論文の概要: TriAgent: Automated Biomarker Discovery with Deep Research Grounding for Triage in Acute Care by LLM-Based Multi-Agent Collaboration

• arxiv url: http://arxiv.org/abs/2510.16080v1
• Date: Fri, 17 Oct 2025 12:26:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 00:56:38.837252
• Title: TriAgent: Automated Biomarker Discovery with Deep Research Grounding for Triage in Acute Care by LLM-Based Multi-Agent Collaboration
• Title（参考訳）: TriAgent: LLM-based Multi-Agent Collaboration による急性期治療のための深層研究基盤によるバイオマーカー発見
• Authors: Kerem Delikoyun, Qianyu Chen, Win Sen Kuan, John Tshon Yit Soong, Matthew Edward Cove, Oliver Hayden,
• Abstract要約: 世界の救急医療機関は、患者数の増加、労働力不足、トリアージ決定のばらつきに直面している。 この課題に対処するために,大規模言語モデル(LLM)ベースのマルチエージェントフレームワークであるTriAgentを紹介した。 TriAgentは、バイオマーカーの自動発見と、文学的根拠による検証と新規性評価のための深い研究を結合する。
• 参考スコア（独自算出の注目度）: 3.0416960239499358
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Emergency departments worldwide face rising patient volumes, workforce shortages, and variability in triage decisions that threaten the delivery of timely and accurate care. Current triage methods rely primarily on vital signs, routine laboratory values, and clinicians' judgment, which, while effective, often miss emerging biological signals that could improve risk prediction for infection typing or antibiotic administration in acute conditions. To address this challenge, we introduce TriAgent, a large language model (LLM)-based multi-agent framework that couples automated biomarker discovery with deep research for literature-grounded validation and novelty assessment. TriAgent employs a supervisor research agent to generate research topics and delegate targeted queries to specialized sub-agents for evidence retrieval from various data sources. Findings are synthesized to classify biomarkers as either grounded in existing knowledge or flagged as novel candidates, offering transparent justification and highlighting unexplored pathways in acute care risk stratification. Unlike prior frameworks limited to existing routine clinical biomarkers, TriAgent aims to deliver an end-to-end framework from data analysis to literature grounding to improve transparency, explainability and expand the frontier of potentially actionable clinical biomarkers. Given a user's clinical query and quantitative triage data, TriAgent achieved a topic adherence F1 score of 55.7 +/- 5.0%, surpassing the CoT-ReAct agent by over 10%, and a faithfulness score of 0.42 +/- 0.39, exceeding all baselines by more than 50%. Across experiments, TriAgent consistently outperformed state-of-the-art LLM-based agentic frameworks in biomarker justification and literature-grounded novelty assessment. We share our repo: https://github.com/CellFace/TriAgent.
• Abstract（参考訳）: 世界の救急医療部門は、患者数の増加、労働力不足、そして、タイムリーかつ正確なケアの提供を脅かすトリアージ決定の多様性に直面している。 現在のトリアージ法は、主にバイタルサイン、定期的な検査値、臨床医の判断に依存しており、これは効果があるが、急性期における感染症のタイプや抗生物質投与のリスク予測を改善する可能性のある、出現する生物学的シグナルを見逃すことがしばしばある。 この課題に対処するために,大規模言語モデル(LLM)ベースのマルチエージェントフレームワークであるTriAgentを紹介した。 TriAgentは、研究トピックを生成し、ターゲットとするクエリを専門のサブエージェントに委譲し、さまざまなデータソースから証拠を検索する。 発見は、バイオマーカーを既存の知識に基づいて分類するか、新しい候補としてフラグ付けされ、透明な正当化を提供し、急性のリスク階層化において未発見の経路を強調するために合成される。 既存の通常の臨床バイオマーカーに限られる以前のフレームワークとは異なり、TriAgentは、データ分析から文献基礎までエンドツーエンドのフレームワークを提供することを目的としており、透明性の向上、説明可能性の向上、潜在的に実行可能な臨床バイオマーカーのフロンティアの拡大を目指している。 ユーザの臨床的クエリと定量的トリアージデータから、TriAgentは55.7 +/-5.0%というトピックアテンデンスF1スコアを達成し、CoT-ReActエージェントを10%以上上回り、信頼度スコアは0.42 +/-0.39で、全ベースラインを50%以上上回った。 実験を通じて、TriAgentはバイオマーカーの正当化と文学的根拠に基づくノベルティ評価において、最先端のLLMベースのエージェント・フレームワークを一貫して上回った。 リポジトリは、https://github.com/CellFace/TriAgent.comで公開しています。

関連論文リスト

• MedKGent: A Large Language Model Agent Framework for Constructing Temporally Evolving Medical Knowledge Graph [57.54231831309079]
  我々は、時間的に進化する医療知識グラフを構築するためのフレームワークであるMedKGentを紹介する。 生医学的知識の出現を, 微粒な日々の時系列でシミュレートする。 結果として得られるKGは156,275個のエンティティと2,971,384個のリレーショナルトリプルを含む。
  論文  参考訳（メタデータ） (2025-08-17T15:14:03Z)
• 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)
• BixBench: a Comprehensive Benchmark for LLM-based Agents in Computational Biology [4.099098082010236]
  LLM(Large Language Models)とLLMをベースとしたエージェントは、科学研究の加速に大きな期待を示している。 本稿では,バイオインフォマティクスベンチマーク(BixBench)について述べる。 オープンソースのカスタムエージェントフレームワークを用いて,2つのフロンティアLCMの性能評価を行った。
  論文  参考訳（メタデータ） (2025-02-28T18:47:57Z)
• 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)
• BioDiscoveryAgent: An AI Agent for Designing Genetic Perturbation Experiments [112.25067497985447]
  そこで,BioDiscoveryAgentを紹介した。このエージェントは,新しい実験を設計し,その結果の理由を明らかにし,仮説空間を効率的にナビゲートし,望ましい解に到達させる。 BioDiscoveryAgentは、機械学習モデルをトレーニングすることなく、新しい実験を独自に設計することができる。 6つのデータセットで関連する遺伝的摂動を予測することで、平均21%の改善が達成されている。
  論文  参考訳（メタデータ） (2024-05-27T19:57:17Z)
• Multiscale Topology in Interactomic Network: From Transcriptome to Antiaddiction Drug Repurposing [0.3683202928838613]
  米国における薬物依存の激化は、革新的な治療戦略の緊急の必要性を浮き彫りにしている。 本研究は,オピオイドおよびコカイン依存症治療の薬物再服用候補を探索するための,革新的で厳格な戦略に着手した。
  論文  参考訳（メタデータ） (2023-12-03T04:01:38Z)
• A marker-less human motion analysis system for motion-based biomarker discovery in knee disorders [60.99112047564336]
  NHSは低リスクの全ての患者に会うのが難しくなっているが、これはOA患者に限らない。 膝関節疾患の診断と治療経過のモニタリングのためのバイオマーカー自動同定法を提案する。
  論文  参考訳（メタデータ） (2023-04-26T16:47:42Z)
• A robust kernel machine regression towards biomarker selection in multi-omics datasets of osteoporosis for drug discovery [2.2897244874280043]
  本稿では,ロバスト・カーネル・マシン・レグレッション(RobMR)を提案する。 実験により, 提案手法は骨粗しょう症の関連因子を効果的に同定することを示した。 提案手法は、利用可能なあらゆる疾患モデルマルチオミクスデータセットに適用できる。
  論文  参考訳（メタデータ） (2022-01-13T16:39:46Z)

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。