Fugu-MT 論文翻訳(概要): Learning to reason about rare diseases through retrieval-augmented agents

論文の概要: Learning to reason about rare diseases through retrieval-augmented agents

arxiv url: http://arxiv.org/abs/2511.04720v1
Date: Thu, 06 Nov 2025 10:27:52 GMT
ステータス: 翻訳完了
システム内更新日: 2025-11-10 21:00:44.551634
Title: Learning to reason about rare diseases through retrieval-augmented agents
Title（参考訳）: 検索増強剤による希少疾患の解明
Authors: Ha Young Kim, Jun Li, Ana Beatriz Solana, Carolin M. Pirkl, Benedikt Wiestler, Julia A. Schnabel, Cosmin I. Bercea,
Abstract要約: RADARは、脳MRIにおけるまれな疾患検出のためのエージェントシステムである。我々のアプローチでは、ケースレポートと文学の両方を埋め込むことで、外部の医療知識にアクセス可能なAIエージェントを使用します。本発明の薬剤は、追加の訓練を必要とせず、臨床的に関係のある証拠を回収し、未確認疾患に関する診断決定を導出する。
参考スコア（独自算出の注目度）: 10.380898352925213
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Rare diseases represent the long tail of medical imaging, where AI models often fail due to the scarcity of representative training data. In clinical workflows, radiologists frequently consult case reports and literature when confronted with unfamiliar findings. Following this line of reasoning, we introduce RADAR, Retrieval Augmented Diagnostic Reasoning Agents, an agentic system for rare disease detection in brain MRI. Our approach uses AI agents with access to external medical knowledge by embedding both case reports and literature using sentence transformers and indexing them with FAISS to enable efficient similarity search. The agent retrieves clinically relevant evidence to guide diagnostic decision making on unseen diseases, without the need of additional training. Designed as a model-agnostic reasoning module, RADAR can be seamlessly integrated with diverse large language models, consistently improving their rare pathology recognition and interpretability. On the NOVA dataset comprising 280 distinct rare diseases, RADAR achieves up to a 10.2% performance gain, with the strongest improvements observed for open source models such as DeepSeek. Beyond accuracy, the retrieved examples provide interpretable, literature grounded explanations, highlighting retrieval-augmented reasoning as a powerful paradigm for low-prevalence conditions in medical imaging.
Abstract（参考訳）: 希少な疾患は医用画像の長い尾を意味し、AIモデルは代表的なトレーニングデータの不足のためにしばしば失敗する。臨床ワークフローでは、放射線技師は、よく知らない発見に直面した場合、ケースレポートや文献をよく相談する。この一連の推論の後、脳MRIにおけるまれな疾患検出のためのエージェントシステムであるRetrieval Augmented Diagnostic Reasoning AgentsであるRADARを紹介した。提案手法では, 文変換器を用いて事例報告と文献の両方を埋め込み, FAISSでインデックス化することにより, 外部の医療情報にアクセス可能なAIエージェントを用いて, 効率的な類似検索を実現する。本発明の薬剤は、追加の訓練を必要とせず、臨床的に関係のある証拠を回収し、未確認疾患に関する診断決定を導出する。 RADARはモデルに依存しない推論モジュールとして設計されており、多種多様な言語モデルとシームレスに統合することができ、希少な病理診断と解釈性の改善を継続的に行うことができる。 280の異なるまれな疾患からなるNOVAデータセットでは、RADARは最大10.2%のパフォーマンス向上を達成した。精度の他に、検索された例は解釈可能な文学的根拠のある説明を提供し、医学画像における低頻度条件の強力なパラダイムとして検索強化推論を強調している。

