欠である。主なイノベーションは,(1)医療知識基盤合成生成(MKGSG),2)臨床ワークフロー制約付きソース2Synthの拡張,および事実の正確性と安全性に対する医療オントロジー検証,(2)能力認識グループ相対的政策最適化,RLにおける直交性を維持するための最適ハイブリッド報酬重み付けの導出,および,生医学的タスクに適応したルールベースおよびモデルベーススコアを用いた報酬モデルである。数学的解析はパレート最適収束を証明し、能力にわたって性能を保つ。ドメインの専門知識 (80.95% BIOMED-MMLU, +15.32% over baseline)、推論 (61.94%, +7.75%)、指示に従う (67.95%, +6.44%)、統合 (86.7%, +18.5%) である。理論的安全性の保証には、能力の保存と臨床精度の限界が含まれる。実際の展開はコストを78%削減し、診断精度を23%改善し、臨床医の受け入れ率は89%となった。この研究は、バイオメディカルAIアライメントのための原則化された方法論を提供し、0.5Bモデルバージョンのリリースとともに、必須の安全性と信頼性を備えた効率的な推論を可能にする。

関連論文リスト

Addressing High Class Imbalance in Multi-Class Diabetic Retinopathy Severity Grading with Augmentation and Transfer Learning [1.5939351525664014]
本稿では,2型および5型糖尿病網膜症(DR)分類のための堅牢なディープラーニングフレームワークを提案する。 2値分類では, 99.9%の精度, 98.6%の精度, 99.3%のリコール, 98.9%のF1スコア, 99.4%のAUCが得られた。より困難な5クラス重度分類タスクでは、84.6%の競合精度と94.1%のAUCが、いくつかの既存手法より優れている。
論文参考訳（メタデータ） (2025-07-23T01:52:27Z)
An Explainable AI-Enhanced Machine Learning Approach for Cardiovascular Disease Detection and Risk Assessment [0.0]
心臓病は依然として世界的な健康上の問題である。従来の診断方法では、心臓病のリスクを正確に特定し、管理することができない。機械学習は、心臓疾患の診断の正確性、効率、スピードを大幅に向上させる可能性がある。
論文参考訳（メタデータ） (2025-07-15T10:38:38Z)
Multi-Modal Explainable Medical AI Assistant for Trustworthy Human-AI Collaboration [17.11245701879749]
Generalist Medical AI (GMAI) システムは、バイオメディカル認知タスクにおいて、専門家レベルのパフォーマンスを実証している。本稿では,XMedGPTについて紹介する。XMedGPTはクリニック中心のマルチモーダルAIアシスタントで,テキストと視覚の解釈性を統合している。我々は,マルチモーダル解釈可能性,不確実性定量化,予測モデリング,厳密なベンチマークの4つの柱にまたがってXMedGPTを検証する。
論文参考訳（メタデータ） (2025-05-11T08:32:01Z)
Toward Automated Regulatory Decision-Making: Trustworthy Medical Device Risk Classification with Multimodal Transformers and Self-Training [3.439579933384111]
Transformerベースのフレームワークは、テキスト記述と視覚情報を統合して、デバイスの規制分類を予測する。このアプローチは90.4%の精度と97.9%のAUROCを実現し、テキストのみ(77.2%)と画像のみ(54.8%)のベースラインを大きく上回っている。
論文参考訳（メタデータ） (2025-05-01T09:41:41Z)
Stabilizing Reasoning in Medical LLMs with Continued Pretraining and Reasoning Preference Optimization [0.06554326244334867]
本稿では,日本の医療領域に最適化された72BパラメータモデルであるPreferred-MedLLM-Qwen-72Bを紹介する。我々は、Qwen2.5-72Bベースモデルに2段階の微調整プロセスを適用し、高い精度と安定した推論を実現する。
論文参考訳（メタデータ） (2025-04-25T05:15:31Z)
MAST-Pro: Dynamic Mixture-of-Experts for Adaptive Segmentation of Pan-Tumors with Knowledge-Driven Prompts [54.915060471994686]
MAST-Proは,ダイナミックなMixture-of-Experts(D-MoE)とパン腫瘍セグメンテーションのための知識駆動プロンプトを統合した新しいフレームワークである。具体的には、テキストと解剖学的プロンプトは、腫瘍表現学習を導くドメイン固有の事前情報を提供し、D-MoEは、ジェネリックと腫瘍固有の特徴学習のバランスをとる専門家を動的に選択する。マルチ解剖学的腫瘍データセットの実験では、MAST-Proは最先端のアプローチよりも優れており、トレーニング可能なパラメータを91.04%削減し、平均改善の5.20%を達成している。
論文参考訳（メタデータ） (2025-03-18T15:39:44Z)
Causal Representation Learning from Multimodal Biomedical Observations [57.00712157758845]
バイオメディカルデータセットの理解を容易にするために,マルチモーダルデータに対するフレキシブルな識別条件と原理的手法を開発した。主要な理論的貢献は、モジュラリティ間の因果関係の構造的空間性である。実世界のヒト表現型データセットの結果は、確立された生物医学研究と一致している。
論文参考訳（メタデータ） (2024-11-10T16:40:27Z)
Simulated patient systems are intelligent when powered by large language model-based AI agents [32.73072809937573]
我々は,大規模言語モデルに基づくAIエージェントを用いた,インテリジェントシミュレートされた患者システムAIatientを開発した。このシステムにはRetrieval Augmented Generationフレームワークが組み込まれており、複雑な推論のために6つのタスク固有のLLMベースのAIエージェントが使用されている。シミュレーションの現実のために、このシステムはAIPatient KG (Knowledge Graph) も利用している。
論文参考訳（メタデータ） (2024-09-27T17:17:15Z)
BMRetriever: Tuning Large Language Models as Better Biomedical Text Retrievers [48.21255861863282]
BMRetrieverは、バイオメディカル検索を強化するための一連の密集したレトリバーである。 BMRetrieverは強力なパラメータ効率を示し、410Mの派生型はベースラインを最大11.7倍まで上回っている。
論文参考訳（メタデータ） (2024-04-29T05:40:08Z)
BioFusionNet: Deep Learning-Based Survival Risk Stratification in ER+ Breast Cancer Through Multifeature and Multimodal Data Fusion [16.83901927767791]
画像から得られる特徴を遺伝的・臨床的データと融合して全体像を得る深層学習フレームワークであるBioFusionNetを提案する。本モデルでは, 平均一致率0.77, 曲線0.84の時間依存領域を達成し, 最先端の手法より優れていた。
論文参考訳（メタデータ） (2024-02-16T14:19:33Z)
BiomedGPT: A Generalist Vision-Language Foundation Model for Diverse Biomedical Tasks [68.39821375903591]
汎用AIは、さまざまなデータ型を解釈する汎用性のために、制限に対処する可能性を秘めている。本稿では,最初のオープンソースかつ軽量な視覚言語基盤モデルであるBiomedGPTを提案する。
論文参考訳（メタデータ） (2023-05-26T17:14:43Z)
Towards Reliable Medical Image Segmentation by utilizing Evidential Calibrated Uncertainty [52.03490691733464]
本稿では,医療画像セグメンテーションネットワークにシームレスに統合可能な,実装が容易な基礎モデルであるDEviSを紹介する。主観的論理理論を利用して、医用画像分割の問題に対する確率と不確実性を明示的にモデル化する。 DeviSには不確実性を考慮したフィルタリングモジュールが組み込まれている。
論文参考訳（メタデータ） (2023-01-01T05:02:46Z)
UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
論文参考訳（メタデータ） (2020-10-22T02:28:11Z)

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。