論文の概要: MedBeads: An Agent-Native, Immutable Data Substrate for Trustworthy Medical AI

• arxiv url: http://arxiv.org/abs/2602.01086v1
• Date: Sun, 01 Feb 2026 08:03:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-03 19:28:33.588829
• Title: MedBeads: An Agent-Native, Immutable Data Substrate for Trustworthy Medical AI
• Title（参考訳）: MedBeads:信頼できる医療AIのためのエージェントネイティブで不変なデータ基盤
• Authors: Takahito Nakajima,
• Abstract要約: 2026年現在、Large Language Models (LLM) は専門家レベルの医療知識を示している。 自律的な "Clinical Agents" としてデプロイすることはまだ限られている。 臨床イベントが不変な"ビーズ"であるエージェントネイティブデータ基盤であるMedBeadsを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Background: As of 2026, Large Language Models (LLMs) demonstrate expert-level medical knowledge. However, deploying them as autonomous "Clinical Agents" remains limited. Current Electronic Medical Records (EMRs) and standards like FHIR are designed for human review, creating a "Context Mismatch": AI agents receive fragmented data and must rely on probabilistic inference (e.g., RAG) to reconstruct patient history. This approach causes hallucinations and hinders auditability. Methods: We propose MedBeads, an agent-native data infrastructure where clinical events are immutable "Beads"--nodes in a Merkle Directed Acyclic Graph (DAG)--cryptographically referencing causal predecessors. This "write-once, read-many" architecture makes tampering mathematically detectable. We implemented a prototype with a Go Core Engine, Python middleware for LLM integration, and a React-based visualization interface. Results: We successfully implemented the workflow using synthetic data. The FHIR-to-DAG conversion transformed flat resources into a causally-linked graph. Our Breadth-First Search (BFS) Context Retrieval algorithm traverses relevant subgraphs with O(V+E) complexity, enabling real-time decision support. Tamper-evidence is guaranteed by design: any modification breaks the cryptographic chain. The visualization aids clinician understanding through explicit causal links. Conclusion: MedBeads addresses the "Context Mismatch" by shifting from probabilistic search to deterministic graph traversal, and from mutable records to immutable chains, providing the substrate for "Trustworthy Medical AI." It guarantees the context the AI receives is deterministic and tamper-evident, while the LLM determines interpretation. The structured Bead format serves as a token-efficient "AI-native language." We release MedBeads as open-source software to accelerate agent-native data standards.
• Abstract（参考訳）: 背景: 2026年現在、Large Language Models (LLMs) は専門家レベルの医療知識を示している。 しかし、これらを自律的な "Clinical Agents" として展開することは依然として限られている。 現在のEMR(Electronic Medical Records)とFHIRのような標準は、人間のレビューのために設計されており、"Context Mismatch"を作成する。 このアプローチは幻覚を引き起こし、監査を妨げます。 方法:我々はMedBeadsを提案する。Merkle Directed Acyclic Graph (DAG)における臨床イベントが不変であるエージェントネイティブデータ基盤である。 この"write-once, read-many"アーキテクチャは、数学的に検出できる。 私たちはプロトタイプをGo Core Engine、LLM統合用のPythonミドルウェア、Reactベースの視覚化インターフェースで実装しました。 結果: 合成データを用いたワークフローの実装に成功した。 FHIR-to-DAG変換はフラットリソースを因果連鎖グラフに変換する。 我々のBFS(Breadth-First Search) Context Retrievalアルゴリズムは、O(V+E)複雑性で関連するサブグラフをトラバースし、リアルタイムな意思決定支援を可能にする。 タンパー・エビデンス(Tamper-evidence)は設計によって保証されている。 この視覚化は、明確な因果関係を通じて臨床医の理解を助ける。 結論: MedBeadsは、確率論的検索から決定論的グラフトラバーサルに移行し、不変レコードから不変チェーンに移行し、"Trustworthy Medical AI"の基盤を提供する。 LLMが解釈を決定する一方で、AIが受けるコンテキストが決定論的かつ曖昧であることを保証する。 構造化ビード形式はトークン効率の良い「AIネイティブ言語」として機能する。 我々はエージェントネイティブなデータ標準を加速するオープンソースソフトウェアとしてMedBeadsをリリースする。

