論文の概要: MedVerse: Efficient and Reliable Medical Reasoning via DAG-Structured Parallel Execution

• arxiv url: http://arxiv.org/abs/2602.07529v1
• Date: Sat, 07 Feb 2026 12:54:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-10 20:26:24.670388
• Title: MedVerse: Efficient and Reliable Medical Reasoning via DAG-Structured Parallel Execution
• Title（参考訳）: MedVerse: DAG-Structured Parallel Executionによる効果的で信頼性の高い医療推論
• Authors: Jianwen Chen, Xinyu Yang, Peng Xia, Arian Azarang, Yueh Z Lee, Gang Li, Hongtu Zhu, Yun Li, Beidi Chen, Huaxiu Yao,
• Abstract要約: 大規模言語モデル(LLM)は、幅広い医学的推論タスクにおいて、高いパフォーマンスと急速な進歩を示している。 彼らの逐次自己回帰的復号化力は、本質的には、鑑別診断のような平行な臨床推論を単一の線形推論経路に導く。 MedVerseは、医学的推論を並列化可能な非循環グラフ(DAG)プロセスとして再構成する複雑な医学的推論のための推論フレームワークである。
• 参考スコア（独自算出の注目度）: 63.128360383691295
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language models (LLMs) have demonstrated strong performance and rapid progress in a wide range of medical reasoning tasks. However, their sequential autoregressive decoding forces inherently parallel clinical reasoning, such as differential diagnosis, into a single linear reasoning path, limiting both efficiency and reliability for complex medical problems. To address this, we propose MedVerse, a reasoning framework for complex medical inference that reformulates medical reasoning as a parallelizable directed acyclic graph (DAG) process based on Petri net theory. The framework adopts a full-stack design across data, model architecture, and system execution. For data creation, we introduce the MedVerse Curator, an automated pipeline that synthesizes knowledge-grounded medical reasoning paths and transforms them into Petri net-structured representations. At the architectural level, we propose a topology-aware attention mechanism with adaptive position indices that supports parallel reasoning while preserving logical consistency. Systematically, we develop a customized inference engine that supports parallel execution without additional overhead. Empirical evaluations show that MedVerse improves strong general-purpose LLMs by up to 8.9%. Compared to specialized medical LLMs, MedVerse achieves comparable performance while delivering a 1.3x reduction in inference latency and a 1.7x increase in generation throughput, enabled by its parallel decoding capability.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、幅広い医学的推論タスクにおいて、高いパフォーマンスと急速な進歩を示している。 しかし、それらの逐次的自己回帰復号化力は、本質的には、鑑別診断のような平行な臨床推論を単一の線形推論経路に分割し、複雑な医学的問題に対する効率性と信頼性の両方を制限している。 これを解決するために, ペトリネット理論に基づく並列化指向非巡回グラフ(DAG)プロセスとして, 医学推論を再構成する複雑な医学推論のための推論フレームワークであるMedVerseを提案する。 このフレームワークは、データ、モデルアーキテクチャ、システム実行にまたがるフルスタックの設計を採用する。 データ作成には、知識に基づく医学推論パスを合成し、それらをペトリネット構造化表現に変換する自動パイプラインであるMedVerse Curatorを導入する。 アーキテクチャレベルでは,論理的整合性を維持しつつ並列推論をサポートする適応的な位置指標を持つトポロジ対応アテンション機構を提案する。 システム的には、追加のオーバーヘッドを伴わずに並列実行をサポートするカスタマイズされた推論エンジンを開発する。 実証的な評価では、MedVerseは強力な汎用LLMを最大8.9%改善している。 特殊な医療用LLMと比較すると、MedVerseは1.3倍の推論遅延と1.7倍の生成スループットを実現し、並列デコード機能によって同等のパフォーマンスを実現している。

