論文の概要: META-RAG: Meta-Analysis-Inspired Evidence-Re-Ranking Method for Retrieval-Augmented Generation in Evidence-Based Medicine
- arxiv url: http://arxiv.org/abs/2510.24003v1
- Date: Tue, 28 Oct 2025 02:18:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-29 15:35:36.721282
- Title: META-RAG: Meta-Analysis-Inspired Evidence-Re-Ranking Method for Retrieval-Augmented Generation in Evidence-Based Medicine
- Title（参考訳）: META-RAG:メタアナリシスにインスパイアされたエビデンス・リランキング法によるエビデンス・メディカル検索
- Authors: Mengzhou Sun, Sendong Zhao, Jianyu Chen, Haochun Wang, Bin Qin,
- Abstract要約: エビデンスベースの医療(EBM)は臨床応用において重要な役割を担っている。
EBMにおけるRAGの応用は、高品質な証拠を効果的に識別するのに苦労する。
医学的証拠を再収集しフィルタリングする新しい方法を提案する。
- 参考スコア（独自算出の注目度）: 21.76710595917909
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Evidence-based medicine (EBM) holds a crucial role in clinical application. Given suitable medical articles, doctors effectively reduce the incidence of misdiagnoses. Researchers find it efficient to use large language models (LLMs) techniques like RAG for EBM tasks. However, the EBM maintains stringent requirements for evidence, and RAG applications in EBM struggle to efficiently distinguish high-quality evidence. Therefore, inspired by the meta-analysis used in EBM, we provide a new method to re-rank and filter the medical evidence. This method presents multiple principles to filter the best evidence for LLMs to diagnose. We employ a combination of several EBM methods to emulate the meta-analysis, which includes reliability analysis, heterogeneity analysis, and extrapolation analysis. These processes allow the users to retrieve the best medical evidence for the LLMs. Ultimately, we evaluate these high-quality articles and show an accuracy improvement of up to 11.4% in our experiments and results. Our method successfully enables RAG to extract higher-quality and more reliable evidence from the PubMed dataset. This work can reduce the infusion of incorrect knowledge into responses and help users receive more effective replies.
- Abstract（参考訳）: エビデンスベースの医療(EBM)は臨床応用において重要な役割を担っている。
適切な医療記事が与えられた場合、医師は誤診の発生を効果的に低減する。
研究者は、EMMタスクにRAGのような大きな言語モデル(LLM)を使用するのが効率的であると考えている。
しかし、ESMは証拠の厳格な要求を維持しており、ERMにおけるRAGの応用は高品質な証拠を効果的に識別するのに苦労している。
そこで,ESMで用いられるメタアナリシスに触発されて,医学的証拠を再分析し,フィルタリングする新しい方法を提案する。
本手法はLCMの診断に最適な証拠をフィルタする複数の原理を示す。
信頼性解析,不均一性解析,外挿解析を含むメタ分析をエミュレートするために,いくつかのEMM法を組み合わせている。
これらのプロセスにより、ユーザはLSMの最高の医療的証拠を取得できる。
最終的に、これらの高品質な記事を評価し、実験と結果において最大11.4%の精度向上を示す。
提案手法により, PubMedデータセットから高品質で信頼性の高い証拠を抽出できる。
この作業は、誤った知識の回答への注入を減らし、ユーザがより効果的な返信を受け取るのに役立つ。
関連論文リスト
- M-Eval: A Heterogeneity-Based Framework for Multi-evidence Validation in Medical RAG Systems [21.76710595917909]
Retrieval-augmented Generation (RAG) は、医学的質問応答システムを強化する可能性を示している。