関連論文リスト

An Explainable Hybrid AI Framework for Enhanced Tuberculosis and Symptom Detection [55.35661671061754]
結核は、特に資源に制限された遠隔地において、重要な世界的な健康問題である。本稿では, 胸部X線による疾患および症状の検出を, 2つの頭部と自己監督頭部を統合することで促進する枠組みを提案する。本モデルでは, 新型コロナウイルス, 結核, 正常症例の鑑別で98.85%の精度が得られ, マルチラベル症状検出では90.09%のマクロF1スコアが得られた。
論文参考訳（メタデータ） (2025-10-21T17:18:55Z)
AI-Driven Radiology Report Generation for Traumatic Brain Injuries [0.0]
頭蓋外傷に適応した自動放射線診断レポート作成のためのAIベースのアプローチを提案する。本稿では,AC-BiFPNとTransformerアーキテクチャを統合し,複雑な医用画像データのキャプチャと処理を行う。 RSNA脳内出血検出データセットを用いて,本モデルの性能評価を行った。
論文参考訳（メタデータ） (2025-10-09T17:39:04Z)
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)
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)
Clinically-guided Data Synthesis for Laryngeal Lesion Detection [2.573786844054239]
そこで本研究では,Lyngeal endoscopic image-annotation pairを生成するために,Latent Diffusion Model(LDM)とControlNetアダプタを併用した新しいアプローチを提案する。提案手法はCADx/eモデルのトレーニングデータセットの拡張に有効であり,喉頭科学における評価プロセスの強化に有効である。
論文参考訳（メタデータ） (2025-08-08T09:55:54Z)
Agentic large language models improve retrieval-based radiology question answering [4.208637377704778]
Radiology Retrieval and Reasoning (RaR)は、放射線学的質問応答のための多段階の検索および推論フレームワークである。 RaRはゼロショットプロンプトや従来のオンラインRAGよりも平均診断精度が有意に向上した。 RaRの検索は幻覚を減少させ(平均9.4%)、臨床的に関連のあるコンテキストを46%の症例で検索した。
論文参考訳（メタデータ） (2025-08-01T16:18:52Z)
MAGDA: Multi-agent guideline-driven diagnostic assistance [43.15066219293877]
救急部門、地方病院、または未開発地域の診療所では、臨床医は訓練された放射線技師による高速な画像分析を欠いていることが多い。本研究では,ゼロショットガイドライン駆動意思決定支援のための新しいアプローチを提案する。我々は、患者診断に到達するために協調する、対照的な視覚言語モデルで強化された複数のLLMエージェントのシステムをモデル化する。
論文参考訳（メタデータ） (2024-09-10T09:10:30Z)
Deep Reinforcement Learning Framework for Thoracic Diseases Classification via Prior Knowledge Guidance [49.87607548975686]
関連疾患に対するラベル付きデータの不足は、正確な診断にとって大きな課題となる。本稿では,診断エージェントの学習を指導するための事前知識を導入する,新しい深層強化学習フレームワークを提案する。提案手法の性能はNIHX-ray 14とCheXpertデータセットを用いて実証した。
論文参考訳（メタデータ） (2023-06-02T01:46:31Z)
Exploring and Distilling Posterior and Prior Knowledge for Radiology Report Generation [55.00308939833555]
PPKEDには、Posterior Knowledge Explorer (PoKE), Prior Knowledge Explorer (PrKE), Multi-domain Knowledge Distiller (MKD)の3つのモジュールが含まれている。 PoKEは後部知識を探求し、視覚データのバイアスを軽減するために明確な異常な視覚領域を提供する。 PrKEは、以前の医学知識グラフ(医学知識)と以前の放射線学レポート(作業経験)から以前の知識を探り、テキストデータのバイアスを軽減する。
論文参考訳（メタデータ） (2021-06-13T11:10:02Z)
Variational Knowledge Distillation for Disease Classification in Chest X-Rays [102.04931207504173]
我々は,X線に基づく疾患分類のための新しい確率的推論フレームワークである反復的知識蒸留(VKD)を提案する。提案手法の有効性を,X線画像とEHRを用いた3つの公開ベンチマークデータセットに示す。
論文参考訳（メタデータ） (2021-03-19T14:13:56Z)
Query-Focused EHR Summarization to Aid Imaging Diagnosis [22.21438906817433]
本稿では,患者記録から関連するテキストスニペットを抽出し,大まかな症例要約を提供するモデルを提案し,評価する。我々は,「未来」記録で観察される国際疾患分類(ICD)コード群を,「下流」診断のためのうるさいプロキシとして使用した。我々は、ボストンのブリガム・アンド・ウーマンズ病院とMIMIC-IIIのEHRデータに基づいて、このモデルのバリエーションを訓練し、評価する。
論文参考訳（メタデータ） (2020-04-09T16:32:39Z)

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。