論文の概要: One Panel Does Not Fit All: Case-Adaptive Multi-Agent Deliberation for Clinical Prediction

• arxiv url: http://arxiv.org/abs/2604.00085v1
• Date: Tue, 31 Mar 2026 18:00:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-02 16:44:31.671157
• Title: One Panel Does Not Fit All: Case-Adaptive Multi-Agent Deliberation for Clinical Prediction
• Title（参考訳）: ひとつのパネルがすべてに適合しない: 臨床予測のためのケース適応型マルチエージェント検討
• Authors: Yuxing Lu, Yushuhong Lin, Jason Zhang,
• Abstract要約: 本稿では, CAMP (Case-Adaptive Multi-agent Panel) を提案する。 ハイブリッドルータは、強いコンセンサス、出席医の判断へのフォールバック、または投票数よりも議論品質を重くする証拠に基づく仲裁を通じて、それぞれの診断を指示する。 CAMPは、多くの競合するマルチエージェントメソッドよりも少ないトークンを消費しながら、強力なベースラインを一貫して上回り、投票記録と、透明な決定監査を提供する仲裁トレースを提供する。
• 参考スコア（独自算出の注目度）: 10.760929240872564
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language models applied to clinical prediction exhibit case-level heterogeneity: simple cases yield consistent outputs, while complex cases produce divergent predictions under minor prompt changes. Existing single-agent strategies sample from one role-conditioned distribution, and multi-agent frameworks use fixed roles with flat majority voting, discarding the diagnostic signal in disagreement. We propose CAMP (Case-Adaptive Multi-agent Panel), where an attending-physician agent dynamically assembles a specialist panel tailored to each case's diagnostic uncertainty. Each specialist evaluates candidates via three-valued voting (KEEP/REFUSE/NEUTRAL), enabling principled abstention outside one's expertise. A hybrid router directs each diagnosis through strong consensus, fallback to the attending physician's judgment, or evidence-based arbitration that weighs argument quality over vote counts. On diagnostic prediction and brief hospital course generation from MIMIC-IV across four LLM backbones, CAMP consistently outperforms strong baselines while consuming fewer tokens than most competing multi-agent methods, with voting records and arbitration traces offering transparent decision audits.
• Abstract（参考訳）: 臨床予測に適用された大きな言語モデルは、ケースレベルの不均一性を示す:単純なケースは、一貫した出力を出力し、複雑なケースは、小さな急激な変化の下で分岐予測を生成する。 既存の単一エージェント戦略は、ひとつのロール条件のディストリビューションからサンプリングされ、マルチエージェントフレームワークは、フラットな多数決で固定されたロールを使用して、不一致の診断信号を破棄する。 本稿では, CAMP (Case-Adaptive Multi-agent Panel) を提案する。 各専門家は、3つの評価された投票(KEEP/REFUSE/NEUTRAL)を通じて候補者を評価する。 ハイブリッドルータは、強いコンセンサス、出席医の判断へのフォールバック、または投票数よりも議論品質を重くする証拠に基づく仲裁を通じて、それぞれの診断を指示する。 診断予測と4つのLCMバックボーンでのMIMIC-IVからの短い病院コース生成では、CAMPは強力なベースラインを常に上回り、競合するマルチエージェントメソッドよりもトークンが少ない。

