Fugu-MT 論文翻訳(概要): A Discordance-Aware Multimodal Framework with Multi-Agent Clinical Reasoning

論文の概要: A Discordance-Aware Multimodal Framework with Multi-Agent Clinical Reasoning

arxiv url: http://arxiv.org/abs/2604.16333v1
Date: Thu, 12 Mar 2026 21:07:11 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-04 02:32:13.898054
Title: A Discordance-Aware Multimodal Framework with Multi-Agent Clinical Reasoning
Title（参考訳）: マルチエージェント・クリニカル推論を用いた不協和性を考慮したマルチモーダル・フレームワーク
Authors: Pegah Ahadian, Mingrui Yang, Sixu Chen, Xiaojuan Li, Qiang Guan,
Abstract要約: 変形性膝関節症は、画像で観察される構造的損傷と、痛みなどの患者に報告された症状とが一致しないことが多い。本稿では,機械学習予測モデルとツール基底型マルチエージェント推論システムを組み合わせた不一致認識型マルチモーダルフレームワークを提案する。
参考スコア（独自算出の注目度）: 5.675348355722554
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Knee osteoarthritis frequently exhibits discordance between structural damage observed in imaging and patient-reported symptoms such as pain. This mismatch complicates clinical interpretation and patient stratification and remains insufficiently modeled in existing decision support systems. We propose a discordance aware multimodal framework that combines machine learning prediction models with a tool grounded multi agent reasoning system. Using baseline data from the FNIH Osteoarthritis Biomarkers Consortium, we trained multimodal models to predict two progression tasks, joint space loss only progression versus non progression, and pain only progression versus non progression. The predictive system integrates three modality specific experts: a CatBoost tabular model using demographic, radiographic, MRI-derived scalar, and biomarker features; MRI image embeddings extracted using a ResNet18 backbone; and Xray embeddings derived from the same architecture. Expert predictions are fused using a stacking ensemble. Residual based models estimate expected pain from structural features, enabling the computation of a pain structure discordance score between observed and expected symptoms. A multi-agent reasoning layer interprets these signals to assign clinically interpretable OA phenotypes and generate phenotype specific management recommendations.
Abstract（参考訳）: 変形性膝関節症は、画像で観察される構造的損傷と、痛みなどの患者に報告された症状とが一致しないことが多い。このミスマッチは、臨床解釈と患者層化を複雑にし、既存の意思決定支援システムでは十分にモデル化されていない。本稿では,機械学習予測モデルとツール基底型マルチエージェント推論システムを組み合わせた不一致認識型マルチモーダルフレームワークを提案する。 The FNIHartharthritis Biomarkers Consortiumのベースラインデータを用いて,2つの進行タスク,関節空間の喪失と非進行,痛みのみの進行と非進行を予測するマルチモーダルモデルを訓練した。予測システムは、人口統計学、ラジオグラフィー、MRI由来のスカラー、バイオマーカー特徴を用いたCatBoostタブラモデル、ResNet18バックボーンを用いて抽出されたMRI画像の埋め込み、同じアーキテクチャから派生したX線埋め込みの3つのモード特異的専門家を統合する。専門家の予測は積み重ねアンサンブルを使って融合される。残差に基づくモデルでは、構造的特徴から期待される痛みを推定し、観察された症状と期待された症状の間の痛み構造不一致スコアの計算を可能にする。マルチエージェント推論層は、これらのシグナルを解釈し、臨床的に解釈可能なOA表現型を割り当て、表現型特異的な管理レコメンデーションを生成する。

