論文の概要: FEAT: A Multi-Agent Forensic AI System with Domain-Adapted Large Language Model for Automated Cause-of-Death Analysis
- arxiv url: http://arxiv.org/abs/2508.07950v1
- Date: Mon, 11 Aug 2025 13:05:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-12 21:23:29.104917
- Title: FEAT: A Multi-Agent Forensic AI System with Domain-Adapted Large Language Model for Automated Cause-of-Death Analysis
- Title（参考訳）: FEAT: ドメイン適応型大規模言語モデルを用いた多エージェントの法医学的AIシステム
- Authors: Chen Shen, Wanqing Zhang, Kehan Li, Erwen Huang, Haitao Bi, Aiying Fan, Yiwen Shen, Hongmei Dong, Ji Zhang, Yuming Shao, Zengjia Liu, Xinshe Liu, Tao Li, Chunxia Yan, Shuanliang Fan, Di Wu, Jianhua Ma, Bin Cong, Zhenyuan Wang, Chunfeng Lian,
- Abstract要約: 死因決定の法医学的原因は、労働力不足や診断の多様性など、体系的な課題に直面している。
本稿では,ドメイン適応型大規模言語モデルによる死亡調査の自動化と標準化を行うマルチエージェントAIフレームワークであるFEATを紹介する。
様々な中国のケースコホートの評価において、FEATは、ロングフォームの解剖分析と簡潔な死因結論の両方において最先端のAIシステムより優れていた。
- 参考スコア（独自算出の注目度）: 13.589362185995611
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Forensic cause-of-death determination faces systemic challenges, including workforce shortages and diagnostic variability, particularly in high-volume systems like China's medicolegal infrastructure. We introduce FEAT (ForEnsic AgenT), a multi-agent AI framework that automates and standardizes death investigations through a domain-adapted large language model. FEAT's application-oriented architecture integrates: (i) a central Planner for task decomposition, (ii) specialized Local Solvers for evidence analysis, (iii) a Memory & Reflection module for iterative refinement, and (iv) a Global Solver for conclusion synthesis. The system employs tool-augmented reasoning, hierarchical retrieval-augmented generation, forensic-tuned LLMs, and human-in-the-loop feedback to ensure legal and medical validity. In evaluations across diverse Chinese case cohorts, FEAT outperformed state-of-the-art AI systems in both long-form autopsy analyses and concise cause-of-death conclusions. It demonstrated robust generalization across six geographic regions and achieved high expert concordance in blinded validations. Senior pathologists validated FEAT's outputs as comparable to those of human experts, with improved detection of subtle evidentiary nuances. To our knowledge, FEAT is the first LLM-based AI agent system dedicated to forensic medicine, offering scalable, consistent death certification while maintaining expert-level rigor. By integrating AI efficiency with human oversight, this work could advance equitable access to reliable medicolegal services while addressing critical capacity constraints in forensic systems.
- Abstract（参考訳）: 法医学的な死因決定は、労働力不足や診断の多様性など、特に中国の医療機関のような大規模システムにおいて、体系的な課題に直面している。
FEAT(ForEnsic AgenT)は,ドメイン適応型大規模言語モデルを用いて,死亡調査の自動化と標準化を行うマルチエージェントAIフレームワークである。
FEATのアプリケーション指向アーキテクチャは:
一 タスク分解のための中央プランナー
(二 証拠分析のための特化ローカルソルバー
三 反復精錬のためのメモリ・アンド・リフレクションモジュール及び
(iv)結論合成のためのグローバルソルバー。
このシステムは、ツール強化された推論、階層的な検索強化世代、法医学的なチューニングされたLLM、そして法と医療の妥当性を確保するために、人間のループへのフィードバックを利用する。
様々な中国のケースコホートの評価において、FEATは、ロングフォームの解剖分析と簡潔な死因結論の両方において最先端のAIシステムより優れていた。
6つの地理的領域にわたる堅牢な一般化を実証し、盲目の検証において高い専門家の一致を達成した。
上級病理学者はFEATの出力を人間の専門家の出力と同等に検証し、微妙な明瞭なニュアンスの検出を改善した。
我々の知る限り、FEATは、専門家レベルの厳格さを維持しながら、スケーラブルで一貫した死亡証明を提供する、法医学に特化した最初のLLMベースのAIエージェントシステムである。
