論文の概要: AI Co-Scientist for Knowledge Synthesis in Medical Contexts: A Proof of Concept

• arxiv url: http://arxiv.org/abs/2601.11825v1
• Date: Fri, 16 Jan 2026 23:07:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:22.335882
• Title: AI Co-Scientist for Knowledge Synthesis in Medical Contexts: A Proof of Concept
• Title（参考訳）: 医学的文脈における知識合成のためのAIの共同科学者:概念の証明
• Authors: Arya Rahgozar, Pouria Mortezaagha,
• Abstract要約: 本稿では,人口,インターベンション,コンパレータ,アウトカム,学習デザイン(PICOS)の明示的な形式化に基づく,スケーラブルで透明な知識合成のためのAIを提案する。 このプラットフォームはリレーショナルストレージ、ベクトルベースのセマンティック検索、Neo4jナレッジグラフを統合している。 その結果,PICOS対応で説明可能な自然言語処理は,エビデンス合成のスケーラビリティ,透明性,効率性を向上できることがわかった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Research waste in biomedical science is driven by redundant studies, incomplete reporting, and the limited scalability of traditional evidence synthesis workflows. We present an AI co-scientist for scalable and transparent knowledge synthesis based on explicit formalization of Population, Intervention, Comparator, Outcome, and Study design (PICOS). The platform integrates relational storage, vector-based semantic retrieval, and a Neo4j knowledge graph. Evaluation was conducted on dementia-sport and non-communicable disease corpora. Automated PICOS compliance and study design classification from titles and abstracts were performed using a Bidirectional Long Short-Term Memory baseline and a transformer-based multi-task classifier fine-tuned from PubMedBERT. Full-text synthesis employed retrieval-augmented generation with hybrid vector and graph retrieval, while BERTopic was used to identify thematic structure, redundancy, and evidence gaps. The transformer model achieved 95.7% accuracy for study design classification with strong agreement against expert annotations, while the Bi-LSTM achieved 87% accuracy for PICOS compliance detection. Retrieval-augmented generation outperformed non-retrieval generation for queries requiring structured constraints, cross-study integration, and graph-based reasoning, whereas non-retrieval approaches remained competitive for high-level summaries. Topic modeling revealed substantial thematic redundancy and identified underexplored research areas. These results demonstrate that PICOS-aware and explainable natural language processing can improve the scalability, transparency, and efficiency of evidence synthesis. The proposed architecture is domain-agnostic and offers a practical framework for reducing research waste across biomedical disciplines.
• Abstract（参考訳）: バイオメディカルサイエンスにおける研究の無駄は、冗長な研究、不完全な報告、伝統的なエビデンス合成ワークフローの限られたスケーラビリティによって引き起こされる。 本稿では,人口,インターベンション,コンパレータ,アウトカム,学習デザイン(PICOS)の明示的な形式化に基づく,スケーラブルで透明な知識合成のためのAI共同科学者を提案する。 このプラットフォームはリレーショナルストレージ、ベクトルベースのセマンティック検索、Neo4jナレッジグラフを統合している。 認知症スポーツおよび非感染性疾患コーパスについて検討した。 PubMedBERTを微調整した双方向長短期メモリベースラインとトランスフォーマーベースのマルチタスク分類器を用いて,PICOSの準拠と,タイトルと要約からの設計分類を自動で行う。 全文合成は、ハイブリッドベクトルとグラフ検索による検索拡張生成を採用し、BERTopicは、テーマ構造、冗長性、エビデンスギャップを識別するために使用された。 トランスモデルは専門家のアノテーションに強く同意した研究設計分類で95.7%の精度を達成し、Bi-LSTMはPICOSコンプライアンス検出で87%の精度を達成した。 Retrieval-augmented generationは、構造化制約、クロススタディ統合、グラフベースの推論を必要とするクエリに対して非検索生成よりも優れ、一方、非検索アプローチは高レベルのサマリーに対して競争力を維持した。 トピックモデリングにより,主題的冗長性が明らかになり,探索されていない研究領域が同定された。 これらの結果から,PICOS対応で説明可能な自然言語処理により,エビデンス合成のスケーラビリティ,透明性,効率性が向上することが示唆された。 提案アーキテクチャはドメインに依存しないものであり,生物医学分野における研究廃棄物削減のための実践的枠組みを提供する。

