論文の概要: LungNoduleAgent: A Collaborative Multi-Agent System for Precision Diagnosis of Lung Nodules

• arxiv url: http://arxiv.org/abs/2511.21042v1
• Date: Wed, 26 Nov 2025 04:19:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-27 18:37:58.961762
• Title: LungNoduleAgent: A Collaborative Multi-Agent System for Precision Diagnosis of Lung Nodules
• Title（参考訳）: LungNoduleAgent : 肺結節の精密診断のための協調的マルチエージェントシステム
• Authors: Cheng Yang, Hui Jin, Xinlei Yu, Zhipeng Wang, Yaoqun Liu, Fenglei Fan, Dajiang Lei, Gangyong Jia, Changmiao Wang, Ruiquan Ge,
• Abstract要約: LungNoduleAgentは、肺のCTスキャンを分析するために特別に設計された、協調的なマルチエージェントシステムである。 最初のモジュールであるNodule Spotterは、結節を正確に識別するために臨床検出モデルをコーディネートする。 第2のモジュールであるRadioologistは、局所的な画像記述技術を統合して、包括的なCTレポートを生成する。 第3のモジュールであるDoctor Agent Systemは、画像とCTレポートを使用して悪性推論を行う。
• 参考スコア（独自算出の注目度）: 21.347145572456952
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Diagnosing lung cancer typically involves physicians identifying lung nodules in Computed tomography (CT) scans and generating diagnostic reports based on their morphological features and medical expertise. Although advancements have been made in using multimodal large language models for analyzing lung CT scans, challenges remain in accurately describing nodule morphology and incorporating medical expertise. These limitations affect the reliability and effectiveness of these models in clinical settings. Collaborative multi-agent systems offer a promising strategy for achieving a balance between generality and precision in medical applications, yet their potential in pathology has not been thoroughly explored. To bridge these gaps, we introduce LungNoduleAgent, an innovative collaborative multi-agent system specifically designed for analyzing lung CT scans. LungNoduleAgent streamlines the diagnostic process into sequential components, improving precision in describing nodules and grading malignancy through three primary modules. The first module, the Nodule Spotter, coordinates clinical detection models to accurately identify nodules. The second module, the Radiologist, integrates localized image description techniques to produce comprehensive CT reports. Finally, the Doctor Agent System performs malignancy reasoning by using images and CT reports, supported by a pathology knowledge base and a multi-agent system framework. Extensive testing on two private datasets and the public LIDC-IDRI dataset indicates that LungNoduleAgent surpasses mainstream vision-language models, agent systems, and advanced expert models. These results highlight the importance of region-level semantic alignment and multi-agent collaboration in diagnosing nodules. LungNoduleAgent stands out as a promising foundational tool for supporting clinical analyses of lung nodules.
• Abstract（参考訳）: 肺がんの診断は通常、CTスキャンで肺結節を同定し、その形態的特徴と医学的専門性に基づいて診断報告を生成する。 肺CT検査における多モーダル大言語モデルの利用は進歩しているが, 結節形態を正確に記述し, 医学的専門知識を取り入れることが課題である。 これらの制限は臨床環境でのこれらのモデルの信頼性と有効性に影響を与える。 協調型マルチエージェントシステムは、医学応用における一般性と精度のバランスを達成するための有望な戦略を提供する。 LungNoduleAgentは,肺CTスキャン解析に特化して設計された,革新的な協調型マルチエージェントシステムである。 LungNoduleAgentは、診断プロセスをシーケンシャルなコンポーネントに合理化し、結節の記述の精度を改善し、3つの一次モジュールを通して悪性度を低下させる。 最初のモジュールであるNodule Spotterは、結節を正確に識別するために臨床検出モデルをコーディネートする。 第2のモジュールであるRadioologistは、局所的な画像記述技術を統合して、包括的なCTレポートを生成する。 最後に, 病理知識ベースとマルチエージェントシステムフレームワークによって支援された画像とCTレポートを用いて, 悪性度推論を行う。 2つのプライベートデータセットと公開LIDC-IDRIデータセットの大規模なテストは、LungNoduleAgentが主流のビジョン言語モデル、エージェントシステム、高度なエキスパートモデルを上回ることを示している。 これらの結果は,結節の診断における領域レベルのセマンティックアライメントとマルチエージェント協調の重要性を強調した。 LungNoduleAgentは肺結節の臨床解析を支援するための有望な基礎的ツールである。

