Fugu-MT 論文翻訳(概要): Uncertainty-Guided Latent Diagnostic Trajectory Learning for Sequential Clinical Diagnosis

論文の概要: Uncertainty-Guided Latent Diagnostic Trajectory Learning for Sequential Clinical Diagnosis

arxiv url: http://arxiv.org/abs/2604.05116v1
Date: Mon, 06 Apr 2026 19:21:56 GMT
ステータス: 翻訳完了
システム内更新日: 2026-04-08 17:42:09.462678
Title: Uncertainty-Guided Latent Diagnostic Trajectory Learning for Sequential Clinical Diagnosis
Title（参考訳）: シークエンシャルな臨床診断のための不確実性ガイド付き潜在性診断軌跡学習
Abstract要約: 臨床診断には、不確実性の下でのシーケンシャルな証拠取得が必要である。ほとんどのLarge Language Model (LLM) ベースの診断システムは、完全に観察された患者情報を前提としている。我々は、遅延診断軌道学習フレームワークとしてシーケンシャル診断を定式化する。
参考スコア（独自算出の注目度）: 30.87842656331004
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Clinical diagnosis requires sequential evidence acquisition under uncertainty. However, most Large Language Model (LLM) based diagnostic systems assume fully observed patient information and therefore do not explicitly model how clinical evidence should be sequentially acquired over time. Even when diagnosis is formulated as a sequential decision process, it is still challenging to learn effective diagnostic trajectories. This is because the space of possible evidence-acquisition paths is relatively large, while clinical datasets rarely provide explicit supervision information for desirable diagnostic paths. To this end, we formulate sequential diagnosis as a Latent Diagnostic Trajectory Learning (LDTL) framework based on a planning LLM agent and a diagnostic LLM agent. For the diagnostic LLM agent, diagnostic action sequences are treated as latent paths and we introduce a posterior distribution that prioritizes trajectories providing more diagnostic information. The planning LLM agent is then trained to follow this distribution, encouraging coherent diagnostic trajectories that progressively reduce uncertainty. Experiments on the MIMIC-CDM benchmark demonstrate that our proposed LDTL framework outperforms existing baselines in diagnostic accuracy under a sequential clinical diagnosis setting, while requiring fewer diagnostic tests. Furthermore, ablation studies highlight the critical role of trajectory-level posterior alignment in achieving these improvements.
Abstract（参考訳）: 臨床診断には、不確実性の下でのシーケンシャルな証拠取得が必要である。しかし,ほとんどのLarge Language Model (LLM) ベースの診断システムは,完全に観察された患者情報を前提としており,臨床証拠を経時的に取得する方法を明示的にモデル化するものではない。診断を逐次決定プロセスとして定式化しても,効果的な診断軌道の学習は依然として困難である。これは、エビデンス獲得経路の空間が比較的大きいためであり、臨床データセットが望ましい診断経路に対して明確な監視情報を提供することは滅多にない。この目的のために、計画的LLMエージェントと診断的LLMエージェントに基づいて、遅延診断軌道学習(LDTL)フレームワークとしてシーケンシャルな診断を定式化する。診断用LDM剤では, 診断行動シーケンスを遅延経路として扱い, より多くの診断情報を提供する軌跡を優先する後部分布を導入する。計画LDMエージェントは、この分布に従うように訓練され、不確実性を徐々に減少させるコヒーレントな診断軌道が促進される。 MIMIC-CDM ベンチマーク実験により, LDTL フレームワークは診断精度において, 診断精度が向上し, 診断検査は少なくなった。さらに、アブレーション研究は、これらの改善を達成する上での軌跡レベルの後方アライメントの重要な役割を強調している。

