論文の概要: Causal-Enhanced AI Agents for Medical Research Screening

• arxiv url: http://arxiv.org/abs/2601.02814v1
• Date: Tue, 06 Jan 2026 08:41:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-07 17:02:12.85921
• Title: Causal-Enhanced AI Agents for Medical Research Screening
• Title（参考訳）: 医療研究スクリーニングのための因果強化AIエージェント
• Authors: Duc Ngo, Arya Rahgoza,
• Abstract要約: 体系的なレビューはエビデンスベースの医療には不可欠だが、150万以上の年次出版物を手作業でレビューすることは不可能である。 本稿では,因果推論と二段階知識グラフを組み合わせた因果グラフ強化検索生成システムを提案する。 提案手法では,すべての因果クレームが検索された文献に辿り着くエビデンスファーストプロトコルを適用し,介入-アウトカム経路を可視化する有向非巡回グラフを自動的に生成する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Systematic reviews are essential for evidence-based medicine, but reviewing 1.5 million+ annual publications manually is infeasible. Current AI approaches suffer from hallucinations in systematic review tasks, with studies reporting rates ranging from 28--40% for earlier models to 2--15% for modern implementations which is unacceptable when errors impact patient care. We present a causal graph-enhanced retrieval-augmented generation system integrating explicit causal reasoning with dual-level knowledge graphs. Our approach enforces evidence-first protocols where every causal claim traces to retrieved literature and automatically generates directed acyclic graphs visualizing intervention-outcome pathways. Evaluation on 234 dementia exercise abstracts shows CausalAgent achieves 95% accuracy, 100% retrieval success, and zero hallucinations versus 34% accuracy and 10% hallucinations for baseline AI. Automatic causal graphs enable explicit mechanism modeling, visual synthesis, and enhanced interpretability. While this proof-of-concept evaluation used ten questions focused on dementia exercise research, the architectural approach demonstrates transferable principles for trustworthy medical AI and causal reasoning's potential for high-stakes healthcare.
• Abstract（参考訳）: 体系的なレビューはエビデンスベースの医療には不可欠だが、150万以上の年次出版物を手作業でレビューすることは不可能である。 現在のAIアプローチは、体系的なレビュータスクにおける幻覚に悩まされており、以前のモデルでは28～40%、現代的な実装では2～15%と報告されている。 本稿では,因果推論と二段階知識グラフを組み合わせた因果グラフ強化検索生成システムを提案する。 提案手法では,すべての因果クレームが検索された文献に辿り着くエビデンスファーストプロトコルを適用し,介入-アウトカム経路を可視化する有向非巡回グラフを自動的に生成する。 234の認知症運動抽象書の評価では、CausalAgentは95%の精度、100%の検索成功、幻覚ゼロ対34%の精度、10%の幻覚をベースラインAIに対して達成している。 自動因果グラフは、明示的なメカニズムモデリング、視覚合成、強化された解釈可能性を可能にする。 この概念実証評価では、認知症の運動研究に焦点をあてた10の質問が用いられたが、アーキテクチャアプローチでは、信頼できる医療AIのための伝達可能な原則と、高用量医療に対する因果推論の可能性を示している。

関連論文リスト

• Learning to reason about rare diseases through retrieval-augmented agents [10.380898352925213]
  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。
  論文  参考訳（メタデータ） (2025-11-06T10:27:52Z)
• DispatchMAS: Fusing taxonomy and artificial intelligence agents for emergency medical services [49.70819009392778]
  大規模言語モデル (LLM) とマルチエージェントシステム (MAS) は、ディスパッチを増強する機会を提供する。 本研究の目的は,現実的なシナリオをシミュレートする分類基盤型マルチエージェントシステムの開発と評価である。
  論文  参考訳（メタデータ） (2025-10-24T08:01:21Z)
• Evaluating Large Language Models for Evidence-Based Clinical Question Answering [4.101088122511548]
  大規模言語モデル (LLMs) は, 医学的, 臨床的応用において著しく進歩している。 Cochraneの体系的レビューと臨床ガイドラインから得られたベンチマークをキュレートする。 我々はソースと臨床領域間で一貫したパフォーマンスパターンを観察する。
  論文  参考訳（メタデータ） (2025-09-13T15:03:34Z)
• Design and Validation of a Responsible Artificial Intelligence-based System for the Referral of Diabetic Retinopathy Patients [65.57160385098935]
  糖尿病網膜症の早期発見は、視力喪失のリスクを最大95%減少させる可能性がある。 我々は、AIライフサイクル全体にわたる倫理的原則を取り入れた、DRスクリーニングのための責任あるAIシステムであるRAIS-DRを開発した。 当科におけるRAIS-DRをFDA認可のEyeArtシステムと比較した。
  論文  参考訳（メタデータ） (2025-08-17T21:54:11Z)
• Medical Reasoning in the Era of LLMs: A Systematic Review of Enhancement Techniques and Applications [59.721265428780946]
  医学における大きな言語モデル(LLM)は印象的な能力を実現しているが、体系的で透明で検証可能な推論を行う能力に重大なギャップが残っている。 本稿は、この新興分野に関する最初の体系的なレビューを提供する。 本稿では,学習時間戦略とテスト時間メカニズムに分類した推論強化手法の分類法を提案する。
  論文  参考訳（メタデータ） (2025-08-01T14:41:31Z)
• Automated Retinal Image Analysis and Medical Report Generation through Deep Learning [3.4447129363520337]
  網膜疾患の増加は、医療システムにとって大きな課題となっている。 網膜画像から医療報告を生成する従来の方法は、手動による解釈に依存している。 この論文は、網膜画像の医療レポート生成を自動化する人工知能の可能性について考察する。
  論文  参考訳（メタデータ） (2024-08-14T07:47:25Z)
• Explainable AI and Machine Learning Towards Human Gait Deterioration Analysis [0.0]
  歩行データを客観的に分析し,臨床関連バイオマーカーと所見を関連づける。 physioNet.orgデータセット毎の98% F1 sc の分類精度と、組み合わせたphysioNetデータセットの95.5% F1スコアを達成する。
  論文  参考訳（メタデータ） (2023-06-12T14:53:00Z)
• HINT: Hierarchical Interaction Network for Trial Outcome Prediction Leveraging Web Data [56.53715632642495]
  臨床試験は、有効性、安全性、または患者採用の問題により、不確実な結果に直面する。 本稿では,より一般的な臨床試験結果予測のための階層型Interaction Network(HINT)を提案する。
  論文  参考訳（メタデータ） (2021-02-08T15:09:07Z)
• BiteNet: Bidirectional Temporal Encoder Network to Predict Medical Outcomes [53.163089893876645]
  本稿では,患者の医療旅行におけるコンテキスト依存と時間的関係を捉える,新たな自己注意機構を提案する。 エンド・ツー・エンドの双方向時間エンコーダネットワーク(BiteNet)が患者の旅路の表現を学習する。 実世界のEHRデータセットを用いた2つの教師付き予測と2つの教師なしクラスタリングタスクにおける手法の有効性を評価した。
  論文  参考訳（メタデータ） (2020-09-24T00:42:36Z)
• Finding Patient Zero: Learning Contagion Source with Graph Neural Networks [67.3415507211942]
  感染源の特定は、感染の感染経路に関する重要な洞察を与えることができる。 既存の方法はグラフ理論測度と高価なメッセージパッシングアルゴリズムを用いる。 グラフニューラルネットワーク(GNN)を用いてP0を学習し,この問題を再考する。
  論文  参考訳（メタデータ） (2020-06-21T21:12:44Z)

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。