論文の概要: MACD: Multi-Agent Clinical Diagnosis with Self-Learned Knowledge for LLM

• arxiv url: http://arxiv.org/abs/2509.20067v1
• Date: Wed, 24 Sep 2025 12:37:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-25 20:53:19.808856
• Title: MACD: Multi-Agent Clinical Diagnosis with Self-Learned Knowledge for LLM
• Title（参考訳）: MACD : LLMのための自己学習知識を用いた多施設臨床診断
• Authors: Wenliang Li, Rui Yan, Xu Zhang, Li Chen, Hongji Zhu, Jing Zhao, Junjun Li, Mengru Li, Wei Cao, Zihang Jiang, Wei Wei, Kun Zhang, Shaohua Kevin Zhou,
• Abstract要約: 大規模言語モデル(LLM)は医学的応用において顕著な可能性を示している。 本研究は,新しいMulti-Agent Clinical Diagnosis (MACD) フレームワークを提案する。 LLMはマルチエージェントパイプラインを通じて自己学習型臨床知識を提供する。
• 参考スコア（独自算出の注目度）: 32.0716204095227
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Large language models (LLMs) have demonstrated notable potential in medical applications, yet they face substantial challenges in handling complex real-world clinical diagnoses using conventional prompting methods. Current prompt engineering and multi-agent approaches typically optimize isolated inferences, neglecting the accumulation of reusable clinical experience. To address this, this study proposes a novel Multi-Agent Clinical Diagnosis (MACD) framework, which allows LLMs to self-learn clinical knowledge via a multi-agent pipeline that summarizes, refines, and applies diagnostic insights. It mirrors how physicians develop expertise through experience, enabling more focused and accurate diagnosis on key disease-specific cues. We further extend it to a MACD-human collaborative workflow, where multiple LLM-based diagnostician agents engage in iterative consultations, supported by an evaluator agent and human oversight for cases where agreement is not reached. Evaluated on 4,390 real-world patient cases across seven diseases using diverse open-source LLMs (Llama-3.1 8B/70B, DeepSeek-R1-Distill-Llama 70B), MACD significantly improves primary diagnostic accuracy, outperforming established clinical guidelines with gains up to 22.3% (MACD). On the subset of the data, it achieves performance on par with or exceeding that of human physicians (up to 16% improvement over physicians-only diagnosis). Additionally, on the MACD-human workflow, it achieves an 18.6% improvement compared to physicians-only diagnosis. Moreover, self-learned knowledge exhibits strong cross-model stability, transferability, and model-specific personalization, while the system can generate traceable rationales, enhancing explainability. Consequently, this work presents a scalable self-learning paradigm for LLM-assisted diagnosis, bridging the gap between the intrinsic knowledge of LLMs and real-world clinical practice.
• Abstract（参考訳）: 大規模言語モデル(LLM)は医学的応用において顕著な可能性を示してきたが、従来のプロンプト法を用いて複雑な実世界の臨床診断を扱う上で大きな課題に直面している。 現在の急進的なエンジニアリングとマルチエージェントアプローチは、通常、再利用可能な臨床経験の蓄積を無視して、孤立した推論を最適化する。 そこで本研究では, LLM が自己学習型臨床知識を多エージェントパイプラインを通じて自己学習し, 診断の知見を要約し, 精査し, 適用することができる新しい多エージェント臨床診断(MACD)フレームワークを提案する。 これは、医師が経験を通じて専門知識を発達させ、重要な疾患特異的な手がかりをより集中的かつ正確な診断を可能にすることを反映している。 さらに、複数のLCMベースの診断エージェントが、合意に達しない場合に、評価エージェントと人間の監督によって支援された反復的な相談を行うMACD-人的協調ワークフローに拡張する。 様々なオープンソースのLLM(Llama-3.1 8B/70B、DeepSeek-R1-Distill-Llama 70B)を用いて、7つの疾患にまたがる4,390件の現実世界の患者について評価し、MACDは一次診断精度を大幅に改善し、確立された臨床ガイドラインを22.3%(MACD)まで上回った。 データのサブセットでは、人間の医師と同等以上のパフォーマンスを達成している(医師のみの診断よりも最大16%改善している)。 さらに、MACD-人的ワークフローでは、医師のみの診断に比べて18.6%改善している。 さらに、自己学習知識は、強いクロスモデル安定性、伝達可能性、モデル固有のパーソナライゼーションを示す一方で、システムはトレース可能な論理を生成でき、説明可能性を高めることができる。 本研究は, LLMの内在的知識と実世界の臨床実践とのギャップを埋める, LLM支援診断のためのスケーラブルな自己学習パラダイムを提案する。

