論文の概要: Domain-Expert-Guided Hybrid Mixture-of-Experts for Medical AI: Integrating Data-Driven Learning with Clinical Priors

• arxiv url: http://arxiv.org/abs/2601.17977v1
• Date: Sun, 25 Jan 2026 20:16:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-27 15:23:08.568471
• Title: Domain-Expert-Guided Hybrid Mixture-of-Experts for Medical AI: Integrating Data-Driven Learning with Clinical Priors
• Title（参考訳）: Domain-Expert-Guided Hybrid Mixture-of-Experts for Medical AI:Integrated Data-Driven Learning with Clinical Priors
• Authors: Jinchen Gu, Nan Zhao, Lei Qiu, Lu Zhang,
• Abstract要約: 本稿では,DKGH-MoE(Domain-Knowledge-Guided Hybrid MoE)を提案する。 DKGH-MoEは、データ駆動型のMoEを統合し、生画像データから新しい特徴を抽出する。
• 参考スコア（独自算出の注目度）: 11.922740062733375
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Mixture-of-Experts (MoE) models increase representational capacity with modest computational cost, but their effectiveness in specialized domains such as medicine is limited by small datasets. In contrast, clinical practice offers rich expert knowledge, such as physician gaze patterns and diagnostic heuristics, that models cannot reliably learn from limited data. Combining data-driven experts, which capture novel patterns, with domain-expert-guided experts, which encode accumulated clinical insights, provides complementary strengths for robust and clinically meaningful learning. To this end, we propose Domain-Knowledge-Guided Hybrid MoE (DKGH-MoE), a plug-and-play and interpretable module that unifies data-driven learning with domain expertise. DKGH-MoE integrates a data-driven MoE to extract novel features from raw imaging data, and a domain-expert-guided MoE incorporates clinical priors, specifically clinician eye-gaze cues, to emphasize regions of high diagnostic relevance. By integrating domain expert insights with data-driven features, DKGH-MoE improves both performance and interpretability.
• Abstract（参考訳）: Mixture-of-Experts (MoE)モデルは、控えめな計算コストで表現能力を増加させるが、医療などの専門分野におけるその有効性は、小さなデータセットによって制限される。 対照的に、臨床実践は医師の視線パターンや診断ヒューリスティックといった豊富な専門知識を提供しており、モデルが限られたデータから確実に学習することはできない。 新たなパターンを捉えたデータ駆動の専門家と、蓄積された臨床知見を符号化したドメインエキスパートガイドの専門家を組み合わせることで、堅牢で臨床的に有意義な学習のための補完的な強みを提供する。 そこで我々はDKGH-MoE(Domain-Knowledge-Guided Hybrid MoE)を提案する。 DKGH-MoEは、データ駆動型のMoEを統合して、生画像データから新しい特徴を抽出する。 ドメインエキスパートの洞察とデータ駆動機能を統合することで、DKGH-MoEはパフォーマンスと解釈性の両方を改善します。

関連論文リスト

• MMedExpert-R1: Strengthening Multimodal Medical Reasoning via Domain-Specific Adaptation and Clinical Guideline Reinforcement [63.82954136824963]
  医療ビジョンランゲージモデルでは、現実世界のシナリオで必要とされる複雑な臨床推論を伴う知覚タスクが優れている。 本稿ではドメイン固有の適応とガイドライン強化を通じてこれらの課題に対処する新しい推論MedVLMを提案する。
  論文  参考訳（メタデータ） (2026-01-16T02:32:07Z)
• Forging a Dynamic Memory: Retrieval-Guided Continual Learning for Generalist Medical Foundation Models [45.285970665585914]
  本稿では,継続的学習のための包括的枠組みを提案する。 モデル微調整のためのリアルタイムガイダンスを提供するマルチモーダル多層RAGシステムを用いる。 動的知識蒸留フレームワークを導入する。
  論文  参考訳（メタデータ） (2025-12-15T08:09:40Z)
• 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)
• HoloDx: Knowledge- and Data-Driven Multimodal Diagnosis of Alzheimer's Disease [12.446147730967395]
  HoloDxは、知識とデータ駆動のフレームワークであり、多要素臨床データとドメイン知識を整合させることでアルツハイマーの診断を強化する。 HoloDxには知識を意識したクロスアテンションを備えた知識注入モジュールが組み込まれており、モデルがドメイン固有の洞察を動的に統合することを可能にする。 HoloDxは最先端の手法より優れており、診断精度が優れ、多様なコホートにまたがる強力な一般化を実現している。
  論文  参考訳（メタデータ） (2025-04-27T02:10:12Z)
• MRGen: Segmentation Data Engine for Underrepresented MRI Modalities [59.61465292965639]
  稀ながら臨床的に重要な画像モダリティのための医用画像分割モデルの訓練は、注釈付きデータの不足により困難である。 本稿では,データ合成における生成モデルの利用について検討する。 本稿では,テキストプロンプトとセグメンテーションマスクを条件とした医用画像合成のためのデータエンジンMRGenを提案する。
  論文  参考訳（メタデータ） (2024-12-04T16:34:22Z)
• LoRKD: Low-Rank Knowledge Decomposition for Medical Foundation Models [59.961172635689664]
  知識分解」は、特定の医療課題のパフォーマンス向上を目的としている。 我々はLow-Rank Knowledge Decomposition(LoRKD)という新しいフレームワークを提案する。 LoRKDは、低ランクのエキスパートモジュールと効率的な知識分離畳み込みを組み込むことで、グラデーションを異なるタスクから明確に分離する。
  論文  参考訳（メタデータ） (2024-09-29T03:56:21Z)
• EMERGE: Enhancing Multimodal Electronic Health Records Predictive Modeling with Retrieval-Augmented Generation [22.94521527609479]
  EMERGEはRetrieval-Augmented Generation(RAG)駆動のフレームワークであり、マルチモーダルEHR予測モデリングを強化する。 時系列データと臨床ノートからエンティティを抽出し,LLM(Large Language Models)を誘導し,プロのPrimeKGと整合させる。 抽出した知識は、患者の健康状態のタスク関連サマリーを生成するために使用される。
  論文  参考訳（メタデータ） (2024-05-27T10:53:15Z)
• REALM: RAG-Driven Enhancement of Multimodal Electronic Health Records Analysis via Large Language Models [19.62552013839689]
  既存のモデルは、しばしば臨床上の課題に医学的文脈を欠いているため、外部知識の組み入れが促される。 本稿では、マルチモーダルEHR表現を強化するためのRAG(Retrieval-Augmented Generation)駆動フレームワークREALMを提案する。 MIMIC-III 死亡率と可読化タスクに関する実験は,ベースラインよりもREALM フレームワークの優れた性能を示す。
  論文  参考訳（メタデータ） (2024-02-10T18:27:28Z)

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。