論文の概要: Healthcare AI GYM for Medical Agents
- arxiv url: http://arxiv.org/abs/2605.02943v1
- Date: Fri, 01 May 2026 10:11:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-06 19:35:43.523932
- Title: Healthcare AI GYM for Medical Agents
- Title（参考訳）: 医療エージェントのための医療AI GYM
- Authors: Minbyul Jeong,
- Abstract要約: 本稿では,体育館互換環境である体育館に構築された医療AIのための多ターンエージェントRLに関する総合的研究について述べる。
分析の結果,エージェント的多ターン構造は冗長な単ターンモノローグに分解することが明らかとなった。
トレーニング効率と安定性を向上させるため,Turn-level Truncated On-Policy Distillation (TT-OPD)を提案する。
- 参考スコア（独自算出の注目度）: 2.3677513428867614
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Clinical reasoning demands multi-step interactions -- gathering patient history, ordering tests, interpreting results, and making safe treatment decisions -- yet a unified training environment provides the breadth of clinical domains and specialized tools to train generalizable medical AI agents through reinforcement learning remains elusive. We present a comprehensive empirical study of multi-turn agentic RL for medical AI, built on \gym{}, a gymnasium-compatible environment spanning 10 clinical domains with 3.6K+ tasks, 135 domain-specific tools, and a knowledge base of 828K medical passages. Our analysis reveals that agentic multi-turn structure degrades into verbose single-turn monologues, characterized by monotonic length explosion and a simultaneous erosion of tool-use frequency. We characterize how this collapse, alongside distillation instability, stems from the misalignment of sparse terminal rewards with sequential clinical trajectories. We find that vanilla GRPO achieves strong final accuracy on some benchmarks but suffers from training instability, evidenced by significant oscillations in response length and prolonged convergence periods. To improve training efficiency and stability, we propose Turn-level Truncated On-Policy Distillation (TT-OPD), a self-distillation framework where a gradient-free EMA teacher leverages outcome-privileged information to provide dense, outcome-aware KL regularization at every conversation turn. TT-OPD achieves the best performance on 10 of 18 benchmarks with an average +3.9~pp improvement over the non-RL baseline with faster early convergence, controlled response length, and sustained multi-turn tool use.
- Abstract（参考訳）: 臨床理由付けには、患者履歴の収集、検査の順序付け、結果の解釈、安全な治療決定など、多段階にわたる相互作用が要求されるが、統合されたトレーニング環境は、臨床領域の広さと、強化学習を通じて一般的な医療AIエージェントを訓練するための専門的なツールを提供する。
本稿では,医療用AI用マルチターンエージェントRLの総合的研究を行い,3.6K以上のタスクと135のドメイン固有のツールと,828Kの医療パスの知識ベースを備えた10の臨床ドメインにまたがる体育館互換環境である \gym{} 上に構築した。
分析の結果,エージェント多ターン構造は単調長の爆発と工具使用頻度の同時浸食を特徴とし,冗長な単ターンモノローグに分解することが明らかとなった。
本研究は, この崩壊が, 蒸留不安定性とともに, 連続的な臨床的軌跡によるスパース終末報酬の誤調整に起因していることを特徴付ける。
バニラGRPOはいくつかのベンチマークにおいて強い最終精度を達成できるが, 応答長や収束期間の長大な振動により, トレーニング不安定性に悩まされている。
学習効率と安定性を向上させるために, 勾配のないEMA教師が, 発声情報を活用して, 発声毎の高密度かつ結果対応のKL正規化を実現する自己蒸留フレームワークであるTurn-level Truncated On-Policy Distillation (TT-OPD)を提案する。
TT-OPDは18ベンチマーク中10ベンチマークにおいて、より高速な早期収束、制御された応答長、持続的なマルチターンツールの使用により、RLベースラインよりも平均+3.9〜pp向上した。
関連論文リスト
- Benchmarking Multi-turn Medical Diagnosis: Hold, Lure, and Self-Correction [72.89352076103889]
大規模言語モデル (LLM) は, 臨床情報がすべて一ターンで提供される場合に, 高い精度で診断を行う。
1,035例からなる高忠実多ターン診断ベンチマークであるMINTを導入する。
診断決定に大きな影響を及ぼす3つの永続的な行動パターンを明らかにする。
論文 参考訳（メタデータ） (2026-04-06T00:23:10Z) - Cerebra: A Multidisciplinary AI Board for Multimodal Dementia Characterization and Risk Assessment [56.62016795093786]
CerebraはインタラクティブなマルチエージェントAIチームで、ERH、臨床ノート、医療画像分析のための特殊エージェントをコーディネートする。
構造化された表現を操作することで、プライバシ保護デプロイメントをサポートし、モダリティが不完全であれば、堅牢である。
Cerebraは、有識者のパフォーマンスを著しく改善し、前向き認知症リスク推定において精度を17.5ポイント向上させた。
論文 参考訳（メタデータ） (2026-03-23T05:46:45Z) - A Multi-Agent Framework for Interpreting Multivariate Physiological Time Series [9.72130666902599]
本稿では,多変量生理的時系列を記述した役割構造型マルチエージェントシステムであるVivaldiを紹介する。
実験の結果,エージェントパイプラインは,非思考的,医学的に微調整されたモデルに極めて有用であることがわかった。
一方、痛みスコアや滞在時間といった主観的対象は、限定的あるいは矛盾的な変化を示す。
論文 参考訳（メタデータ） (2026-03-04T14:55:46Z) - 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) - MedKGent: A Large Language Model Agent Framework for Constructing Temporally Evolving Medical Knowledge Graph [57.54231831309079]
我々は、時間的に進化する医療知識グラフを構築するためのフレームワークであるMedKGentを紹介する。
生医学的知識の出現を, 微粒な日々の時系列でシミュレートする。
結果として得られるKGは156,275個のエンティティと2,971,384個のリレーショナルトリプルを含む。
論文 参考訳（メタデータ） (2025-08-17T15:14:03Z) - Cog-TiPRO: Iterative Prompt Refinement with LLMs to Detect Cognitive Decline via Longitudinal Voice Assistant Commands [15.594650981318514]
認知低下の早期発見は、神経変性疾患の進行を遅らせる介入を可能にするために重要である。
本研究は音声コマンドの音声パターンの経時的解析により認知低下を検出する非侵襲的ツールとして音声アシスタントシステム(VAS)について検討する。
論文 参考訳（メタデータ） (2025-05-22T05:40:12Z) - AgentClinic: a multimodal agent benchmark to evaluate AI in simulated clinical environments [2.567146936147657]
シミュレーションされた臨床環境における大規模言語モデル(LLM)の評価のためのマルチモーダルエージェントベンチマークであるAgentClinicを紹介する。
我々は,AgentClinicの逐次決定形式におけるMedQA問題の解決が極めて困難であることに気付き,診断精度が元の精度の10分の1以下に低下することを発見した。
論文 参考訳（メタデータ） (2024-05-13T17:38:53Z)
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。