論文の概要: NeuroAgent: LLM Agents for Multimodal Neuroimaging Analysis and Research

• arxiv url: http://arxiv.org/abs/2605.06584v1
• Date: Thu, 07 May 2026 17:13:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-08 22:27:12.024798
• Title: NeuroAgent: LLM Agents for Multimodal Neuroimaging Analysis and Research
• Title（参考訳）: NeuroAgent:マルチモーダル・ニューロイメージング分析・研究のためのLLMエージェント
• Authors: Lujia Zhong, Yihao Xia, Jianwei Zhang, Shuo huang, Jiaxin Yue, Mingyang Xia, Yonggang Shi,
• Abstract要約: NeuroAgentは、ニューロイメージングデータのキー前処理と分析ステップを自動化するエージェントフレームワークである。 自然言語クエリによるインタラクティブなダウンストリーム分析をサポートする。 これにより、前処理に必要な手作業の削減と、エンドツーエンドの自動分析パイプラインの実現が可能になる。
• 参考スコア（独自算出の注目度）: 4.995664191055236
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multimodal neuroimaging analysis often involves complex, modality-specific preprocessing workflows that require careful configuration, quality control, and coordination across heterogeneous toolchains. Beyond preprocessing, downstream statistical analysis and disease classification commonly require task-specific code, evaluation protocols, and data-format conventions, creating additional barriers between raw acquisitions and reproducible scientific analysis. We present NeuroAgent, an LLM-driven agentic framework that automates key preprocessing and analysis steps for heterogeneous neuroimaging data, including sMRI, fMRI, dMRI, and PET, and supports interactive downstream analysis through natural-language queries. NeuroAgent employs a hierarchical multi-agent architecture with a feedback-driven Generate-Execute-Validate engine: agents autonomously generate executable preprocessing code, detect and recover from runtime errors, and validate output integrity. We evaluate the system on 1,470 subjects pooled across all ADNI phases (CN=1,000, AD=470), where all subjects have sMRI and tabular data, with subsets also having Tau-PET (n=469), fMRI (n=278), and DTI ($n=620$). Pipeline ablation studies across multiple LLM backends show that capable models reach up to 100% intent-parsing accuracy, with the strongest backend (Qwen3.5-27B) reaching 84.8% end-to-end preprocessing step correctness. Automated recovery limits manual intervention to edge cases where human review is required via the Human-In-The-Loop interface. For Alzheimer's Disease classification using automatically preprocessed multimodal data, our agent ensemble achieves an AUC of 0.9518 with four modalities, outperforming all single-modality baselines. These results show that NeuroAgent can reduce the manual effort required for neuroimaging preprocessing and enable end-to-end automated analysis pipelines for neuroimaging research.
• Abstract（参考訳）: マルチモーダル・ニューロイメージング分析は、しばしば複雑でモダリティ固有の前処理ワークフローを伴い、不均一なツールチェーンをまたいだ設定、品質管理、調整を必要とする。 前処理の他に、下流の統計分析と病気の分類は、一般にタスク固有のコード、評価プロトコル、データフォーマットの規約を必要とし、生の取得と再現可能な科学的分析の間の障壁を生じさせる。 我々は、sMRI、fMRI、dMRI、PETを含む異種神経画像データに対するキー前処理と解析のステップを自動化するLLM駆動のエージェントフレームワークであるNeuroAgentを提案し、自然言語クエリによる対話型下流解析をサポートする。 NeuroAgentはフィードバック駆動のGenerate-Execute-Validateエンジンを備えた階層的なマルチエージェントアーキテクチャを採用している。 我々は,全ADNIフェーズ(CN=1,000,AD=470)にまたがる1,470人の被験者を対象に,全ての被験者がsMRIおよび表型データを持ち,サブセットにはTau-PET(n=469),fMRI(n=278),DTI(n=620$)があることを確認した。 複数のLCMバックエンドにわたるパイプラインアブレーション調査では、有能なモデルが100%インテントパーシング精度に達し、最強のバックエンド(Qwen3.5-27B)が84.8%のエンドツーエンド前処理ステップの正確性に達した。 自動リカバリは、ヒューマン・イン・ザ・ループインターフェースを介してヒューマン・レビューが必要なエッジ・ケースへの手動介入を制限する。 自動前処理マルチモーダルデータを用いたアルツハイマー病の分類では、エージェントアンサンブルは4つのモダリティを持つAUC0.9518を達成し、全ての単一モーダルベースラインを上回ります。 これらの結果から、NeuroAgentは、ニューロイメージング前処理に必要な手作業を減らすことができ、ニューロイメージング研究のためのエンドツーエンドの自動分析パイプラインを可能にすることが示唆された。

