論文の概要: RE-MCDF: Closed-Loop Multi-Expert LLM Reasoning for Knowledge-Grounded Clinical Diagnosis

• arxiv url: http://arxiv.org/abs/2602.01297v1
• Date: Sun, 01 Feb 2026 15:53:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-03 19:28:33.702041
• Title: RE-MCDF: Closed-Loop Multi-Expert LLM Reasoning for Knowledge-Grounded Clinical Diagnosis
• Title（参考訳）: RE-MCDF:知識付き臨床診断のための閉ループ多目的LCM推論
• Authors: Shaowei Shen, Xiaohong Yang, Jie Yang, Lianfen Huang, Yongcai Zhang, Yang Zou, Seyyedali Hosseinalipour,
• Abstract要約: 関係強化型多専門的臨床診断フレームワークRE-MCDFを提案する。 我々は,RE-MCDFが複雑な診断シナリオにおいて,最先端のベースラインを一貫して上回ることを示す。
• 参考スコア（独自算出の注目度）: 11.973474883672282
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Electronic medical records (EMRs), particularly in neurology, are inherently heterogeneous, sparse, and noisy, which poses significant challenges for large language models (LLMs) in clinical diagnosis. In such settings, single-agent systems are vulnerable to self-reinforcing errors, as their predictions lack independent validation and can drift toward spurious conclusions. Although recent multi-agent frameworks attempt to mitigate this issue through collaborative reasoning, their interactions are often shallow and loosely structured, failing to reflect the rigorous, evidence-driven processes used by clinical experts. More fundamentally, existing approaches largely ignore the rich logical dependencies among diseases, such as mutual exclusivity, pathological compatibility, and diagnostic confusion. This limitation prevents them from ruling out clinically implausible hypotheses, even when sufficient evidence is available. To overcome these, we propose RE-MCDF, a relation-enhanced multi-expert clinical diagnosis framework. RE-MCDF introduces a generation--verification--revision closed-loop architecture that integrates three complementary components: (i) a primary expert that generates candidate diagnoses and supporting evidence, (ii) a laboratory expert that dynamically prioritizes heterogeneous clinical indicators, and (iii) a multi-relation awareness and evaluation expert group that explicitly enforces inter-disease logical constraints. Guided by a medical knowledge graph (MKG), the first two experts adaptively reweight EMR evidence, while the expert group validates and corrects candidate diagnoses to ensure logical consistency. Extensive experiments on the neurology subset of CMEMR (NEEMRs) and on our curated dataset (XMEMRs) demonstrate that RE-MCDF consistently outperforms state-of-the-art baselines in complex diagnostic scenarios.
• Abstract（参考訳）: 電子カルテ(EMR)は、特に神経学において、本質的に異質でスパースでノイズであり、臨床診断において大きな言語モデル(LLM)に重大な課題をもたらす。 このような設定では、単エージェントシステムは、独立した検証が欠如し、急激な結論に向かって漂うことができるため、自己強化エラーに対して脆弱である。 最近のマルチエージェントフレームワークは、協調的推論を通じてこの問題を緩和しようとするが、それらの相互作用は、しばしば浅くゆるやかに構造化されており、臨床専門家が使用する厳密でエビデンス駆動のプロセスを反映していない。 より根本的には、既存のアプローチは、相互排他性、病理学的適合性、診断上の混乱など、疾患間の豊富な論理的依存関係を無視する。 この制限により、十分な証拠が得られても、臨床的に証明不可能な仮説を除外できない。 これを克服するため,関係強化型多専門的臨床診断フレームワークであるRE-MCDFを提案する。 RE-MCDFは3つの相補的なコンポーネントを統合する、世代別検証型クローズドループアーキテクチャを導入した。 一 候補診断を作成し、証拠を裏付ける主な専門家 二 異種臨床指標を動的に優先する実験室の専門家及び 三 学際的論理的制約を明示的に強制する多関係意識評価専門家グループ。 医学知識グラフ(MKG)によって導かれた最初の2つの専門家は、適応的にEMRの証拠を再評価し、専門家グループは、論理的整合性を確保するために候補診断を検証、修正する。 CMEMR(NEEMRs)とXMEMR(XMEMRs)の神経学サブセットに関する広範囲な実験により、RE-MCDFは複雑な診断シナリオにおいて、常に最先端のベースラインを上回ります。

関連論文リスト

• AgentsEval: Clinically Faithful Evaluation of Medical Imaging Reports via Multi-Agent Reasoning [73.50200033931148]
  本稿では,放射線科医の協調診断ワークフローをエミュレートしたマルチエージェントストリーム推論フレームワークであるAgensEvalを紹介する。 評価プロセスを基準定義、エビデンス抽出、アライメント、一貫性スコアなどの解釈可能なステップに分割することで、AgensEvalは明確な推論トレースと構造化された臨床フィードバックを提供する。 実験結果から,AgensEvalは,言い換え,意味的,スタイリスティックな摂動の下でも頑健な臨床的整合性,意味的忠実性,解釈可能な評価を提供することが示された。
  論文  参考訳（メタデータ） (2026-01-23T11:59:13Z)
• 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)
• Aligning Findings with Diagnosis: A Self-Consistent Reinforcement Learning Framework for Trustworthy Radiology Reporting [37.57009831483529]
  MLLM(Multimodal Large Language Models)は放射線学レポート生成に強い可能性を示している。 本フレームワークは, より詳細な発見のための思考ブロックと, 構造化された疾患ラベルに対する回答ブロックという, 生成を2つの異なる構成要素に再構成する。
  論文  参考訳（メタデータ） (2026-01-06T14:17:44Z)
• ClinDEF: A Dynamic Evaluation Framework for Large Language Models in Clinical Reasoning [58.01333341218153]
  ClinDEF(ClinDEF)は, LLMにおける臨床推論をシミュレートされた診断対話を用いて評価する動的フレームワークである。 本手法は, 患者を発症し, LLMをベースとした医師と自動患者エージェントとのマルチターンインタラクションを容易にする。 実験により、ClinDEFは最先端のLSMにおいて重要な臨床推論ギャップを効果的に露呈することが示された。
  論文  参考訳（メタデータ） (2025-12-29T12:58:58Z)
• Simulating Viva Voce Examinations to Evaluate Clinical Reasoning in Large Language Models [51.91760712805404]
  大規模言語モデル(LLM)におけるシーケンシャルな臨床推論を評価するためのベンチマークであるVivaBenchを紹介する。 本データセットは,医療訓練における(口頭)検査をシミュレートする対話的シナリオとして構成された1762名の医師による臨床ヴィグネットから構成される。 本分析では,臨床における認知的誤りを反映するいくつかの障害モードを同定した。
  論文  参考訳（メタデータ） (2025-10-11T16:24:35Z)
• 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)

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。