関連論文リスト

• The Bitter Lesson of Diffusion Language Models for Agentic Workflows: A Comprehensive Reality Check [54.08619694620588]
  本稿では,2つの異なるエージェントパラダイムであるEmbodied AgentsとTool-Calling AgentsにまたがるdLLMの包括的評価を行う。 Agentboard と BFCL では,現在の dLLM が信頼できるエージェントバックボーンとして機能しないという,"ビットレッスン" が報告されている。
  論文  参考訳（メタデータ） (2026-01-19T11:45:39Z)
• Med-CRAFT: Automated Construction of Interpretable and Multi-Hop Video Workloads via Knowledge Graph Traversal [13.216513001286812]
  textbfPipelineNameは、新しいニューロシンボリックデータエンジニアリングフレームワークである。 Med-CRAFTは生のビデオストリームから構造化されたビジュアルプリミティブを抽出し、動的時空間知識グラフにインスタンス化する。 このパイプラインをインスタンス化し、大規模な医療ビデオ推論ベンチマークであるM3-Med-Autoを生成します。
  論文  参考訳（メタデータ） (2025-11-30T19:24:10Z)
• The Argument is the Explanation: Structured Argumentation for Trust in Agents [27.3171971392448]
  人間はブラックボックスであり、彼らの神経過程を観察することはできないが、検証可能な議論を評価することで社会機能を評価する。 構造化された議論を用いて、説明と検証のレベルを提供する。 我々のパイプラインは、AAECが発行した列車/テストスプリット上で、最先端の94.44マクロF1を達成する。
  論文  参考訳（メタデータ） (2025-10-03T19:04:15Z)
• CoCoNUTS: Concentrating on Content while Neglecting Uninformative Textual Styles for AI-Generated Peer Review Detection [60.52240468810558]
  我々は、AI生成ピアレビューの詳細なデータセットの上に構築されたコンテンツ指向ベンチマークであるCoCoNUTSを紹介する。 また、マルチタスク学習フレームワークを介してAIレビュー検出を行うCoCoDetを開発し、レビューコンテンツにおけるAIのより正確で堅牢な検出を実現する。
  論文  参考訳（メタデータ） (2025-08-28T06:03:11Z)
• Align-GRAG: Reasoning-Guided Dual Alignment for Graph Retrieval-Augmented Generation [79.75818239774952]
  大きな言語モデル(LLM)は目覚ましい能力を示しているが、幻覚や時代遅れの情報といった問題に苦戦している。 Retrieval-augmented Generation (RAG) は、情報検索システム(IR)を用いて、外部知識のLLM出力を基底にすることで、これらの問題に対処する。 本稿では、検索後句における新しい推論誘導二重アライメントフレームワークであるAlign-GRAGを提案する。
  論文  参考訳（メタデータ） (2025-05-22T05:15:27Z)
• To Generate or to Retrieve? On the Effectiveness of Artificial Contexts for Medical Open-Domain Question Answering [18.226545754007972]
  本稿では,医学における質問応答のための第1世代読解フレームワークであるMedGENIEについて述べる。 MedQA-USMLE, MedMCQA, MMLUについて, 最大24GB VRAMを仮定して, 実用的視点を取り入れた広範囲な実験を行った。 以上の結果から, 得られたパスは検索したパスよりも効率が高く, 精度が高いことが判明した。
  論文  参考訳（メタデータ） (2024-03-04T10:41:52Z)
• Unsupervised Sentiment Analysis of Plastic Surgery Social Media Posts [91.3755431537592]
  ソーシャルメディアプラットフォームにまたがる膨大なユーザー投稿は、主に人工知能(AI)のユースケースに使われていない。 自然言語処理(NLP)は、コーパス(corpora)として知られるドキュメントの体系を利用して、人間のような言語理解でコンピュータを訓練するAIのサブフィールドである。 本研究は, 教師なし解析の応用により, コンピュータがプラスティック手術に対する否定的, 肯定的, 中立的なユーザ感情を予測できることを示した。
  論文  参考訳（メタデータ） (2023-07-05T20:16:20Z)
• Abstract Meaning Representation-Based Logic-Driven Data Augmentation for Logical Reasoning [27.224364543134094]
  本稿では,論理駆動型データ拡張手法AMR-LDAを提案する。 AMR-LDAは元のテキストを抽象的意味表現(AMR)グラフに変換する。 修正されたAMRグラフは、拡張データを生成するためにテキストに変換される。
  論文  参考訳（メタデータ） (2023-05-21T23:16:26Z)
• Text Mining to Identify and Extract Novel Disease Treatments From Unstructured Datasets [56.38623317907416]
  Google Cloudを使って、NPRラジオ番組のポッドキャストのエピソードを書き起こします。 次に、テキストを体系的に前処理するためのパイプラインを構築します。 我々のモデルは、Omeprazoleが心臓熱傷の治療に役立てることに成功しました。
  論文  参考訳（メタデータ） (2020-10-22T19:52:49Z)
• Learning Contextualized Document Representations for Healthcare Answer Retrieval [68.02029435111193]
  コンテキスト談話ベクトル(英: Contextual Discourse Vectors、CDV)は、長文からの効率的な回答検索のための分散文書表現である。 本モデルでは,階層型LSTMレイヤとマルチタスクトレーニングを併用したデュアルエンコーダアーキテクチャを用いて,臨床エンティティの位置と文書の談話に沿った側面をエンコードする。 我々の一般化モデルは、医療パスランキングにおいて、最先端のベースラインを著しく上回っていることを示す。
  論文  参考訳（メタデータ） (2020-02-03T15:47:19Z)

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。