関連論文リスト

• NeuroClaw Technical Report [54.14941057366186]
  NeuroClawは、神経イメージング研究のためのドメイン特化マルチエージェント研究アシスタントである。 NeuroClawは、フォーマットとモダリティをまたいだ生のニューロイメージングデータを直接運用する。 3階層のスキル/エージェント階層は、ユーザとのインタラクション、高レベルのオーケストレーション、低レベルのツールスキルを分離する。
  論文  参考訳（メタデータ） (2026-04-27T16:57:14Z)
• Agentic Large Language Models for Training-Free Neuro-Radiological Image Analysis [19.715805184063168]
  Agentic AIは新しいソリューションを提供し、本質的な3D処理を必要としない。 自動脳MRI解析のための無トレーニングエージェントパイプラインを提案する。 この結果から,エージェントAIは,訓練や微調整を必要とせず,ツール使用による高次神経・放射線画像解析の課題を解決できることが示唆された。
  論文  参考訳（メタデータ） (2026-04-17T22:04:16Z)
• scBench: Evaluating AI Agents on Single-Cell RNA-seq Analysis [6.518767416778027]
  scBenchは、scRNA-seqデータセットに由来する394の検証可能な問題のベンチマークである。 8つのフロンティアモデルのベンチマークデータによると、精度は29～53%で、強力なモデルタスクとモデルプラットフォーム相互作用がある。
  論文  参考訳（メタデータ） (2026-02-09T03:20:31Z)
• impuTMAE: Multi-modal Transformer with Masked Pre-training for Missing Modalities Imputation in Cancer Survival Prediction [75.43342771863837]
  我々は,効率的なマルチモーダル事前学習戦略を備えた新しいトランスフォーマーに基づくエンドツーエンドアプローチである impuTMAE を紹介する。 マスクされたパッチを再構築することで、モダリティの欠如を同時に示唆しながら、モダリティ間の相互作用とモダリティ内相互作用を学習する。 本モデルは,TGA-GBM/LGGとBraTSデータセットを用いたグリオーマ生存予測のために,異種不完全データに基づいて事前訓練を行った。
  論文  参考訳（メタデータ） (2025-08-08T10:01:16Z)
• Agentomics-ML: Autonomous Machine Learning Experimentation Agent for Genomic and Transcriptomic Data [33.7054351451505]
  本稿では,完全自律型エージェントベースシステムであるAgenomics-MLを紹介した。 本稿では,Agenomics-MLが既存のエージェントベースの手法よりも,一般化と成功率の両面で優れていることを示す。
  論文  参考訳（メタデータ） (2025-06-05T19:44:38Z)
• DrugPilot: LLM-based Parameterized Reasoning Agent for Drug Discovery [54.79763887844838]
  大規模言語モデル(LLM)と自律エージェントの統合は、自動推論とタスク実行を通じて科学的発見を促進する大きな可能性を秘めている。 本稿では,薬物発見におけるエンドツーエンド科学のために設計されたパラメータ化推論アーキテクチャを備えたLSMベースのエージェントシステムであるDrarmPilotを紹介する。 DrugPilot は ReAct や LoT のような最先端のエージェントよりも優れており、タスク完了率は98.0%、93.5%、64.0%である。
  論文  参考訳（メタデータ） (2025-05-20T05:18:15Z)
• Multi-Agent Sampling: Scaling Inference Compute for Data Synthesis with Tree Search-Based Agentic Collaboration [81.45763823762682]
  本研究の目的は,マルチエージェントサンプリングによるデータ合成の問題を調べることでギャップを埋めることである。 逐次サンプリングプロセス中にワークフローが反復的に進化する木探索に基づくオーケストレーションエージェント(TOA)を紹介する。 アライメント、機械翻訳、数学的推論に関する実験は、マルチエージェントサンプリングが推論計算スケールとしてシングルエージェントサンプリングを著しく上回ることを示した。
  論文  参考訳（メタデータ） (2024-12-22T15:16:44Z)
• Learning brain MRI quality control: a multi-factorial generalization problem [0.0]
  本研究の目的は,MRIQCパイプラインの性能評価である。 分析はMRIQCの前処理ステップに焦点を合わせ、パイプラインをそれなしでテストした。 我々は、CATIデータセットのような異種集団のデータで訓練されたモデルが、目に見えないデータの最良のスコアを提供すると結論付けた。
  論文  参考訳（メタデータ） (2022-05-31T15:46:44Z)
• StRegA: Unsupervised Anomaly Detection in Brain MRIs using a Compact Context-encoding Variational Autoencoder [48.2010192865749]
  教師なし異常検出(UAD)は、健康な被験者の異常なデータセットからデータ分布を学習し、分布サンプルの抽出に応用することができる。 本研究では,コンテクストエンコーディング(context-encoding)VAE(ceVAE)モデルのコンパクトバージョンと,前処理と後処理のステップを組み合わせて,UADパイプライン(StRegA)を作成することを提案する。 提案したパイプラインは、BraTSデータセットのT2w画像と0.859$pm$0.112の腫瘍を検出しながら、Diceスコアが0.642$pm$0.101に達した。
  論文  参考訳（メタデータ） (2022-01-31T14:27:35Z)

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。