論文の概要: TeamMedAgents: Enhancing Medical Decision-Making of LLMs Through Structured Teamwork

• arxiv url: http://arxiv.org/abs/2508.08115v1
• Date: Mon, 11 Aug 2025 15:55:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-12 21:23:29.1855
• Title: TeamMedAgents: Enhancing Medical Decision-Making of LLMs Through Structured Teamwork
• Title（参考訳）: TeamMedAgents: 構造化されたチームワークを通じて、LLMの医療的意思決定を促進する
• Authors: Pranav Pushkar Mishra, Mohammad Arvan, Mohan Zalake,
• Abstract要約: We present TeamMedAgents, a novel multi-agent approach that evidence-based teamwork into medical decision-making with large language model (LLMs)。 本手法は,人間のコラボレーションからコンピュータ・マルチエージェント医療システムまで,組織心理学チームワークモデルを検証する。
• 参考スコア（独自算出の注目度）: 3.7492721712385397
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: We present TeamMedAgents, a novel multi-agent approach that systematically integrates evidence-based teamwork components from human-human collaboration into medical decision-making with large language models (LLMs). Our approach validates an organizational psychology teamwork model from human collaboration to computational multi-agent medical systems by operationalizing six core teamwork components derived from Salas et al.'s "Big Five" model: team leadership, mutual performance monitoring, team orientation, shared mental models, closed-loop communication, and mutual trust. We implement and evaluate these components as modular, configurable mechanisms within an adaptive collaboration architecture while assessing the effect of the number of agents involved based on the task's requirements and domain. Systematic evaluation of computational implementations of teamwork behaviors across eight medical benchmarks (MedQA, MedMCQA, MMLU-Pro Medical, PubMedQA, DDXPlus, MedBullets, Path-VQA, and PMC-VQA) demonstrates consistent improvements across 7 out of 8 evaluated datasets. Controlled ablation studies conducted on 50 questions per configuration across 3 independent runs provide mechanistic insights into individual component contributions, revealing optimal teamwork configurations that vary by reasoning task complexity and domain-specific requirements. Our ablation analyses reveal dataset-specific optimal teamwork configurations, indicating that different medical reasoning modalities benefit from distinct collaborative patterns. TeamMedAgents represents an advancement in collaborative AI by providing a systematic translation of established teamwork theories from human collaboration into agentic collaboration, establishing a foundation for evidence-based multi-agent system design in critical decision-making domains.
• Abstract（参考訳）: 我々は、人間と人間のコラボレーションから大規模言語モデル(LLM)による医療意思決定まで、エビデンスベースのチームワークコンポーネントを体系的に統合する、新しいマルチエージェントアプローチであるTeamMedAgentsを提案する。 チームリーダーシップ,相互パフォーマンス監視,チーム指向,共有メンタルモデル,クローズドループコミュニケーション,相互信頼という6つのコアチームワークコンポーネントを運用することで,人間のコラボレーションから計算的マルチエージェント医療システムまで,組織心理学チームワークモデルを検証する。 我々は,これらのコンポーネントを,タスクの要件とドメインに基づいて関連するエージェントの数の影響を評価しながら,適応的な協調アーキテクチャ内でモジュール構成可能な機構として実装し,評価する。 8つのベンチマーク(MedQA, MedMCQA, MMLU-Pro Medical, PubMedQA, DDXPlus, MedBullets, Path-VQA, PMC-VQA)におけるチームワークの計算的実装の体系的評価は、8つの評価データセットのうち7つに一貫した改善を示している。 3つの独立した実行にまたがる構成毎の50の質問に関する調整されたアブレーション調査は、個々のコンポーネントのコントリビューションに関する機械的な洞察を与え、タスクの複雑さとドメイン固有の要件の推論によって異なる最適なチームワーク構成を明らかにします。 我々のアブレーション分析は、データセット固有の最適なチームワーク構成を明らかにし、異なる医学的推論モダリティが異なる協調パターンから恩恵を受けることを示す。 TeamMedAgentsは、人間のコラボレーションからエージェントコラボレーションへの確立したチームワーク理論の体系的な翻訳を提供し、重要な意思決定領域におけるエビデンスベースのマルチエージェントシステム設計の基礎を確立することで、協調AIの進歩を表す。

関連論文リスト

• Collaborative Gym: A Framework for Enabling and Evaluating Human-Agent Collaboration [51.452664740963066]
  Collaborative Gymは、エージェント、人間、タスク環境間の非同期で三分割的なインタラクションを可能にするフレームワークである。 シミュレーション条件と実環境条件の両方において,Co-Gymを3つの代表的なタスクでインスタンス化する。 その結果、協調作業員はタスクパフォーマンスにおいて、完全に自律的なエージェントよりも一貫して優れていたことが判明した。
  論文  参考訳（メタデータ） (2024-12-20T09:21:15Z)
• A Demonstration of Adaptive Collaboration of Large Language Models for Medical Decision-Making [38.2229221645303]
  大規模言語モデル(LLM)は、膨大な医療知識とマルチモーダルヘルスデータを合成することで、このプロセスを合理化することを約束する。 我々のMDAgentsは、タスクの複雑さに基づいて協調構造をLLMに動的に割り当てることで、このニーズに対処します。 このフレームワークは、診断精度を改善し、複雑な現実世界の医療シナリオにおける適応応答をサポートする。
  論文  参考訳（メタデータ） (2024-10-31T22:58:08Z)
• MedAide: Information Fusion and Anatomy of Medical Intents via LLM-based Agent Collaboration [19.951977369610983]
  MedAideは、意図認識情報融合と協調推論を可能にするために設計された医療用マルチエージェントコラボレーションフレームワークである。 我々は,構文制約と検索拡張生成を組み合わせた正規化誘導モジュールを導入し,複雑なクエリを分解する。 また,エージェントの意図の適応認識と更新を実現するために,動的意図のプロトタイプマッチングモジュールを提案する。
  論文  参考訳（メタデータ） (2024-10-16T13:10:27Z)
• MDAgents: An Adaptive Collaboration of LLMs for Medical Decision-Making [45.74980058831342]
  MDAgents(Medical Decision-making Agents)と呼ばれる新しいマルチエージェントフレームワークを導入する。 割り当てられた単独またはグループの共同作業構造は、実際の医療決定過程をエミュレートして、手元にある医療タスクに合わせて調整される。 MDAgentsは医療知識の理解を必要とするタスクに関する10のベンチマークのうち7つのベンチマークで最高のパフォーマンスを達成した。
  論文  参考訳（メタデータ） (2024-04-22T06:30:05Z)
• ProAgent: Building Proactive Cooperative Agents with Large Language Models [89.53040828210945]
  ProAgentは、大規模な言語モデルを利用してプロアクティブエージェントを生成する新しいフレームワークである。 ProAgentは現状を分析し、チームメイトの意図を観察から推測することができる。 ProAgentは高度なモジュール化と解釈可能性を示し、様々な調整シナリオに容易に統合できる。
  論文  参考訳（メタデータ） (2023-08-22T10:36:56Z)
• Detecting and Optimising Team Interactions in Software Development [58.720142291102135]
  本稿では,ソフトウェア開発チームの機能的相互作用構造を検出するためのデータ駆動型手法を提案する。 このアプローチでは、チームメンバのアクティビティレベルの違いを考慮し、ブロック制約設定モデルを使用します。 我々のアプローチは、チームが合成されたベンチマークシナリオと機能的な相互作用構造を比較するのにどのように役立つかを示します。
  論文  参考訳（メタデータ） (2023-02-28T14:53:29Z)

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。