論文の概要: Biomedical reasoning in action: Multi-agent System for Auditable Biomedical Evidence Synthesis
- arxiv url: http://arxiv.org/abs/2510.05335v1
- Date: Mon, 06 Oct 2025 19:57:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-08 17:57:07.965145
- Title: Biomedical reasoning in action: Multi-agent System for Auditable Biomedical Evidence Synthesis
- Title（参考訳）: バイオメディカル推論の実際 : バイオメディカルエビデンス合成のためのマルチエージェントシステム
- Authors: Oskar Wysocki, Magdalena Wysocka, Mauricio Jacobo, Harriet Unsworth, André Freitas,
- Abstract要約: バイオメディカル領域における透明でエージェントベースの推論とエビデンス統合のための実証システムであるM-Reasonについて述べる。
M-Reasonは、大規模言語モデル(LLM)とモジュールエージェントオーケストレーションの最近の進歩を活用して、様々なバイオメディカルデータソース間のエビデンス検索、評価、合成を自動化する。
オープンでインタラクティブなユーザインターフェースにより、研究者はマルチエージェントワークフローを直接観察し、調査し、評価することができる。
- 参考スコア（独自算出の注目度）: 19.14228623181563
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: We present M-Reason, a demonstration system for transparent, agent-based reasoning and evidence integration in the biomedical domain, with a focus on cancer research. M-Reason leverages recent advances in large language models (LLMs) and modular agent orchestration to automate evidence retrieval, appraisal, and synthesis across diverse biomedical data sources. Each agent specializes in a specific evidence stream, enabling parallel processing and fine-grained analysis. The system emphasizes explainability, structured reporting, and user auditability, providing complete traceability from source evidence to final conclusions. We discuss critical tradeoffs between agent specialization, system complexity, and resource usage, as well as the integration of deterministic code for validation. An open, interactive user interface allows researchers to directly observe, explore and evaluate the multi-agent workflow. Our evaluation demonstrates substantial gains in efficiency and output consistency, highlighting M-Reason's potential as both a practical tool for evidence synthesis and a testbed for robust multi-agent LLM systems in scientific research, available at https://m-reason.digitalecmt.com.
- Abstract（参考訳）: バイオメディカル領域における透明でエージェントに基づく推論とエビデンス統合の実証システムであるM-Reasonを,がん研究に焦点をあてて紹介する。
M-Reasonは、大規模言語モデル(LLM)とモジュールエージェントオーケストレーションの最近の進歩を活用して、様々なバイオメディカルデータソースのエビデンス検索、評価、合成を自動化する。
各エージェントは特定のエビデンスストリームを専門とし、並列処理ときめ細かい分析を可能にする。
このシステムは、説明可能性、構造化された報告、およびユーザーの監査性を強調し、情報源の証拠から最終的な結論まで完全なトレーサビリティを提供する。
本稿では,エージェントの特殊化,システム複雑性,リソース使用量の重要なトレードオフと,検証のための決定論的コードの統合について論じる。
オープンでインタラクティブなユーザインターフェースにより、研究者はマルチエージェントワークフローを直接観察し、調査し、評価することができる。
本評価は,M-Reasonがエビデンス合成の実践的ツールとしての可能性と,科学研究における堅牢なマルチエージェントLLMシステムのテストベッドとして, https://m-reason.digitalecmt.comで利用可能であることを示すものである。
関連論文リスト
- DrugPilot: LLM-based Parameterized Reasoning Agent for Drug Discovery [54.79763887844838]
