論文の概要: From Synthesis to Clinical Assistance: A Strategy-Aware Agent Framework for Autism Intervention based on Real Clinical Dataset
- arxiv url: http://arxiv.org/abs/2605.02916v1
- Date: Thu, 09 Apr 2026 03:28:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-11 06:56:26.519028
- Title: From Synthesis to Clinical Assistance: A Strategy-Aware Agent Framework for Autism Intervention based on Real Clinical Dataset
- Title（参考訳）: 合成から臨床支援へ:実際の臨床データに基づく自閉症予防のための戦略対応エージェントフレームワーク
- Authors: Junhong Lai, Shuzhong Lai, Yanhao Yu, Wanlin Chen, Chenyu Yan, Haifeng Li, Lin Yao, Yueming Wang,
- Abstract要約: textscASDAgentは、高忠実度介入対話合成と臨床決定支援を統合するために設計された戦略対応フレームワークである。
実際の自閉症介入では、textscASDAgentは人間の専門家と80%近い戦略的整合性を達成する。
- 参考スコア（独自算出の注目度）: 5.158237631119026
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The development of AI-assisted Early Intensive Behavioral Intervention (EIBI) for Autism Spectrum Disorder (ASD) is severely constrained by data scarcity. Furthermore, while Applied Behavior Analysis (ABA) serves as the gold standard for clinical intervention, general-purpose Large Language Models (LLMs) struggle to strictly adhere to its standardized procedures, often resulting in interactions that are linguistically fluent but strategically inconsistent. To address these challenges, we introduce \textsc{ASDAgent}, a strategy-aware framework designed to unify high-fidelity intervention dialogue synthesis and clinical decision support. \textsc{ASDAgent} incorporates two specialized components to solve distinct problems: (i) a \textsc{DoctorAgent} equipped with an Observe-Think-Act-Correct (O-T-A-C) reasoning loop, which resolves the issue of strategy collapse in LLMs by making ABA execution explicit and controllable; and (ii) a \textsc{ChildAgent} that utilizes probabilistic behavior modeling to mitigate data homogeneity, simulating diverse and non-deterministic ASD response patterns. Experiments demonstrate that dialogues generated by \textsc{ASDAgent} closely mirror the strategy distribution of human therapists (KL divergence: 0.083). In real autism intervention, \textsc{ASDAgent} achieves nearly 80\% strategic consistency with human experts. Moreover, we show that synthetic data produced by \textsc{ASDAgent} effectively distills professional clinical knowledge into small language models (SLMs), significantly enhancing their therapeutic capabilities.
- Abstract（参考訳）: 自閉症スペクトラム障害(ASD)に対するAI支援早期集中行動介入(EIBI)の開発は、データ不足によって厳しく制限されている。
さらに、応用行動分析(ABA)が臨床介入の金の標準となっているのに対し、汎用大規模言語モデル(LLM)は標準化された手続きを厳格に遵守することに苦慮し、しばしば言語学的に流動的であるが戦略的に矛盾する相互作用をもたらす。
これらの課題に対処するために,高忠実度介入対話と臨床意思決定支援を統合化するための戦略対応フレームワークである‘textsc{ASDAgent} を導入する。
\textsc{ASDAgent} には2つの特別なコンポーネントが組み込まれている。
i) ABA の実行を明示的かつ制御可能にすることで LLM における戦略崩壊の問題を解消する Observe-Think-Act-Correct (O-T-A-C) 推論ループを備えた \textsc{DoctorAgent}
i) 確率的振る舞いモデリングを利用してデータの均一性を緩和し、多種多様な非決定論的ASD応答パターンをシミュレートする「textsc{ChildAgent}」。
実験により, textsc{ASDAgent} が生成する対話は, ヒトセラピストの戦略分布(KL発散:0.083)を密接に反映していることが示された。
実際の自閉症介入では、 \textsc{ASDAgent} は人間の専門家と80%近い戦略的整合性を達成する。
さらに, <textsc{ASDAgent} が生成する合成データは, 専門的臨床知識を小言語モデル (SLM) に効果的に蒸留し, その治療能力を大幅に向上させることを示した。
関連論文リスト
- Cross-Linguistic Persona-Driven Data Synthesis for Robust Multimodal Cognitive Decline Detection [20.599682298329213]