関連論文リスト

Toward Personalized Digital Twins for Cognitive Decline Assessment: A Multimodal, Uncertainty-Aware Framework [0.2566571621858396]
PCD-DTフレームワークは、神経変性疾患におけるシリコモデリングをパーソナライズするための原則的な出発点を提供する。本研究は,PCD-DTを臨床展開性,不確実性を考慮したデジタル双生児システムに向けた基礎的なステップとして位置づける。
論文参考訳（メタデータ） (2026-04-29T21:40:55Z)
Handling and Interpreting Missing Modalities in Patient Clinical Trajectories via Autoregressive Sequence Modeling [24.896312231457653]
我々は、安全で透明な臨床AIの標準的デシプラタムに対処しながら、欠落したモダリティをプロファイルし、対処するためのフレームワークを開発する。変換器ベースアーキテクチャを用いた自己回帰シーケンスモデリングはMIMIC-IVおよびeICUファインチューニングベンチマークのベースラインよりも優れていることを示す。
論文参考訳（メタデータ） (2026-04-20T18:55:56Z)
Delving Aleatoric Uncertainty in Medical Image Segmentation via Vision Foundation Models [56.29123284262618]
本研究は,視覚基盤モデルの普遍的表現能力を生かして固有データ不確実性を推定することを提案する。モデルのデコード表現の特徴の多様性を分析し,その特異値エネルギーを定量化し,各クラスに対する意味知覚尺度を定義する。この基礎に基づいて,本研究は,(1)潜在的にノイズの多いサンプルを排除し,モデル学習品質を向上させるためのアレータリック不確実性認識データフィルタリング機構,(2)意味認識尺度に基づくトレーニング中にクラス固有の損失重みを適応的に調整する動的不確実性認識最適化戦略,およびトレーニング安定性を向上させるラベル認知機構の2つの不確実性駆動型アプリケーション戦略を設計する。
論文参考訳（メタデータ） (2026-04-13T03:59:54Z)
A multimodal vision foundation model for generalizable knee pathology [40.03838145472935]
筋骨格障害は、医療画像の正確な解釈に対する緊急の要求である。現在の整形外科における人工知能のアプローチは、タスク固有の教師あり学習パラダイムに依存している。筋骨格病理学に最適化されたマルチモーダル視覚基盤モデルOrthoFoundationを紹介する。
論文参考訳（メタデータ） (2026-01-26T08:14:51Z)
Clinical NLP with Attention-Based Deep Learning for Multi-Disease Prediction [44.0876796031468]
本稿では,電子健康記録テキストの非構造的性質と高次元意味論的複雑さがもたらす課題について論じる。情報抽出と多ラベル病予測のための統合モデリングを実現するために,注意機構に基づく深層学習手法を提案する。
論文参考訳（メタデータ） (2025-07-02T07:45:22Z)
Going beyond explainability in multi-modal stroke outcome prediction models [0.0]
我々は、xAI法であるGrad-CAMとOcclusionをマルチモーダル、部分的に解釈可能なディープトランスフォーメーションモデル(dTM)に適用する。 DTMは,曲線(AUC)の値が0.8に近い領域で,最先端の予測性能を実現する。前頭葉などの重要な脳領域が強調された機能的結果のための脳画像dTMから算出した説明地図。
論文参考訳（メタデータ） (2025-04-07T09:56:16Z)
Patch-based Intuitive Multimodal Prototypes Network (PIMPNet) for Alzheimer's Disease classification [3.144057505325736]
部分プロトタイプニューラルネットワークは、Deep Learning(DL)の計算上の利点を解釈可能な設計アーキテクチャに統合する。 PIMPNetは3D sMRIと患者の年齢からアルツハイマー病(AD)のバイナリ分類に適用された3D画像と人口統計の解釈可能な最初のマルチモーダルモデルである。
論文参考訳（メタデータ） (2024-07-19T12:58:18Z)
PheME: A deep ensemble framework for improving phenotype prediction from multi-modal data [42.56953523499849]
PheMEは, 構造化EHRのマルチモーダルデータを用いたアンサンブル・フレームワークであり, 非構造化臨床ノートを用いて, 正確なフェノタイプ予測を行う。我々はアンサンブル学習を活用し、単一モーダルモデルと多モーダルモデルからの出力を組み合わせて表現型予測を改善する。
論文参考訳（メタデータ） (2023-03-19T23:41:04Z)
Deep Co-Attention Network for Multi-View Subspace Learning [73.3450258002607]
マルチビューサブスペース学習のための深層コアテンションネットワークを提案する。共通情報と相補情報の両方を敵意で抽出することを目的としている。特に、新しいクロス再構成損失を使用し、ラベル情報を利用して潜在表現の構築を誘導する。
論文参考訳（メタデータ） (2021-02-15T18:46:44Z)
G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for Biomarker Identification and Disease Classification [49.53651166356737]
診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。 2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
論文参考訳（メタデータ） (2021-01-27T19:28:04Z)

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。