大規模言語モデル(LLM)と自律エージェントの統合は、自動推論とタスク実行を通じて科学的発見を促進する大きな可能性を秘めている。
本稿では,薬物発見におけるエンドツーエンド科学のために設計されたパラメータ化推論アーキテクチャを備えたLSMベースのエージェントシステムであるDrarmPilotを紹介する。
DrugPilot は ReAct や LoT のような最先端のエージェントよりも優れており、タスク完了率は98.0%、93.5%、64.0%である。
論文 参考訳（メタデータ） (2025-05-20T05:18:15Z) - A Multimodal Multi-Agent Framework for Radiology Report Generation [2.1477122604204433]
放射線診断レポート生成(RRG)は、医療画像から診断レポートを自動生成することを目的としている。
本稿では,段階的臨床推論ワークフローに適合するRRG用マルチモーダルマルチエージェントフレームワークを提案する。
論文 参考訳（メタデータ） (2025-05-14T20:28:04Z) - Towards Artificial Intelligence Research Assistant for Expert-Involved Learning [64.7438151207189]
大規模言語モデル (LLMs) と大規模多モードモデル (LMMs) は科学研究における変革的ツールとして登場している。
textbfExpert-involved textbfLearning (ARIEL)のためのtextbfARtificial textbfIntelligence Research Assistantを提案する。
論文 参考訳（メタデータ） (2025-05-03T14:21:48Z) - m-KAILIN: Knowledge-Driven Agentic Scientific Corpus Distillation Framework for Biomedical Large Language Models Training [22.996230737442254]
バイオメディカルな大規模言語モデル(LLM)のためのコーパスヘッダーは、オープンソースの科学コーパスにおいて、不十分な量と品質のプレス課題に対処しようとしている。
本稿では, バイオメディカル領域におけるLLMトレーニングに適した, 科学的コーパス蒸留のための知識駆動型エージェントフレームワークを提案する。
論文 参考訳（メタデータ） (2025-04-28T08:18:24Z) - LLM Agent Swarm for Hypothesis-Driven Drug Discovery [2.7036595757881323]
ファーマシュワーム(PharmaSwarm)は、新規な薬物標的および鉛化合物の仮説を提唱し、検証し、洗練するために、特殊な「エージェント」を編成する統合マルチエージェントフレームワークである。
PharmaSwarmはAIの副操縦士として機能することで、翻訳研究を加速し、従来のパイプラインよりも効率的に高信頼の仮説を提供することができる。
論文 参考訳（メタデータ） (2025-04-24T22:27:50Z) - TAMA: A Human-AI Collaborative Thematic Analysis Framework Using Multi-Agent LLMs for Clinical Interviews [54.35097932763878]
Thematic Analysis (TA) は、構造化されていないテキストデータの潜在意味を明らかにするために広く使われている定性的手法である。
本稿では,多エージェントLEMを用いた人間とAIの協調的テーマ分析フレームワークTAMAを提案する。
TAMA は既存の LLM 支援TA アプローチよりも優れており,高い主題的ヒット率,カバレッジ,独特性を実現している。
論文 参考訳（メタデータ） (2025-03-26T15:58:16Z) - Causal Representation Learning from Multimodal Biomedical Observations [57.00712157758845]
バイオメディカルデータセットの理解を容易にするために,マルチモーダルデータに対するフレキシブルな識別条件と原理的手法を開発した。
主要な理論的貢献は、モジュラリティ間の因果関係の構造的空間性である。
実世界のヒト表現型データセットの結果は、確立された生物医学研究と一致している。
論文 参考訳（メタデータ） (2024-11-10T16:40:27Z) - DrugAgent: Multi-Agent Large Language Model-Based Reasoning for Drug-Target Interaction Prediction [8.98329812378801]
DrugAgentは、薬物と薬物の相互作用を予測するためのマルチエージェントシステムである。
複数の専門的な視点と透明な推論を組み合わせる。
我々のアプローチは、予測毎に詳細な人間解釈可能な推論を提供する。
論文 参考訳（メタデータ） (2024-08-23T21:24:59Z) - Autonomous Artificial Intelligence Agents for Clinical Decision Making in Oncology [0.6397820821509177]
本稿では,大規模言語モデル(LLM)を中心的推論エンジンとして活用する,マルチモーダル医療用AIの代替手法を提案する。
このエンジンは、医療用AIツールのセットを自律的に調整し、デプロイする。
適切なツール(97%)、正しい結論(93.6%)、完全(94%)、個人患者に有用な推奨(89.2%)を提示する能力が高いことを示す。
論文 参考訳（メタデータ） (2024-04-06T15:50:19Z)
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。