関連論文リスト

• UltrasoundAgents: Hierarchical Multi-Agent Evidence-Chain Reasoning for Breast Ultrasound Diagnosis [14.027321451902734]
  本稿では,UltrasoundAgentsと呼ばれる階層型マルチエージェントフレームワークを提案する。 メインエージェントは、全画像の病変をローカライズし、作物と動物園の操作をトリガーする。 サブエージェントは局所的な視点を分析し、エコー原性パターン、石灰化、境界タイプ、エッジ形態学の4つの臨床的特性を予測する。 メインエージェントは、これらの構造化属性を統合してエビデンスに基づく推論を行い、BI-RADSカテゴリと悪性度予測を出力し、レビュー可能な中間証拠を生成する。
  論文  参考訳（メタデータ） (2026-03-11T15:03:52Z)
• Do Mixed-Vendor Multi-Agent LLMs Improve Clinical Diagnosis? [6.913124180936944]
  多エージェント大言語モデル (LLM) は, 臨床診断に有望なアプローチとして出現している。 単一LLM, 単一ベンダ, 混合ベンダ多エージェント会話(MAC) フレームワークを比較し, ベンダーの多様性の影響について検討する。
  論文  参考訳（メタデータ） (2026-02-14T18:42:58Z)
• 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)
• Learning from Disagreement: A Group Decision Simulation Framework for Robust Medical Image Segmentation [19.530108661940258]
  医用画像のセグメンテーションアノテーションはレーザー間変動(IRV)に悩まされる 専門家ラベルの平均的な基準的アプローチは、意見の相違から明らかな有意義な臨床的不確実性を捨てるため、欠陥がある。 我々は,臨床パネルの協調的意思決定プロセスを模倣して機能するグループ決定シミュレーションフレームワークを,根本的に新しいアプローチで導入する。
  論文  参考訳（メタデータ） (2025-10-12T05:57:48Z)
• MedMMV: A Controllable Multimodal Multi-Agent Framework for Reliable and Verifiable Clinical Reasoning [35.97057940590796]
  MedMMV(MedMMV)は,信頼性・信頼性の高い臨床推論のための多エージェントフレームワークである。 6つの医療ベンチマークでは、MedMMVは最大12.7%の精度向上を実現し、さらに重要な点として信頼性の向上が示されている。
  論文  参考訳（メタデータ） (2025-09-29T05:51:25Z)
• Radiomic fingerprints for knee MR images assessment [39.11295870085984]
  既存の放射線学的アプローチでは、放射線学的特徴の固定セットを使用し、人口レベルで選択され、すべての患者に均一に適用される。 これらのシグネチャは解釈可能であるが、個々の病理学的変異を表現するには制約が多すぎることが多い。 DLモデルにより選択された各患者に対して放射線特徴セット(指紋)を動的に構築する新しい放射線指紋フレームワークを提案する。 既存の放射線検査と異なり, 患者毎の指紋は, 大型放射線検査プールの特徴的関連を予測し, 患者ごとに臨床症状を予測できるもののみを選択することにより, 患者毎の指紋を抽出する。
  論文  参考訳（メタデータ） (2025-06-25T10:39:22Z)
• Silence is Not Consensus: Disrupting Agreement Bias in Multi-Agent LLMs via Catfish Agent for Clinical Decision Making [80.94208848596215]
  提案する概念は「Catfish Agent」である。これは、構造的不満を注入し、無声な合意に反するように設計された役割特化LDMである。 組織心理学において「ナマズ・エフェクト」にインスパイアされたカマズ・エージェントは、より深い推論を促進するために、新たなコンセンサスに挑戦するように設計されている。
  論文  参考訳（メタデータ） (2025-05-27T17:59:50Z)
• XAI for In-hospital Mortality Prediction via Multimodal ICU Data [57.73357047856416]
  マルチモーダルICUデータを用いて病院内死亡率を予測するための,効率的で説明可能なAIソリューションを提案する。 我々は,臨床データから異種入力を受信し,意思決定を行うマルチモーダル・ラーニングを我々のフレームワークに導入する。 我々の枠組みは、医療研究において重要な要素の発見を容易にする他の臨床課題に容易に移行することができる。
  論文  参考訳（メタデータ） (2023-12-29T14:28:04Z)
• Ambiguous Medical Image Segmentation using Diffusion Models [60.378180265885945]
  我々は,グループ洞察の分布を学習することで,複数の可算出力を生成する単一拡散モデルに基づくアプローチを提案する。 提案モデルでは,拡散の固有のサンプリングプロセスを利用してセグメンテーションマスクの分布を生成する。 その結果,提案手法は既存の最先端曖昧なセグメンテーションネットワークよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2023-04-10T17:58:22Z)
• Semi-Supervised Variational Reasoning for Medical Dialogue Generation [70.838542865384]
  医療対話生成には,患者の状態と医師の行動の2つの重要な特徴がある。 医療対話生成のためのエンドツーエンドの変分推論手法を提案する。 行動分類器と2つの推論検出器から構成される医師政策ネットワークは、拡張推論能力のために提案される。
  論文  参考訳（メタデータ） (2021-05-13T04:14:35Z)

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。