論文の概要: CancerGUIDE: Cancer Guideline Understanding via Internal Disagreement Estimation

• arxiv url: http://arxiv.org/abs/2509.07325v1
• Date: Tue, 09 Sep 2025 01:49:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-10 14:38:27.164596
• Title: CancerGUIDE: Cancer Guideline Understanding via Internal Disagreement Estimation
• Title（参考訳）: CancerGUIDE: 内因性判定によるがんガイドラインの理解
• Authors: Alyssa Unell, Noel C. F. Codella, Sam Preston, Peniel Argaw, Wen-wai Yim, Zelalem Gero, Cliff Wong, Rajesh Jena, Eric Horvitz, Amanda K. Hall, Ruican Rachel Zhong, Jiachen Li, Shrey Jain, Mu Wei, Matthew Lungren, Hoifung Poon,
• Abstract要約: NCCN(National Comprehensive Cancer Network)は、がん治療のためのエビデンスベースのガイドラインを提供している。 複雑な患者のプレゼンテーションをガイドラインに準拠した治療レコメンデーションに翻訳することは時間集約的であり、専門的な専門知識を必要とし、エラーを起こしやすい。 非小細胞肺癌患者に対するガイドライン適合治療軌跡を自動生成するためのエージェントベースアプローチを提案する。
• 参考スコア（独自算出の注目度）: 18.396334867873307
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The National Comprehensive Cancer Network (NCCN) provides evidence-based guidelines for cancer treatment. Translating complex patient presentations into guideline-compliant treatment recommendations is time-intensive, requires specialized expertise, and is prone to error. Advances in large language model (LLM) capabilities promise to reduce the time required to generate treatment recommendations and improve accuracy. We present an LLM agent-based approach to automatically generate guideline-concordant treatment trajectories for patients with non-small cell lung cancer (NSCLC). Our contributions are threefold. First, we construct a novel longitudinal dataset of 121 cases of NSCLC patients that includes clinical encounters, diagnostic results, and medical histories, each expertly annotated with the corresponding NCCN guideline trajectories by board-certified oncologists. Second, we demonstrate that existing LLMs possess domain-specific knowledge that enables high-quality proxy benchmark generation for both model development and evaluation, achieving strong correlation (Spearman coefficient r=0.88, RMSE = 0.08) with expert-annotated benchmarks. Third, we develop a hybrid approach combining expensive human annotations with model consistency information to create both the agent framework that predicts the relevant guidelines for a patient, as well as a meta-classifier that verifies prediction accuracy with calibrated confidence scores for treatment recommendations (AUROC=0.800), a critical capability for communicating the accuracy of outputs, custom-tailoring tradeoffs in performance, and supporting regulatory compliance. This work establishes a framework for clinically viable LLM-based guideline adherence systems that balance accuracy, interpretability, and regulatory requirements while reducing annotation costs, providing a scalable pathway toward automated clinical decision support.
• Abstract（参考訳）: NCCN(National Comprehensive Cancer Network)は、がん治療のためのエビデンスベースのガイドラインを提供している。 複雑な患者のプレゼンテーションをガイドラインに準拠した治療レコメンデーションに翻訳することは時間集約的であり、専門的な専門知識を必要とし、エラーを起こしやすい。 大規模言語モデル(LLM)機能の進歩は、治療レコメンデーションを生成するのに必要な時間を短縮し、精度を向上させることを約束する。 非小細胞肺癌 (NSCLC) に対するガイドライン適合治療軌跡を自動生成するための LLM エージェントを用いたアプローチを提案する。 私たちの貢献は3倍です。 まず, NSCLC患者121例を対象に, 臨床経過, 診断結果, 病理組織学的所見を含む経時的データセットを構築した。 第2に、既存のLLMには、モデル開発と評価の両方に高品質なプロキシベンチマーク生成を可能にするドメイン固有の知識があり、専門家によるベンチマークによる強い相関(スピアマン係数 r=0.88, RMSE = 0.08)を達成できることを示す。 第3に,高額な人的アノテーションとモデル整合性情報を組み合わせたハイブリッドアプローチを開発し,患者に対するガイドラインの予測を行うエージェントフレームワークと,治療勧告(AUROC=0.800)の正当性スコアによる予測精度の検証を行うメタ分類器,出力の正確性,パフォーマンス上のカスタム調整トレードオフ,規制順守のサポートなどを実現する。 本研究は, 診断コストを低減しつつ, 精度, 解釈可能性, 規制要件のバランスを保ち, 自動臨床診断支援へのスケーラブルな経路を提供する, 臨床的に有効なLCMベースのガイドライン適合システムのための枠組みを確立する。

