論文の概要: TriMediQ: A Triplet-Structured Approach for Interactive Medical Question Answering
- arxiv url: http://arxiv.org/abs/2510.03536v1
- Date: Fri, 03 Oct 2025 22:11:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-07 16:52:59.09813
- Title: TriMediQ: A Triplet-Structured Approach for Interactive Medical Question Answering
- Title（参考訳）: TriMediQ: 対話型医療質問応答のためのトリプルト構造化アプローチ
- Authors: Zhaohan Meng, Zaiqiao Meng, Siwei Liu, Iadh Ounis,
- Abstract要約: TriMediQは三重構造的アプローチで、患者反応を三重項に要約し、それらを知識グラフ(KG)に統合する。
2つのインタラクティブQAベンチマークでTriMediQを評価し、iMedQAデータセットの5つのベースラインに対して最大10.4%の精度向上を実現していることを示す。
- 参考スコア（独自算出の注目度）: 21.44813166265882
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Large Language Models (LLMs) perform strongly in static and single-turn medical Question Answer (QA) benchmarks, yet such settings diverge from the iterative information gathering process required in practical clinical consultations. The MEDIQ framework addresses this mismatch by recasting the diagnosis as an interactive dialogue between a patient and an expert system, but the reliability of LLMs drops dramatically when forced to reason with dialogue logs, where clinical facts appear in sentences without clear links. To bridge this gap, we introduce TriMediQ, a triplet-structured approach that summarises patient responses into triplets and integrates them into a Knowledge Graph (KG), enabling multi-hop reasoning. We introduce a frozen triplet generator that extracts clinically relevant triplets, using prompts designed to ensure factual consistency. In parallel, a trainable projection module, comprising a graph encoder and a projector, captures relational information from the KG to enhance expert reasoning. TriMediQ operates in two steps: (i) the projection module fine-tuning with all LLM weights frozen; and (ii) using the fine-tuned module to guide multi-hop reasoning during inference. We evaluate TriMediQ on two interactive QA benchmarks, showing that it achieves up to 10.4\% improvement in accuracy over five baselines on the iMedQA dataset. These results demonstrate that converting patient responses into structured triplet-based graphs enables more accurate clinical reasoning in multi-turn settings, providing a solution for the deployment of LLM-based medical assistants.
- Abstract（参考訳）: 大規模言語モデル (LLMs) は静的および単ターン医療質問応答 (QA) ベンチマークにおいて強く機能するが、実際的な臨床相談に必要な反復的な情報収集プロセスとは異なっている。
MEDIQフレームワークは、患者とエキスパートシステム間の対話的な対話として診断を再キャストすることで、このミスマッチに対処するが、LLMの信頼性は、明確なリンクのない文章に臨床事実が現れるように、対話ログで推論を強制すると劇的に低下する。
このギャップを埋めるために、TriMediQを導入する。TriMediQは、患者反応を三重項にまとめて知識グラフ(KG)に統合し、マルチホップ推論を可能にする三重項構造アプローチである。
臨床的に関係のある三重項を抽出する凍結三重項生成器を, 事実整合性を確保するために設計したプロンプトを用いて導入する。
並行して、グラフエンコーダとプロジェクタからなる訓練可能な投影モジュールは、KGからの関係情報をキャプチャして専門家の推論を強化する。
TriMediQは2つのステップで動作します。