関連論文リスト

• A Graph-Augmented knowledge Distillation based Dual-Stream Vision Transformer with Region-Aware Attention for Gastrointestinal Disease Classification with Explainable AI [0.06372261626436675]
  本研究は,教師-学生の知識蒸留に基づくハイブリッド二流深層学習フレームワークを提案する。 教師のセマンティックな知識と形態的知識を継承するコンパクトなTiny-ViT構造として学生ネットワークが実装された。 主要なGI疾患クラスを含む2つの注意深くキュレートされたWireless Capsule Endoscopyデータセットを使用して、バランスの取れた表現を保証した。
  論文  参考訳（メタデータ） (2025-12-24T07:51:54Z)
• A Semantically Enhanced Generative Foundation Model Improves Pathological Image Synthesis [82.01597026329158]
  本稿では,組織合成のための相関調整フレームワーク(CRAFTS)について紹介する。 CRAFTSは、生物学的精度を確保するためにセマンティックドリフトを抑制する新しいアライメント機構を組み込んでいる。 本モデルは,30種類の癌にまたがる多彩な病理像を生成する。
  論文  参考訳（メタデータ） (2025-12-15T10:22:43Z)
• Evaluating Strategies for Synthesizing Clinical Notes for Medical Multimodal AI [1.8648093673053043]
  バイオメディカル人工知能(AI)応用において,マルチモーダル(MM)学習は有望なパラダイムとして浮上している。 本研究は, 迅速な設計と医用メタデータの包摂の観点から, 合成テキスト臨床ノートを作成するための戦略について検討する。
  論文  参考訳（メタデータ） (2025-11-26T19:01:12Z)
• HySemRAG: A Hybrid Semantic Retrieval-Augmented Generation Framework for Automated Literature Synthesis and Methodological Gap Analysis [55.2480439325792]
  HySemRAGは、Extract, Transform, Load (ETL)パイプラインとRetrieval-Augmented Generation (RAG)を組み合わせたフレームワークである。 システムは、マルチ層アプローチを通じて既存のRAGアーキテクチャの制限に対処する。
  論文  参考訳（メタデータ） (2025-08-01T20:30:42Z)
• Zero-Shot Document-Level Biomedical Relation Extraction via Scenario-based Prompt Design in Two-Stage with LLM [6.26004554105527]
  ハードウェアと労働コストの低い汎用大言語モデル (LLM) を用いて, 注釈のない完全文書から同じ結果を得るための新しい手法を提案する。 我々のアプローチは、名前付きエンティティ認識(NER)と関係抽出(RE)の2つの主要な段階を組み合わせる。 本稿では,プロンプトの有効性を高めるために,5部テンプレート構造とシナリオに基づくプロンプト設計の原理を提案する。
  論文  参考訳（メタデータ） (2025-05-02T07:33:20Z)
• An AI-Driven Live Systematic Reviews in the Brain-Heart Interconnectome: Minimizing Research Waste and Advancing Evidence Synthesis [29.81784450632149]
  我々はブレイン・ハード・インターコネクトーム(BHI)ドメインの体系的レビューを強化するAI駆動システムを開発した。 このシステムは、PICOS(Population, Intervention, Comparator, Outcome, and Study Design)の自動検出、ベクトル埋め込みを用いたセマンティック検索、グラフベースのクエリ、トピックモデリングを統合している。 このシステムはリアルタイムのアップデートを提供し、リビングデータベースによる研究の無駄を減らし、ダッシュボードと対話型AIを備えた対話型インターフェースを提供する。
  論文  参考訳（メタデータ） (2025-01-25T03:51:07Z)
• Causal Representation Learning from Multimodal Biomedical Observations [57.00712157758845]
  バイオメディカルデータセットの理解を容易にするために,マルチモーダルデータに対するフレキシブルな識別条件と原理的手法を開発した。 主要な理論的貢献は、モジュラリティ間の因果関係の構造的空間性である。 実世界のヒト表現型データセットの結果は、確立された生物医学研究と一致している。
  論文  参考訳（メタデータ） (2024-11-10T16:40:27Z)
• PathLDM: Text conditioned Latent Diffusion Model for Histopathology [62.970593674481414]
  そこで我々は,高品質な病理像を生成するためのテキスト条件付き遅延拡散モデルPathLDMを紹介した。 提案手法は画像とテキストデータを融合して生成プロセスを強化する。 我々は,TCGA-BRCAデータセット上でのテキスト・ツー・イメージ生成において,SoTA FIDスコア7.64を達成し,FID30.1と最も近いテキスト・コンディショナブル・コンペティタを著しく上回った。
  論文  参考訳（メタデータ） (2023-09-01T22:08:32Z)

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。