関連論文リスト

• RAD: Towards Trustworthy Retrieval-Augmented Multi-modal Clinical Diagnosis [56.373297358647655]
  Retrieval-Augmented Diagnosis (RAD)は、下流タスクで直接マルチモーダルモデルに外部知識を注入する新しいフレームワークである。 RADは、複数の医療ソースからの疾患中心の知識の検索と改善、ガイドライン強化コントラスト損失トランスフォーマー、デュアルデコーダの3つの主要なメカニズムで機能する。
  論文  参考訳（メタデータ） (2025-09-24T10:36:14Z)
• A Knowledge-driven Adaptive Collaboration of LLMs for Enhancing Medical Decision-making [49.048767633316764]
  KAMACは知識駆動のAdaptive Multi-Agent Collaborationフレームワークである。 エージェントは進化する診断コンテキストに基づいて、専門家チームを動的に形成および拡張することができる。 2つの実世界の医療ベンチマーク実験により、KAMACはシングルエージェント法と高度なマルチエージェント法の両方を著しく上回っていることが示された。
  論文  参考訳（メタデータ） (2025-09-18T14:33:36Z)
• MAM: Modular Multi-Agent Framework for Multi-Modal Medical Diagnosis via Role-Specialized Collaboration [57.98393950821579]
  マルチモーダル医療診断のためのモジュール型マルチエージェントフレームワーク(MAM)について紹介する。 我々の経験的発見に触発されて、MAMは医療診断プロセスを、一般実践者、スペシャリストチーム、放射線科医、医療助手、ディレクターの専門的な役割に分解する。 このモジュール的で協調的なフレームワークは、効率的な知識更新を可能にし、既存の医療用LLMと知識ベースを活用する。
  論文  参考訳（メタデータ） (2025-06-24T17:52:43Z)
• EndoBench: A Comprehensive Evaluation of Multi-Modal Large Language Models for Endoscopy Analysis [62.00431604976949]
  EndoBenchは、内視鏡的プラクティスの全スペクトルにわたるMLLMを評価するために特別に設計された最初の包括的なベンチマークである。 我々は、汎用、医療特化、プロプライエタリMLLMを含む23の最先端モデルをベンチマークする。 私たちの実験では、プロプライエタリなMLLMは、オープンソースや医療専門のモデルよりも優れていますが、それでも人間の専門家を追い越しています。
  論文  参考訳（メタデータ） (2025-05-29T16:14:34Z)
• Improving Interactive Diagnostic Ability of a Large Language Model Agent Through Clinical Experience Learning [17.647875658030006]
  本研究では,性能劣化現象の根底にあるメカニズムについて検討する。 我々は,中国とアメリカの医療施設から350万件以上の電子医療記録を活用する,PPME ( Plug-and-play) LLM エージェントを開発した。 本研究は, 初期疾患の診断・調査のための専門モデルを統合し, 指導的, 強化的学習技術を用いて訓練した。
  論文  参考訳（メタデータ） (2025-02-24T06:24:20Z)
• medIKAL: Integrating Knowledge Graphs as Assistants of LLMs for Enhanced Clinical Diagnosis on EMRs [13.806201934732321]
  medIKALは、診断能力を高めるために、LLM(Large Language Models)と知識グラフ(KG)を組み合わせる。 medIKALは、そのタイプに基づいて医療記録のエンティティに重み付けされた重要性を割り当て、KG内の候補疾患の正確な局在を可能にする。 新たに導入した中国のEMRデータセットの広範な実験により,medIKALの有効性を検証した。
  論文  参考訳（メタデータ） (2024-06-20T13:56:52Z)
• CliBench: A Multifaceted and Multigranular Evaluation of Large Language Models for Clinical Decision Making [16.310913127940857]
  我々はMIMIC IVデータセットから開発された新しいベンチマークであるCliBenchを紹介する。 このベンチマークは、臨床診断におけるLSMの能力を包括的かつ現実的に評価する。 臨床診断の熟練度を評価するため,先進LSMのゼロショット評価を行った。
  論文  参考訳（メタデータ） (2024-06-14T11:10:17Z)
• AI Hospital: Benchmarking Large Language Models in a Multi-agent Medical Interaction Simulator [69.51568871044454]
  我々は,emphDoctorをプレイヤとして,NPC間の動的医療相互作用をシミュレーションするフレームワークであるtextbfAI Hospitalを紹介した。 この設定は臨床シナリオにおけるLCMの現実的な評価を可能にする。 高品質な中国の医療記録とNPCを利用したマルチビュー医療評価ベンチマークを開発した。
  論文  参考訳（メタデータ） (2024-02-15T06:46:48Z)
• Beyond Direct Diagnosis: LLM-based Multi-Specialist Agent Consultation for Automatic Diagnosis [30.943705201552643]
  本研究では,潜在的な疾患に対するエージェントの確率分布を適応的に融合させることにより,現実世界の診断過程をモデル化する枠組みを提案する。 提案手法では,パラメータ更新とトレーニング時間を大幅に短縮し,効率と実用性を向上する。
  論文  参考訳（メタデータ） (2024-01-29T12:25:30Z)

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。