論文の概要: Organ-Agents: Virtual Human Physiology Simulator via LLMs

• arxiv url: http://arxiv.org/abs/2508.14357v1
• Date: Wed, 20 Aug 2025 01:58:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-21 16:52:41.310958
• Title: Organ-Agents: Virtual Human Physiology Simulator via LLMs
• Title（参考訳）: 臓器エージェント:LLMを用いた仮想人体生理シミュレータ
• Authors: Rihao Chang, He Jiao, Weizhi Nie, Honglin Guo, Keliang Xie, Zhenhua Wu, Lina Zhao, Yunpeng Bai, Yongtao Ma, Lanjun Wang, Yuting Su, Xi Gao, Weijie Wang, Nicu Sebe, Bruno Lepri, Bingwei Sun,
• Abstract要約: オルガン-エージェント(Organ-Agents)は、LDM駆動のエージェントを介して人間の生理学をシミュレートする多エージェントフレームワークである。 症例は7,134例,コントロール7,895例で,9系統および125変数にわたる高分解能トラジェクトリを作成した。 臓器抗原は4,509人の保留患者に対して高いシミュレーション精度を達成し, システムごとのMSE0.16とSOFA系重症度層間の堅牢性を示した。
• 参考スコア（独自算出の注目度）: 66.40796430669158
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Recent advances in large language models (LLMs) have enabled new possibilities in simulating complex physiological systems. We introduce Organ-Agents, a multi-agent framework that simulates human physiology via LLM-driven agents. Each Simulator models a specific system (e.g., cardiovascular, renal, immune). Training consists of supervised fine-tuning on system-specific time-series data, followed by reinforcement-guided coordination using dynamic reference selection and error correction. We curated data from 7,134 sepsis patients and 7,895 controls, generating high-resolution trajectories across 9 systems and 125 variables. Organ-Agents achieved high simulation accuracy on 4,509 held-out patients, with per-system MSEs <0.16 and robustness across SOFA-based severity strata. External validation on 22,689 ICU patients from two hospitals showed moderate degradation under distribution shifts with stable simulation. Organ-Agents faithfully reproduces critical multi-system events (e.g., hypotension, hyperlactatemia, hypoxemia) with coherent timing and phase progression. Evaluation by 15 critical care physicians confirmed realism and physiological plausibility (mean Likert ratings 3.9 and 3.7). Organ-Agents also enables counterfactual simulations under alternative sepsis treatment strategies, generating trajectories and APACHE II scores aligned with matched real-world patients. In downstream early warning tasks, classifiers trained on synthetic data showed minimal AUROC drops (<0.04), indicating preserved decision-relevant patterns. These results position Organ-Agents as a credible, interpretable, and generalizable digital twin for precision diagnosis, treatment simulation, and hypothesis testing in critical care.
• Abstract（参考訳）: 大規模言語モデル(LLM)の最近の進歩は、複雑な生理システムをシミュレートする新たな可能性を可能にしている。 LLMを駆動するエージェントを介して人間の生理学をシミュレートするマルチエージェントフレームワークであるOrgan-Agentsを紹介する。 各シミュレータは特定のシステム(例えば、心臓血管、腎、免疫)をモデル化する。 トレーニングは、システム固有の時系列データに基づく教師付き微調整と、動的参照選択とエラー訂正を用いた強化誘導調整で構成される。 症例は7,134例,コントロール7,895例で,9系統および125変数にわたる高分解能トラジェクトリを作成した。 臓器抗原は4,509例の保留患者に対して高いシミュレーション精度を達成し, システムごとのMSE<0.16とSOFA系重症度層間の堅牢性を示した。 2つの病院の22,689 ICU患者に対する外的妥当性は, 安定なシミュレーションによる分布変化により中等度に低下した。 臓器抗原は、コヒーレントなタイミングと位相進行で重要な多系統の事象(例えば、低血圧、高乳酸血症、低酸素血症)を忠実に再現する。 15人の専門医による評価では、現実主義と生理学的な妥当性が確認された(即ち、Likertは3.9と3.7である)。 オルガニスト・エージェントはまた、代替の敗血症治療戦略の下で、実際の患者と一致した軌跡とAPACHE IIスコアを生成することができる。 下流早期警戒課題では, 合成データに基づいて訓練した分類器は最小値 (0.04) を示し, 決定関連パターンの保存を示した。 これらの結果から,Organ-Agentsは信頼性,解釈性,一般化可能なデジタル双生児であり,重症度診断,治療シミュレーション,仮説検査に有用であると考えられた。

