論文の概要: BiomechAgent: AI-Assisted Biomechanical Analysis Through Code-Generating Agents

• arxiv url: http://arxiv.org/abs/2602.06975v1
• Date: Fri, 16 Jan 2026 04:30:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-15 14:54:53.674638
• Title: BiomechAgent: AI-Assisted Biomechanical Analysis Through Code-Generating Agents
• Title（参考訳）: BiomechAgent: コード生成エージェントによるAI支援バイオメカニクス解析
• Authors: R. James Cotton, Thomas Leonard,
• Abstract要約: 本稿では、自然言語による生体力学解析を可能にするコード生成AIエージェントであるBiomechAgentを紹介する。 データ検索,可視化,活動分類,時間的セグメンテーション,臨床推論を対象とするベンチマークを開発した。 生体力学的にインフォームドされたドメイン固有の命令は、ジェネリックプロンプトよりもパフォーマンスを著しく改善した。
• 参考スコア（独自算出の注目度）: 1.1458853556386797
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Markerless motion capture is making quantitative movement analysis increasingly accessible, yet analyzing the resulting data remains a barrier for clinicians without programming expertise. We present BiomechAgent, a code-generating AI agent that enables biomechanical analysis through natural language and allows users to querying databases, generating visualizations, and even interpret data without requiring users to write code. To evaluate BiomechAgent's capabilities, we developed a systematic benchmark spanning data retrieval, visualization, activity classification, temporal segmentation, and clinical reasoning. BiomechAgent achieved robust accuracy on data retrieval and visualization tasks and demonstrated emerging clinical reasoning capabilities. We used our dataset to systematically evaluate several of our design decisions. Biomechanically-informed, domain-specific instructions significantly improved performance over generic prompts, and integrating validated specialized tools for gait event detection substantially boosted accuracy on challenging spatiotemporal analysis where the base agent struggled. We also tested BiomechAgent using a local open-weight model instead of a frontier cloud based LLM and found that perform was substantially diminished in most domains other than database retrieval. In short, BiomechAgent makes the data from accessible motion capture and much more useful and accessible to end users.
• Abstract（参考訳）: マーカーレスモーションキャプチャーは、定量的な動きの分析をますますアクセスしやすくしている。 我々は、自然言語による生体力学解析を可能にするコード生成AIエージェントであるBiomechAgentを提案する。 BiomechAgentの能力を評価するために,データ検索,可視化,活動分類,時間的セグメンテーション,臨床推論を対象とする系統的ベンチマークを開発した。 BiomechAgentは、データ検索と可視化タスクにおいて堅牢な精度を達成し、新たな臨床推論能力を示した。 データセットを使用して、設計決定のいくつかを体系的に評価しました。 バイオメカニカル・インフォームド・ドメイン固有命令はジェネリック・プロンプトよりも性能を著しく向上させ、歩行イベント検出のための検証された特殊ツールの統合は、ベースエージェントが苦労した時空間分析に挑戦する際の精度を大幅に向上させた。 また、フロンティアクラウドベースのLLMの代わりにローカルオープンウェイトモデルを用いてBiomechAgentをテストしたところ、データベース検索以外のほとんどの領域で性能が著しく低下していることが判明した。 簡単に言うと、BiomechAgentは、アクセス可能なモーションキャプチャーのデータを、エンドユーザーにとってずっと便利でアクセスしやすいものにする。

関連論文リスト

• SpatialBench: Can Agents Analyze Real-World Spatial Biology Data? [6.993633248897315]
  本研究では,実践的な空間分析から得られた146の検証可能な問題のベンチマークであるSpatialBenchを紹介する。 各問題は、分析ステップの直前に実験データのスナップショットを提供する。 ベースモデルの精度は依然として低く、強力なモデルタスクとモデルプラットフォーム相互作用がある。
  論文  参考訳（メタデータ） (2025-12-26T07:40:11Z)
• Simple Agents Outperform Experts in Biomedical Imaging Workflow Optimization [69.36509281190662]
  生産レベルのコンピュータビジョンツールを科学データセットに適応させることは、重要な"ラストマイル"ボトルネックである。 我々は、AIエージェントを使ってこの手動コーディングを自動化し、最適なエージェント設計のオープンな問題に焦点を当てる。 簡単なエージェントフレームワークが、人間-専門家のソリューションよりも優れた適応コードを生成することを実証する。
  論文  参考訳（メタデータ） (2025-12-02T18:42:26Z)
• DrugPilot: LLM-based Parameterized Reasoning Agent for Drug Discovery [54.79763887844838]
  大規模言語モデル(LLM)と自律エージェントの統合は、自動推論とタスク実行を通じて科学的発見を促進する大きな可能性を秘めている。 本稿では,薬物発見におけるエンドツーエンド科学のために設計されたパラメータ化推論アーキテクチャを備えたLSMベースのエージェントシステムであるDrarmPilotを紹介する。 DrugPilot は ReAct や LoT のような最先端のエージェントよりも優れており、タスク完了率は98.0%、93.5%、64.0%である。
  論文  参考訳（メタデータ） (2025-05-20T05:18:15Z)
• BixBench: a Comprehensive Benchmark for LLM-based Agents in Computational Biology [4.099098082010236]
  LLM(Large Language Models)とLLMをベースとしたエージェントは、科学研究の加速に大きな期待を示している。 本稿では,バイオインフォマティクスベンチマーク(BixBench)について述べる。 オープンソースのカスタムエージェントフレームワークを用いて,2つのフロンティアLCMの性能評価を行った。
  論文  参考訳（メタデータ） (2025-02-28T18:47:57Z)
• BioAgents: Democratizing Bioinformatics Analysis with Multi-Agent Systems [6.668992155393883]
  我々は,小言語モデルに基づくマルチエージェントシステムを提案し,バイオインフォマティクスデータに基づいて微調整し,検索拡張生成(RAG)により拡張した。 当社のシステムであるBioAgentsは,プロプライエタリなデータを用いたローカル操作とパーソナライズを可能にする。 我々は、概念ゲノミクスのタスクにおいて、人間の専門家に匹敵するパフォーマンスを観察し、コード生成能力を高めるための次のステップを提案する。
  論文  参考訳（メタデータ） (2025-01-10T19:30:59Z)
• BioDiscoveryAgent: An AI Agent for Designing Genetic Perturbation Experiments [112.25067497985447]
  そこで,BioDiscoveryAgentを紹介した。このエージェントは,新しい実験を設計し,その結果の理由を明らかにし,仮説空間を効率的にナビゲートし,望ましい解に到達させる。 BioDiscoveryAgentは、機械学習モデルをトレーニングすることなく、新しい実験を独自に設計することができる。 6つのデータセットで関連する遺伝的摂動を予測することで、平均21%の改善が達成されている。
  論文  参考訳（メタデータ） (2024-05-27T19:57:17Z)
• An Evaluation of Large Language Models in Bioinformatics Research [52.100233156012756]
  本研究では,大規模言語モデル(LLM)の性能について,バイオインフォマティクスの幅広い課題について検討する。 これらのタスクには、潜在的なコーディング領域の同定、遺伝子とタンパク質の命名されたエンティティの抽出、抗微生物および抗がんペプチドの検出、分子最適化、教育生物情報学問題の解決が含まれる。 以上の結果から, GPT 変種のような LLM がこれらのタスクの多くをうまく処理できることが示唆された。
  論文  参考訳（メタデータ） (2024-02-21T11:27:31Z)

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。