関連論文リスト

• A Federated and Parameter-Efficient Framework for Large Language Model Training in Medicine [59.78991974851707]
  大規模言語モデル(LLM)は、質問応答や診断など、医療ベンチマークにおいて強力なパフォーマンスを示している。 ほとんどの医療用LDMは、異種システムの一般化性と安全性の制限に直面している単一の機関のデータに基づいて訓練されている。 本稿では, LLMを医療応用に適用するためのモデルに依存しない, パラメータ効率のよいフェデレーション学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-29T18:48:21Z)
• PathReasoner-R1: Instilling Structured Reasoning into Pathology Vision-Language Model via Knowledge-Guided Policy Optimization [6.821738567680833]
  PathReasonerは,WSI推論の最初の大規模データセットである。 PathReasoner-R1は、教師付き微調整と推論指向の強化学習を相乗し、構造化されたチェーン・オブ・シント機能を注入する。 実験により、PathReasoner-R1はPathReasonerと公開ベンチマークの両方で、様々な画像スケールで最先端のパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2026-01-29T12:21:16Z)
• M3CoTBench: Benchmark Chain-of-Thought of MLLMs in Medical Image Understanding [66.78251988482222]
  CoT(Chain-of-Thought)推論は、ステップバイステップの中間推論を奨励することによって、大規模言語モデルの強化に有効であることが証明されている。 医用画像理解のための現在のベンチマークでは、推論パスを無視しながら最終回答に重点を置いている。 M3CoTBenchは、透明で信頼性が高く、診断的に正確な医療用AIシステムの開発を促進することを目的としている。
  論文  参考訳（メタデータ） (2026-01-13T17:42:27Z)
• MedDCR: Learning to Design Agentic Workflows for Medical Coding [55.51674334874892]
  医療符号化は、フリーテキスト臨床ノートを標準化された診断および手続きコードに変換する。 本稿では,設計を学習問題として扱うクローズドループフレームワークであるMedDCRを提案する。 ベンチマークデータセットでは、MedDCRは最先端のベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-11-17T13:30:51Z)
• MedAlign: A Synergistic Framework of Multimodal Preference Optimization and Federated Meta-Cognitive Reasoning [52.064286116035134]
  我々はMed-VQA(Med-VQA)のための視覚的LVLM応答を保証するフレームワークであるMedAlignを開発した。 まず、優先学習を視覚的コンテキストに合わせるために、マルチモーダルな直接選好最適化(mDPO)の目的を提案する。 次に、画像とテキストの類似性を生かし、クエリを専門的でコンテキスト拡張されたLVLMにルーティングする検索型混合処理(RA-MoE)アーキテクチャを設計する。
  論文  参考訳（メタデータ） (2025-10-24T02:11:05Z)
• MedLA: A Logic-Driven Multi-Agent Framework for Complex Medical Reasoning with Large Language Models [26.152027922514957]
  textscMedLAは、大規模な言語モデル上に構築されたロジック駆動のマルチエージェントフレームワークである。 エージェントはグラフ誘導の議論を行い、論理木を比較して反復的に洗練する。 textscMedLAは静的ロールベースシステムと単一エージェントベースラインの両方を一貫して上回っていることを実証する。
  論文  参考訳（メタデータ） (2025-09-28T08:06:39Z)
• MedCoT-RAG: Causal Chain-of-Thought RAG for Medical Question Answering [4.285647375182588]
  大規模言語モデル (LLM) は医学的な疑問に答える上で有望であるが、幻覚や浅い推論に苦しむことが多い。 Retrieval-augmented Generation (RAG)は、外部の医療知識でLSMを強化するための実用的でプライバシー保護の手段を提供する。 MedCoT-RAGは、因果認識ドキュメント検索と構造化チェーン・オブ・シークレット・プロンプトを組み合わせたドメイン固有フレームワークである。
  論文  参考訳（メタデータ） (2025-08-20T05:43:26Z)
• Tree-of-Reasoning: Towards Complex Medical Diagnosis via Multi-Agent Reasoning with Evidence Tree [14.013981070330153]
  複雑なシナリオを扱うために設計された新しいマルチエージェントフレームワークであるTree-of-Reasoning (ToR)を提案する。 具体的には、大規模言語モデル(LLM)の推論経路とそれに対応する臨床証拠を明確に記録できるツリー構造を導入する。 同時に,マルチエージェント意思決定の整合性を確保するためのクロスバリデーション機構を提案する。
  論文  参考訳（メタデータ） (2025-08-05T03:31:28Z)

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。