関連論文リスト

• Counterfactual Probabilistic Diffusion with Expert Models [47.31408854040995]
  本稿では,不完全な専門家モデルからのガイダンスを取り入れた時系列拡散に基づくフレームワークを提案する。 我々の方法であるODE-Diffは、機械的およびデータ駆動的なアプローチをブリッジし、より信頼性が高く解釈可能な因果推論を可能にする。
  論文  参考訳（メタデータ） (2025-08-18T20:44:32Z)
• Aneumo: A Large-Scale Multimodal Aneurysm Dataset with Computational Fluid Dynamics Simulations and Deep Learning Benchmarks [16.753219355754222]
  脳動脈瘤 (IAs) は総人口の約5%にみられた重症脳血管障害である。 彼らの破裂は高い死亡率につながるかもしれない。 IAリスクの評価法は, 形態学的, 患者固有の因子に焦点が当てられているが, 血液動態がIAの発生と破裂に与える影響は明らかになっていない。 このデータセットは、大動脈瘤の研究を進め、バイオ流体、バイオメディカルエンジニアリング、臨床リスクアセスメントにおけるデータ駆動アプローチを促進することを目的としている。
  論文  参考訳（メタデータ） (2025-05-19T09:32:09Z)
• Finetuning and Quantization of EEG-Based Foundational BioSignal Models on ECG and PPG Data for Blood Pressure Estimation [53.2981100111204]
  光胸腺撮影と心電図は、連続血圧モニタリング(BP)を可能にする可能性がある。 しかし、データ品質と患者固有の要因の変化のため、正確で堅牢な機械学習(ML)モデルは依然として困難である。 本研究では,1つのモータリティで事前学習したモデルを効果的に利用して,異なる信号タイプの精度を向上させる方法について検討する。 本手法は, 拡張期BPの最先端精度を約1.5倍に向上し, 拡張期BPの精度を1.5倍に向上させる。
  論文  参考訳（メタデータ） (2025-02-10T13:33:12Z)
• 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)
• Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
  筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。 iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
  論文  参考訳（メタデータ） (2024-07-10T19:17:23Z)
• StRegA: Unsupervised Anomaly Detection in Brain MRIs using a Compact Context-encoding Variational Autoencoder [48.2010192865749]
  教師なし異常検出(UAD)は、健康な被験者の異常なデータセットからデータ分布を学習し、分布サンプルの抽出に応用することができる。 本研究では,コンテクストエンコーディング(context-encoding)VAE(ceVAE)モデルのコンパクトバージョンと,前処理と後処理のステップを組み合わせて,UADパイプライン(StRegA)を作成することを提案する。 提案したパイプラインは、BraTSデータセットのT2w画像と0.859$pm$0.112の腫瘍を検出しながら、Diceスコアが0.642$pm$0.101に達した。
  論文  参考訳（メタデータ） (2022-01-31T14:27:35Z)
• Clinical prediction system of complications among COVID-19 patients: a development and validation retrospective multicentre study [0.3569980414613667]
  2020年4月1日から4月30日までにUAEのアブダビ(AD)で18施設に入院した3,352人の患者から収集したデータを用いた。 最初の24時間に収集されたデータを用いて、機械学習ベースの予後システムは、入院中に7つの合併症を発生させるリスクを予測する。 このシステムは、すべての合併症と両方の領域にわたって良好な精度を達成する。
  論文  参考訳（メタデータ） (2020-11-28T18:16:23Z)
• CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors and Efficient Neural Networks [51.589769497681175]
  新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。 SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。 我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-20T21:47:28Z)

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。