論文の概要: Toward Zero-Egress Psychiatric AI: On-Device LLM Deployment for Privacy-Preserving Mental Health Decision Support

• arxiv url: http://arxiv.org/abs/2604.18302v1
• Date: Mon, 20 Apr 2026 14:09:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:52.923734
• Title: Toward Zero-Egress Psychiatric AI: On-Device LLM Deployment for Privacy-Preserving Mental Health Decision Support
• Title（参考訳）: ゼロストレス精神医学的AIに向けて:プライバシ保護型メンタルヘルス意思決定支援のためのオンデバイスLCM展開
• Authors: Eranga Bandara, Asanga Gunaratna, Ross Gore, Anita H. Clayton, Christopher K. Rhea, Sachini Rajapakse, Isurunima Kularathna, Sachin Shetty, Ravi Mukkamala, Xueping Liang, Preston Samuel, Atmaram Yarlagadda,
• Abstract要約: プライバシは、メンタルヘルスケアにおけるAI採用の障壁として最も重要でありながら、最も深刻なもののひとつだ。 既存のAI対応の精神診断支援システムは、クラウドベースの推論パイプラインに依存している。 プライバシ保護型精神科的意思決定支援のためのゼロ・エグレス・オン・デバイスAIプラットフォームを提案する。
• 参考スコア（独自算出の注目度）: 3.560737321459875
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Privacy represents one of the most critical yet underaddressed barriers to AI adoption in mental healthcare -- particularly in high-sensitivity operational environments such as military, correctional, and remote healthcare settings, where the risk of patient data exposure can deter help-seeking behavior entirely. Existing AI-enabled psychiatric decision support systems predominantly rely on cloud-based inference pipelines, requiring sensitive patient data to leave the device and traverse external servers, creating unacceptable privacy and security risks in these contexts. In this paper, we propose a zero-egress, on-device AI platform for privacy-preserving psychiatric decision support, deployed as a cross-platform mobile application. The proposed system extends our prior work on fine-tuned LLM consortiums for psychiatric diagnosis standardization by fundamentally re-architecting the inference pipeline for fully local execution -- ensuring that no patient data is transmitted to, processed by, or stored on any external server at any stage. The platform integrates a consortium of three lightweight, fine-tuned, and quantized open-source LLMs -- Gemma, Phi-3.5-mini, and Qwen2 -- selected for their compact architectures and proven efficiency on resource-constrained mobile hardware. An on-device orchestration layer coordinates ensemble inference and consensus-based diagnostic reasoning, producing DSM-5-aligned assessments for conditions. The platform is designed to assist clinicians with differential diagnosis and evidence-linked symptom mapping, as well as to support patient-facing self-screening with appropriate clinical safeguards. Initial evaluation demonstrates that the proposed zero-egress deployment achieves diagnostic accuracy comparable to its server-side predecessor while sustaining real-time inference latency on commodity mobile hardware.
• Abstract（参考訳）: プライバシーは、特に軍事、矯正、遠隔医療といった高感度な運用環境において、メンタルヘルスにおけるAI導入に対する最も重要で過小評価されていない障壁の1つだ。 既存のAI対応の精神医学的意思決定支援システムは、主にクラウドベースの推論パイプラインに依存しており、デバイスを離れ、外部サーバーを横切るために機密性の高い患者データを必要としており、これらのコンテキストにおいて許容できないプライバシーとセキュリティのリスクを生み出している。 本稿では、クロスプラットフォームなモバイルアプリケーションとしてデプロイされたプライバシー保護精神科的意思決定支援のための、ゼロ・エグレス・オン・デバイスAIプラットフォームを提案する。 提案システムは、完全に局所的な実行のために推論パイプラインを根本的に再構築することで、精神診断標準化のための微調整LDMコンソーシアムに関するこれまでの作業を拡張します。 このプラットフォームは、3つの軽量、微調整、量子化されたオープンソースLCM(Gemma、Phi-3.5-mini、Qwen2)のコンソーシアムを統合している。 オンデバイスオーケストレーション層は、アンサンブル推論とコンセンサスに基づく診断推論をコーディネートし、条件に対するDSM-5のアセスメントを生成する。 このプラットフォームは、臨床医が鑑別診断やエビデンス関連症状のマッピングを行うのを助けるとともに、適切な臨床安全対策を施した患者向けセルフスクリーニングをサポートするように設計されている。 最初の評価では、提案したゼロ・エグレッションは、一般的なモバイルハードウェア上でリアルタイムの推論レイテンシを保ちながら、サーバ側の前身と同等の診断精度を達成することが示されている。