この研究は、現在のRAGベースの医療システムにおけるエラーを検出するのに役立つ。
また、LSMの応用をより信頼性が高くし、診断エラーを低減する。
論文 参考訳（メタデータ） (2025-10-28T01:57:40Z) - End-to-End Agentic RAG System Training for Traceable Diagnostic Reasoning [52.12425911708585]
Deep-DxSearchは、強化学習(RL)でエンドツーエンドに訓練されたエージェントRAGシステムである。
Deep-DxSearchでは,患者記録と信頼性のある医療知識情報を含む大規模医療検索コーパスを構築した。
実験により、エンドツーエンドのRLトレーニングフレームワークは、プロンプトエンジニアリングやトレーニングフリーなRAGアプローチよりも一貫して優れています。
論文 参考訳（メタデータ） (2025-08-21T17:42:47Z) - From Promise to Practical Reality: Transforming Diffusion MRI Analysis with Fast Deep Learning Enhancement [35.368152968098194]
FastFOD-Netは、FODを優れたパフォーマンスで強化し、臨床使用のためのトレーニング/推論効率を提供するエンドツーエンドのディープラーニングフレームワークである。
この研究は、拡散MRIの強化のための深層学習に基づく手法を、より広く採用し、臨床信頼を構築することを促進する。
論文 参考訳（メタデータ） (2025-08-13T17:56:29Z) - Natural Language Processing in Support of Evidence-based Medicine: A Scoping Review [20.806546651936408]
EBM(エビデンス・ベース・メディカル)は現代の医療の最前線にあり、臨床上の決定を導くのに最も有効な科学的証拠を使用することを強調している。
EBMのエビデンスを特定し、評価し、分析し、要約し、広めるために、自然言語処理(NLP)手法を調査する必要がある。
本研究は,臨床意思決定プロセスの強化において,NLPをEMMに活用する研究129件について,その重要な役割について詳細に検討した。
論文 参考訳（メタデータ） (2025-05-28T12:17:01Z) - ChestX-Reasoner: Advancing Radiology Foundation Models with Reasoning through Step-by-Step Verification [57.22053411719822]
ChestX-Reasoner(チェストX-Reasoner)は、臨床報告から直接採掘されるプロセスの監督を活用するために設計された放射線診断MLLMである。
我々の2段階のトレーニングフレームワークは、モデル推論と臨床標準との整合性を高めるために、プロセス報酬によって指導された教師付き微調整と強化学習を組み合わせる。
論文 参考訳（メタデータ） (2025-04-29T16:48:23Z) - Enhancing LLM Generation with Knowledge Hypergraph for Evidence-Based Medicine [22.983780823136925]
エビデンスベースの医療(EBM)は、医療における大規模言語モデル(LLM)の適用において重要な役割を担っている。
本稿では,複数の情報源から散在する証拠をLCMを用いて収集し,知識ハイパーグラフに基づく証拠管理モデルを提案する。
本手法は,医療クイズ,幻覚検出,意思決定支援など,EMMに関心のあるアプリケーション領域において,既存のRAG技術よりも優れている。
論文 参考訳（メタデータ） (2025-03-18T09:17:31Z) - 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) - Med-R$^2$: Crafting Trustworthy LLM Physicians via Retrieval and Reasoning of Evidence-Based Medicine [25.38817351839917]
大言語モデル(LLM)は臨床シナリオにおいて顕著な機能を示した。
我々はEvidence-Based Medicine(EBM)プロセスに準拠した新しいフレームワークであるMed-R2を紹介する。
実験の結果,Med-R2はバニラRAG法よりも13.27%改善し,微調整法に比べて4.55%向上した。
論文 参考訳（メタデータ） (2025-01-21T04:40:43Z) - SeRTS: Self-Rewarding Tree Search for Biomedical Retrieval-Augmented Generation [50.26966969163348]
大規模言語モデル(LLM)は,検索増強世代(RAG)の進展に伴い,生物医学領域において大きな可能性を示した。
既存の検索強化アプローチは、様々なクエリやドキュメント、特に医療知識クエリに対処する上で、課題に直面している。
モンテカルロ木探索(MCTS)と自己回帰パラダイムに基づく自己回帰木探索(SeRTS)を提案する。
論文 参考訳（メタデータ） (2024-06-17T06:48:31Z) - Med42 -- Evaluating Fine-Tuning Strategies for Medical LLMs: Full-Parameter vs. Parameter-Efficient Approaches [7.3384872719063114]
我々は,Llama-2アーキテクチャに基づく医療用大規模言語モデル(LLM)を開発し,改良した。
本実験は,様々な医用ベンチマークを用いて,これらのチューニング戦略の有効性を体系的に評価した。
論文 参考訳（メタデータ） (2024-04-23T06:36:21Z)
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。