関連論文リスト

• Sim4Seg: Boosting Multimodal Multi-disease Medical Diagnosis Segmentation with Region-Aware Vision-Language Similarity Masks [54.00822479127598]
  医療診断(MDS)という医用視覚言語タスクについて紹介する。 MDSは、医療画像に対する臨床クエリを理解し、対応するセグメンテーションマスクと診断結果を生成することを目的としている。 診断セグメンテーションの性能を向上させる新しいフレームワークであるSim4Segを提案する。
  論文  参考訳（メタデータ） (2025-11-10T03:22:42Z)
• 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)
• EMeRALDS: Electronic Medical Record Driven Automated Lung Nodule Detection and Classification in Thoracic CT Images [4.533165461983661]
  肺がんは世界中でがん関連死亡の原因となっている。 本研究では,大規模視覚言語モデル(VLM)を活用したコンピュータ支援診断(CAD)システムの開発を目的とする。 提案手法はゼロショット肺結節解析において強い性能を示した。
  論文  参考訳（メタデータ） (2025-09-15T09:11:17Z)
• 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)
• RadFabric: Agentic AI System with Reasoning Capability for Radiology [61.25593938175618]
  RadFabricは、総合的なCXR解釈のための視覚的およびテキスト分析を統合するマルチエージェント、マルチモーダル推論フレームワークである。 システムは、病理診断に特殊なCXRエージェント、正確な解剖学的構造に視覚所見をマッピングする解剖学的解釈エージェント、および視覚的、解剖学的、臨床データを透明かつ証拠に基づく診断に合成する大規模なマルチモーダル推論モデルを利用した推論エージェントを使用する。
  論文  参考訳（メタデータ） (2025-06-17T03:10:33Z)
• Lung Nodule-SSM: Self-Supervised Lung Nodule Detection and Classification in Thoracic CT Images [0.36832029288386137]
  肺癌はここ数十年で最も致命的な種類のがんである。 注釈付き医用画像データの限られた利用は、正確なコンピュータ支援診断(CAD)システムの開発においてボトルネックとなっている。 本稿では,DINOv2をバックボーンとする自己教師型学習システム「LungNodule-SSM」を提案する。
  論文  参考訳（メタデータ） (2025-05-21T05:13:11Z)
• MvKeTR: Chest CT Report Generation with Multi-View Perception and Knowledge Enhancement [1.6355783973385114]
  多視点認識知識強化型TansfoRmer(MvKeTR) 複数の解剖学的ビューから診断情報を効果的に合成するために、ビューアウェアのMVPAを提案する。 クエリボリュームに基づいて、最も類似したレポートを取得するために、Cross-Modal Knowledge Enhancer (CMKE) が考案されている。
  論文  参考訳（メタデータ） (2024-11-27T12:58:23Z)
• A Transformer-based representation-learning model with unified processing of multimodal input for clinical diagnostics [63.106382317917344]
  本稿では,マルチモーダル入力を統一的に処理する臨床診断支援として,トランスフォーマーを用いた表現学習モデルについて報告する。 統一モデルは, 肺疾患の同定において, 画像のみのモデル, 非統一型マルチモーダル診断モデルより優れていた。
  論文  参考訳（メタデータ） (2023-06-01T16:23:47Z)
• CoRSAI: A System for Robust Interpretation of CT Scans of COVID-19 Patients Using Deep Learning [133.87426554801252]
  我々は,深部畳み込み神経網のアンサンブルを用いた肺CTスキャンのセグメンテーションによるアプローチを採用した。 本モデルを用いて, 病変の分類, 患者の動態の評価, 病変による肺の相対体積の推定, 肺の損傷ステージの評価が可能となった。
  論文  参考訳（メタデータ） (2021-05-25T12:06:55Z)

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。