我々は、制御可能なゼロショットマルチモーダルデータ合成とChain-of-Thought deductionファインチューニングを統合する新しいフレームワークであるSynCogを紹介する。
この生成パラダイムは、様々な言語にまたがる臨床コーパスの迅速でゼロショット展開を可能にする。
ADReSSとADReSSoベンチマークの実験は、限られた臨床データを合成表現型で増強することで、競争力のある診断性能が得られることを示した。
論文 参考訳（メタデータ） (2026-02-08T14:10:05Z) - MedSAM-Agent: Empowering Interactive Medical Image Segmentation with Multi-turn Agentic Reinforcement Learning [53.37068897861388]
MedSAM-Agentは、対話的なセグメンテーションを多段階の自律的な意思決定プロセスとして再構築するフレームワークである。
マルチターン・エンド・ツー・エンドの成果検証を統合した2段階のトレーニングパイプラインを開発した。
6つの医療モダリティと21のデータセットにわたる実験は、MedSAM-Agentが最先端のパフォーマンスを達成することを示す。
論文 参考訳（メタデータ） (2026-02-03T09:47:49Z) - CureAgent: A Training-Free Executor-Analyst Framework for Clinical Reasoning [23.353757415071104]
Executor-Analyst Frameworkは、臨床推論のセマンティックロバスト性からツール実行の構文的精度を分離するモジュラーアーキテクチャである。
提案手法は,手頃なエンドツーエンドのファインタニングを必要とせずに,CURE-Bench上で最先端のパフォーマンスを実現することを目的としている。
論文 参考訳（メタデータ） (2025-12-05T09:56:58Z) - Causal Reinforcement Learning based Agent-Patient Interaction with Clinical Domain Knowledge [3.2434118923825483]
強化学習(RL)は、データが不足している認知症ケアなど、適応的な医療介入において重大な課題に直面している。
本稿では、因果発見と推論をポリシー最適化に明示的に統合する、因果構造対応強化学習(CRL)と呼ばれる新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2025-11-17T22:38:03Z) - A Semantic Framework for Patient Digital Twins in Chronic Care [0.0]
患者医療デジタルツイン(PMDT)は、生理的、精神社会的、行動的、ゲノム的な情報をコヒーレントなモデルに統合する。
PMDTはセマンティック・インターオペラビリティを確保し、自動推論をサポートし、さまざまな臨床コンテキストでの再利用を可能にする。
データ断片化とセマンティック標準化のギャップを埋めることによって、PMDTは、次世代デジタルヘルスエコシステムの検証された基盤を提供する。
論文 参考訳（メタデータ） (2025-10-10T08:34:55Z) - Automated Clinical Problem Detection from SOAP Notes using a Collaborative Multi-Agent LLM Architecture [8.072932739333309]
我々は,このギャップに対処するために,臨床相談チームをモデル化する共同マルチエージェントシステム(MAS)を導入する。
このシステムは、SOAPノートの主観的(S)および目的的(O)セクションのみを分析することによって、臨床上の問題を特定する。
マネージャエージェントは、階層的で反復的な議論に従事し、合意に達するために、動的に割り当てられた専門家エージェントのチームを編成する。
論文 参考訳（メタデータ） (2025-08-29T17:31:24Z) - 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) - Detecting Neurocognitive Disorders through Analyses of Topic Evolution and Cross-modal Consistency in Visual-Stimulated Narratives [83.15653194899126]
神経認知障害(NCD)の早期発見は、時間的介入と疾患管理に不可欠である。
現在のVSNベースのNCD検出法は主にボトムアップ、刺激駆動認知プロセスと密接に結びついている言語マイクロ構造に焦点を当てている。
本稿では,話題の時間的変化を追跡する動的トピックモデル(DTM)と,物語と視覚刺激の相互整合性を測定するテキスト画像時間アライメントネットワーク(TITAN)の2つの新しいマクロ構造手法を提案する。
論文 参考訳（メタデータ） (2025-01-07T12:16:26Z) - LlaMADRS: Prompting Large Language Models for Interview-Based Depression Assessment [75.44934940580112]
LlaMADRSは、オープンソースのLarge Language Models(LLM)を利用して、うつ病の重症度評価を自動化する新しいフレームワークである。
本研究は,クリニカルインタヴューの解釈・スコアリングにおけるモデル指導のために,慎重に設計された手がかりを用いたゼロショットプロンプト戦略を用いている。
実世界における236件のインタビューを対象とし,臨床評価と強い相関性を示した。
論文 参考訳（メタデータ） (2025-01-07T08:49:04Z) - Automating Intervention Discovery from Scientific Literature: A Progressive Ontology Prompting and Dual-LLM Framework [56.858564736806414]
本稿では,大規模言語モデル(LLM)を利用した科学文献の介入の同定手法を提案する。
言語病理領域における64,177論文のコーパスから,2,421件の介入が得られた。
論文 参考訳（メタデータ） (2024-08-20T16:42:23Z) - Leveraging Pretrained Representations with Task-related Keywords for
Alzheimer's Disease Detection [69.53626024091076]
アルツハイマー病(AD)は高齢者に特に顕著である。
事前学習モデルの最近の進歩は、AD検出モデリングを低レベル特徴から高レベル表現にシフトさせる動機付けとなっている。
本稿では,高レベルの音響・言語的特徴から,より優れたAD関連手がかりを抽出する,いくつかの効率的な手法を提案する。
論文 参考訳（メタデータ） (2023-03-14T16:03:28Z)
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。