この作業は、AI効率と人間の監視を統合することで、法医学システムにおける重要な容量制限に対処しながら、信頼できる医療サービスへの公平なアクセスを促進することができる。
関連論文リスト
- Medical Reasoning in the Era of LLMs: A Systematic Review of Enhancement Techniques and Applications [59.721265428780946]
医学における大きな言語モデル(LLM)は印象的な能力を実現しているが、体系的で透明で検証可能な推論を行う能力に重大なギャップが残っている。
本稿は、この新興分野に関する最初の体系的なレビューを提供する。
本稿では,学習時間戦略とテスト時間メカニズムに分類した推論強化手法の分類法を提案する。
論文 参考訳（メタデータ） (2025-08-01T14:41:31Z) - A Versatile Pathology Co-pilot via Reasoning Enhanced Multimodal Large Language Model [26.704101714550827]
本稿では、ROIレベルとWSIレベルのタスクを同時に処理できる汎用MLLMであるSmartPath-R1を提案する。
本フレームワークは,スケール依存型微調整とタスク認識型強化微調整を組み合わせることで,チェーン・オブ・ファシリテータの必要性を回避する。
論文 参考訳（メタデータ） (2025-07-23T08:09:42Z) - AIGI-Holmes: Towards Explainable and Generalizable AI-Generated Image Detection via Multimodal Large Language Models [78.08374249341514]
AI生成コンテンツ(AIGC)の急速な発展は、誤情報を拡散するAIGIの誤用につながった。
大規模で包括的なデータセットであるHolmes-Setを導入し、画像がAI生成されているかどうかを解説したインストラクションチューニングデータセットを含む。
本研究は,MLLMの構造化説明と品質管理によるデータ生成を効率化する,Multi-Expert Juryと呼ばれる効率的なデータアノテーション手法を提案する。
さらに,視覚専門家による事前学習,教師付き微調整,直接選好最適化を含む3段階学習フレームワークであるHolmes Pipelineを提案する。
論文 参考訳（メタデータ） (2025-07-03T14:26:31Z) - TAMA: A Human-AI Collaborative Thematic Analysis Framework Using Multi-Agent LLMs for Clinical Interviews [54.35097932763878]
Thematic Analysis (TA) は、構造化されていないテキストデータの潜在意味を明らかにするために広く使われている定性的手法である。
本稿では,多エージェントLEMを用いた人間とAIの協調的テーマ分析フレームワークTAMAを提案する。
TAMA は既存の LLM 支援TA アプローチよりも優れており,高い主題的ヒット率,カバレッジ,独特性を実現している。
論文 参考訳（メタデータ） (2025-03-26T15:58:16Z) - Comprehensive Review of Reinforcement Learning for Medical Ultrasound Imaging [15.38820664844588]
この研究は、米国の自律型ソリューション構築におけるRLの可能性を強調し、現在の研究成果の徹底的なレビューを提供することを目的としている。
米国スキャン領域の進歩に関する既存の調査は、主にAIを活用する部分的な自律的なソリューションに焦点を当てている。
このギャップを埋めるために、米国プロセスの段階をRL開発パイプラインに統合する包括的な分類法を提案する。
論文 参考訳（メタデータ） (2025-03-19T03:22:27Z) - Expertise Is What We Want [0.0]
アプリケーションアーキテクチャ、LLE(Large Language Expert)は、LLM(Large Language Models)の柔軟性とパワーと、Expert Systemsの解釈可能性、説明可能性、信頼性を組み合わせたものです。
LLE(Large Language Expert)システムのパワーを強調するために,新たに癌と診断された患者の作業を支援するLLEを構築した。
論文 参考訳（メタデータ） (2025-02-27T18:05:15Z) - Survey on AI-Generated Media Detection: From Non-MLLM to MLLM [51.91311158085973]
AI生成メディアを検出する方法は急速に進化してきた。
MLLMに基づく汎用検出器は、信頼性検証、説明可能性、ローカライゼーション機能を統合する。
倫理的・セキュリティ的な配慮が、重要な世界的な懸念として浮上している。
論文 参考訳（メタデータ） (2025-02-07T12:18:20Z) - STRICTA: Structured Reasoning in Critical Text Assessment for Peer Review and Beyond [68.47402386668846]
本研究では,テキストアセスメントをステップワイド推論プロセスとしてモデル化するために,Structured Reasoning In Critical Text Assessment (STRICTA)を導入する。
STRICTAは、因果性理論に基づく相互接続推論ステップのグラフに評価を分解する。
約40人のバイオメディカル専門家が20以上の論文について4000以上の推論ステップのデータセットにSTRICTAを適用した。
論文 参考訳（メタデータ） (2024-09-09T06:55:37Z) - Large-vocabulary forensic pathological analyses via prototypical cross-modal contrastive learning [20.3729821685966]
SongCiは、法医学的な病理学に特化して設計された革新的な視覚言語モデル(VLM)である。
SongCiは、高度なクロスモーダルな自己教師付きコントラスト学習を利用して、法医学解析の精度、効率、一般化性を向上させる。
論文 参考訳（メタデータ） (2024-07-20T15:34:52Z) - A Survey on Failure Analysis and Fault Injection in AI Systems [28.30817443151044]
AIシステムの複雑さは脆弱性を露呈し、レジリエンスと信頼性を確保するために、障害分析(FA)と障害注入(FI)の堅牢な方法を必要とする。
この研究は、AIシステムの6層にわたる既存のFAとFIのアプローチを詳細に調査することで、このギャップを埋める。
この結果から,AIシステム障害の分類,既存のFIツールの能力評価,実世界とシミュレーション失敗の相違点が明らかになった。
論文 参考訳（メタデータ） (2024-06-28T00:32:03Z)
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。