一 すべてのLDM重みを凍結した射影モジュール微細調整
(ii) 推論中のマルチホップ推論のガイドに微調整モジュールを使用する。
2つのインタラクティブQAベンチマークでTriMediQを評価し、iMedQAデータセットの5つのベースラインに対して最大10.4\%の精度向上を実現していることを示す。
これらの結果は, 患者応答を構造化三重項グラフに変換することにより, マルチターン設定におけるより正確な臨床推論が可能であることを示し, LLMベースの医療アシスタントの展開の解決策を提供する。
関連論文リスト
- A Multimodal LLM Approach for Visual Question Answering on Multiparametric 3D Brain MRI [31.111739327390925]
mpLLMは、3次元脳MRI上での視覚的質問応答のための、迅速な条件付き階層的混合処理アーキテクチャである。
mpLLMは、複数の相互関連3Dモダリティを融合するために、モダリティレベルおよびトークンレベルのプロジェクションエキスパートをルートする。
mpLLMは、複数のmpMRIデータセットにおいて、強い医用VLMベースラインを平均5.3%上回る。
論文 参考訳（メタデータ） (2025-09-30T07:30:30Z) - MedCoT-RAG: Causal Chain-of-Thought RAG for Medical Question Answering [4.285647375182588]
大規模言語モデル (LLM) は医学的な疑問に答える上で有望であるが、幻覚や浅い推論に苦しむことが多い。
Retrieval-augmented Generation (RAG)は、外部の医療知識でLSMを強化するための実用的でプライバシー保護の手段を提供する。
MedCoT-RAGは、因果認識ドキュメント検索と構造化チェーン・オブ・シークレット・プロンプトを組み合わせたドメイン固有フレームワークである。
論文 参考訳（メタデータ） (2025-08-20T05:43:26Z) - 3MDBench: Medical Multimodal Multi-agent Dialogue Benchmark [0.29987253996125257]
3MDBenchは、LVLM駆動の遠隔医療相談をシミュレートし評価するためのオープンソースのフレームワークである。
内部推論によるマルチモーダル対話は、非対話設定よりもF1スコアが6.5%向上する。
診断畳み込みネットワークからLVLMのコンテキストに予測を注入すると、F1は最大20%上昇する。
論文 参考訳（メタデータ） (2025-03-26T07:32:05Z) - Structured Outputs Enable General-Purpose LLMs to be Medical Experts [50.02627258858336]
大規模言語モデル(LLM)は、しばしばオープンエンドの医学的問題に苦しむ。
本稿では,構造化医療推論を利用した新しいアプローチを提案する。
我々の手法は85.8のファクチュアリティスコアを達成し、微調整されたモデルを上回る。
論文 参考訳（メタデータ） (2025-03-05T05:24:55Z) - Towards Evaluating and Building Versatile Large Language Models for Medicine [57.49547766838095]
MedS-Benchは大規模言語モデル(LLM)の性能を臨床的に評価するためのベンチマークである。
MedS-Benchは、臨床報告の要約、治療勧告、診断、名前付きエンティティ認識、医療概念説明を含む、11のハイレベルな臨床タスクにまたがる。
MedS-Insは58の医療指向言語コーパスで構成され、112のタスクで1350万のサンプルを収集している。
論文 参考訳（メタデータ） (2024-08-22T17:01:34Z) - 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) - Generating medically-accurate summaries of patient-provider dialogue: A
multi-stage approach using large language models [6.252236971703546]
効果的な要約は、対話におけるすべての医学的関連情報を一貫性と精度良く捉えることが要求される。
本稿では, 医療会話の要約問題に, タスクを, より小さな対話に基づくタスクに分解することで対処する。
論文 参考訳（メタデータ） (2023-05-10T08:48:53Z) - VBridge: Connecting the Dots Between Features, Explanations, and Data
for Healthcare Models [85.4333256782337]
VBridgeは、臨床医の意思決定ワークフローに機械学習の説明をシームレスに組み込むビジュアル分析ツールである。
我々は,臨床医がMLの特徴に慣れていないこと,文脈情報の欠如,コホートレベルの証拠の必要性など,3つの重要な課題を特定した。
症例スタディと専門医4名のインタビューを通じて, VBridgeの有効性を実証した。
論文 参考訳（メタデータ） (2021-08-04T17:34:13Z) - Self-supervised Answer Retrieval on Clinical Notes [68.87777592015402]
本稿では,ドメイン固有パスマッチングのためのトランスフォーマー言語モデルをトレーニングするためのルールベースのセルフスーパービジョンであるCAPRを紹介する。
目的をトランスフォーマーベースの4つのアーキテクチャ、コンテキスト文書ベクトル、ビ-、ポリエンコーダ、クロスエンコーダに適用する。
本稿では,ドメイン固有パスの検索において,CAPRが強いベースラインを上回り,ルールベースおよび人間ラベル付きパスを効果的に一般化することを示す。
論文 参考訳（メタデータ） (2021-08-02T10:42:52Z)
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。