関連論文リスト

EviDx: Evidence-Aware Active Diagnosis with Scaffolded LLM Agents [13.21048121687754]
我々はエビデンスを意識したアクティブ診断フレームワークであるEviDxを紹介する。患者固有の診断環境と、臨床診断の足場と、観察者向けランタイムハーネスを組み合わせます。 EviDxは、モデルに依存した機能境界を明らかにしながら、診断性能とプロセス安定性を改善する。
論文参考訳（メタデータ） (2026-08-25T13:54:30Z)
CDEG: Learning Decision-Critical Evidence for Long-Horizon Diagnostic Agents [21.40725112789917]
筆者らは,過去の診断軌跡から再利用可能な決定クリティカルな証拠を学習するグラフベースのフレームワークCDEGを紹介する。我々はCDEGが診断性能を継続的に改善し、バニラ剤よりも11.5%の精度向上を実現していることを示す。
論文参考訳（メタデータ） (2026-08-24T07:30:22Z)
Evaluating Multi-Turn Multimodal Diagnostic Reasoning on Challenging Real-World Clinical Cases [59.5328455571863]
ClinMM-Benchは、これまでで最大のマルチターンマルチモーダル臨床診断評価ベンチマークである。実際の患者は1,089件、医療画像は3,760件、専門は8件。プロプライエタリモデルでは診断精度が最も高かったが、正確な診断の割合は限られていた。
論文参考訳（メタデータ） (2026-07-28T16:19:03Z)
MultiDx: A Multi-Source Knowledge Integration Framework towards Diagnostic Reasoning [66.94527468532843]
2段階の診断推論フレームワークであるMultiDxを提案する。まず Web 検索,SOAP 形式の症例,臨床症例データベースから知識を活用することにより,疑わしい診断と推論経路を生成する。そして、マッチング、投票、および差分診断を通じて、複数のパースペクティブエビデンスを統合し、最終的な予測を生成する。
論文参考訳（メタデータ） (2026-04-27T08:46:29Z)
MedClarify: An information-seeking AI agent for medical diagnosis with case-specific follow-up questions [26.936554184582096]
我々は,情報探索のためのAIエージェントであるMedClarifyを紹介し,反復推論のためのフォローアップ質問を生成する。具体的には、MedClarifyは、鑑別診断に類似した候補診断のリストを計算し、積極的にフォローアップ質問を生成する。
論文参考訳（メタデータ） (2026-02-19T12:19:12Z)
Timely Clinical Diagnosis through Active Test Selection [49.091903570068155]
本稿では,現実の診断推論をよりうまくエミュレートするためのACTMED (Adaptive Clinical Test selection via Model-based Experimental Design)を提案する。 LLMは柔軟なシミュレータとして機能し、構造化されたタスク固有のトレーニングデータを必要とせずに、患者状態のもっともらしい分布を生成し、信念の更新をサポートする。我々は、実世界のデータセット上でACTMEDを評価し、診断精度、解釈可能性、リソース使用量を改善するためにテスト選択を最適化できることを示す。
論文参考訳（メタデータ） (2025-10-21T18:10:45Z)
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)
End-to-End Agentic RAG System Training for Traceable Diagnostic Reasoning [52.12425911708585]
Deep-DxSearchは、強化学習(RL)でエンドツーエンドに訓練されたエージェントRAGシステムである。 Deep-DxSearchでは,患者記録と信頼性のある医療知識情報を含む大規模医療検索コーパスを構築した。実験により、エンドツーエンドのRLトレーニングフレームワークは、プロンプトエンジニアリングやトレーニングフリーなRAGアプローチよりも一貫して優れています。
論文参考訳（メタデータ） (2025-08-21T17:42:47Z)
Improving Interactive Diagnostic Ability of a Large Language Model Agent Through Clinical Experience Learning [17.647875658030006]
本研究では,性能劣化現象の根底にあるメカニズムについて検討する。我々は,中国とアメリカの医療施設から350万件以上の電子医療記録を活用する,PPME ( Plug-and-play) LLM エージェントを開発した。本研究は, 初期疾患の診断・調査のための専門モデルを統合し, 指導的, 強化的学習技術を用いて訓練した。
論文参考訳（メタデータ） (2025-02-24T06:24:20Z)
MSDiagnosis: A Benchmark for Evaluating Large Language Models in Multi-Step Clinical Diagnosis [8.641421154025211]
われわれはMSDiagnosisと呼ばれる中国の臨床診断基準を提案する。このベンチマークは12の部門から2,225のケースで構成され、一次診断、鑑別診断、最終診断などのタスクをカバーする。
論文参考訳（メタデータ） (2024-08-19T14:31:57Z)
Towards Reducing Diagnostic Errors with Interpretable Risk Prediction [18.474645862061426]
特定診断のリスクの増大または低下を示す患者EHRデータ中の証拠片をLCMを用いて同定する方法を提案する。私たちの究極の目標は、証拠へのアクセスを増やし、診断エラーを減らすことです。
論文参考訳（メタデータ） (2024-02-15T17:05:48Z)
Inheritance-guided Hierarchical Assignment for Clinical Automatic Diagnosis [50.15205065710629]
臨床診断は、臨床ノートに基づいて患者に診断符号を割り当てることを目的としており、臨床意思決定において重要な役割を担っている。本稿では,臨床自動診断のための継承誘導階層と共起グラフの伝播を組み合わせた新しい枠組みを提案する。
論文参考訳（メタデータ） (2021-01-27T13:16:51Z)

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。