関連論文リスト

• LGE-Guided Cross-Modality Contrastive Learning for Gadolinium-Free Cardiomyopathy Screening in Cine CMR [51.11296719862485]
  CMRを用いたガドリニウムフリー心筋症スクリーニングのためのコントラシブラーニングおよびクロスモーダルアライメントフレームワークを提案する。 CMRとLate Gadolinium Enhancement (LGE) 配列の潜伏空間を整列させることにより, 本モデルでは線維症特異的な病理組織をCMR埋め込みにエンコードする。
  論文  参考訳（メタデータ） (2025-08-23T07:21:23Z)
• CliCARE: Grounding Large Language Models in Clinical Guidelines for Decision Support over Longitudinal Cancer Electronic Health Records [30.100759175769454]
  大規模言語モデル(LLMs)は、臨床診断支援の改善と医師のバーンアウトの低減に大きく貢献する。 CliCARE(CliCARE)を提案する。CliCAREは、長期がん電子健康記録に対する臨床ガイドラインにおける大規模言語モデル構築のためのフレームワークである。 我々は,中国の民間がんデータセットと英語MIMIC-IVデータセットを用いた大規模縦長データを用いて,我々の枠組みを検証した。
  論文  参考訳（メタデータ） (2025-07-30T10:02:16Z)
• LLM-Augmented Symptom Analysis for Cardiovascular Disease Risk Prediction: A Clinical NLP [2.2615384250361004]
  本研究は, 症状抽出, 文脈推論, 自由テキストレポートからの相関に, ドメイン適応型大言語モデルを用いた, 新規なLLM拡張臨床NLPパイプラインを提案する。 MIMIC-IIIおよびCARDIO-NLPデータセットの評価は、精度、リコール、F1スコア、AUROCにおいて高い臨床関連性を示した。
  論文  参考訳（メタデータ） (2025-07-15T07:32:16Z)
• Uncertainty-Driven Expert Control: Enhancing the Reliability of Medical Vision-Language Models [52.2001050216955]
  既存の方法は、モデル構造を調整したり、高品質なデータで微調整したり、好みの微調整によって、医療ビジョン言語モデル(MedVLM)の性能を向上させることを目的としている。 我々は,MedVLMと臨床専門知識の連携を図るために,Expert-Controlled-Free Guidance (Expert-CFG) という,ループ内のエキスパート・イン・ザ・ループフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-07-12T09:03:30Z)
• EchoQA: A Large Collection of Instruction Tuning Data for Echocardiogram Reports [0.0]
  集中治療のための医療情報マートから得られたエコー心電図を用いた質問応答(QA)データセットについて紹介する。 このデータセットは、心疾患とその重症度に対処する771,244のQAペアからなる、心疾患のQAシステムを強化するために特別に設計された。 我々は,ゼロショット評価のためのオープンソースおよびバイオメディカル固有モデル,ゼロショット評価のためのクローズソースモデルを含む大規模言語モデル(LLM)を比較した。
  論文  参考訳（メタデータ） (2025-03-04T07:45:45Z)
• Novel Development of LLM Driven mCODE Data Model for Improved Clinical Trial Matching to Enable Standardization and Interoperability in Oncology Research [0.15346678870160887]
  がんの費用は2023年だけで2080億ドルを超える。 腫瘍学における臨床試験および臨床医療に関する伝統的な手法は、しばしば手作業、時間、データ駆動アプローチの欠如である。 本稿では,がん領域の標準化,相互運用,交換を効率化するための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2024-10-18T17:31:35Z)
• Reasoning-Enhanced Healthcare Predictions with Knowledge Graph Community Retrieval [61.70489848327436]
  KAREは、知識グラフ(KG)コミュニティレベルの検索と大規模言語モデル(LLM)推論を統合する新しいフレームワークである。 MIMIC-IIIでは最大10.8～15.0%、MIMIC-IVでは12.6～12.7%である。
  論文  参考訳（メタデータ） (2024-10-06T18:46:28Z)
• Large Language Models for Healthcare Data Augmentation: An Example on Patient-Trial Matching [49.78442796596806]
  患者-心電図マッチング(LLM-PTM)のための革新的なプライバシ対応データ拡張手法を提案する。 本実験では, LLM-PTM法を用いて平均性能を7.32%向上させ, 新しいデータへの一般化性を12.12%向上させた。
  論文  参考訳（メタデータ） (2023-03-24T03:14:00Z)

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。