関連論文リスト

• Federated Learning for Privacy-Preserving Medical AI [0.0]
  この論文は,3次元MRIデータを用いたアルツハイマー病分類のためのプライバシ保護フェデレーション学習について検討した。 既存の方法論は、非現実的なデータパーティショニング、不適切なプライバシー保証、不十分なベンチマークに悩まされることが多い。 これらのギャップに対処するために,施設の境界を保った新しいサイト対応データ分割戦略を提案する。
  論文  参考訳（メタデータ） (2026-03-16T20:46:21Z)
• PrivacyBench: Privacy Isn't Free in Hybrid Privacy-Preserving Vision Systems [1.31032910112552]
  私たちはPrivacyBenchというベンチマークフレームワークを紹介しました。 FL + DPの組み合わせは、計算コストとエネルギー消費が大幅に増加する一方、精度は98%から13%に低下する。 我々のフレームワークは、YAMLの自動設定、リソース監視、再現可能なプロトコルを通じて、プライバシ・ユーティリティ・コストのトレードオフを評価するための最初の体系的なプラットフォームを提供する。
  論文  参考訳（メタデータ） (2026-02-21T16:45:56Z)
• SoK: Privacy-aware LLM in Healthcare: Threat Model, Privacy Techniques, Challenges and Recommendations [0.6533091401094101]
  大きな言語モデル(LLM)は、臨床的な意思決定を支援し、患者のケアを強化するために、医療においてますます採用されている。 この研究は、データ前処理、ファインチューニング、推論という3つの中核LSMフェーズにわたる進化する脅威の展望を、現実的な医療環境の中で検証する。 我々は、各フェーズにおける敵、能力、攻撃面を特徴付ける詳細な脅威モデルを提示し、既存のプライバシ保護技術(PPT)がこれらの脆弱性を緩和しようとしているかを体系化する。
  論文  参考訳（メタデータ） (2026-01-15T02:28:57Z)
• Toward an AI Reasoning-Enabled System for Patient-Clinical Trial Matching [0.0]
  本稿では,AI(Artificial Intelligence, 人工知能)による患者と臨床のマッチングのためのセキュアでスケーラブルな概念実証システムを提案する。 このシステムは、人間のループ内レビューを支援する解釈可能な推論チェーンを用いて、構造化された適性評価を生成する。 このシステムは、コーディネータの負担を軽減し、各患者が考慮する治験のセットをインテリジェントに拡大し、すべてのAI出力の総合的な監査性を保証することを目的としている。
  論文  参考訳（メタデータ） (2025-12-08T20:35:51Z)
• The Locally Deployable Virtual Doctor: LLM Based Human Interface for Automated Anamnesis and Database Conversion [0.0]
  MedChatは、AI支援臨床解剖のための、ローカルにデプロイ可能な仮想医師フレームワークである。 既存のクラウドベースシステムとは異なり、この研究は、完全にオフラインで、ローカルにデプロイ可能なLCM拡散フレームワークが臨床解剖に有効であることを示す。
  論文  参考訳（メタデータ） (2025-11-23T22:12:35Z)
• 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)
• MoodAngels: A Retrieval-augmented Multi-agent Framework for Psychiatry Diagnosis [58.67342568632529]
  MoodAngelsは、気分障害の診断のための最初の特殊なマルチエージェントフレームワークである。 MoodSynは、合成精神医学の1,173件のオープンソースデータセットである。
  論文  参考訳（メタデータ） (2025-06-04T09:18:25Z)
• Towards Privacy-aware Mental Health AI Models: Advances, Challenges, and Opportunities [58.61680631581921]
  メンタルヘルス障害は、深い個人的・社会的負担を生じさせるが、従来の診断はリソース集約的でアクセシビリティが制限される。 本稿では、これらの課題を考察し、匿名化、合成データ、プライバシー保護トレーニングを含む解決策を提案する。 臨床的な意思決定をサポートし、メンタルヘルスの結果を改善する、信頼できるプライバシを意識したAIツールを進化させることを目標としている。
  論文  参考訳（メタデータ） (2025-02-01T15:10:02Z)
• MedPerf: Open Benchmarking Platform for Medical Artificial Intelligence using Federated Evaluation [110.31526448744096]
  この可能性を解き明かすには、大規模な異種データに対して医療AIモデルの性能を測定する体系的な方法が必要である、と私たちは主張する。 MedPerfは、医療分野で機械学習をベンチマークするためのオープンフレームワークです。
  論文  参考訳（メタデータ） (2021-09-29T18:09:41Z)

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。