論文の概要: RAG4Outcome: A Retrieval-Augmented Multimodal Framework for Prognostic Prediction in Chronic Osteomyelitis

• arxiv url: http://arxiv.org/abs/2605.22833v1
• Date: Fri, 24 Apr 2026 19:33:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-01 02:55:42.929153
• Title: RAG4Outcome: A Retrieval-Augmented Multimodal Framework for Prognostic Prediction in Chronic Osteomyelitis
• Title（参考訳）: RAG4 Outcome: Retrieval-Augmented Multimodal Framework for Prognostic Prediction for chronic osteomyelitis
• Authors: Daqian Shi, Pei Han, Jishizhan Chen, Yang Wang, Xiaolei Diao, Xianyou Zheng, Pengfei Cheng,
• Abstract要約: RAG4Outcomeは慢性骨髄炎における予後予測のためのRAGフレームワークである。 本手法では,PET-CT画像診断,構造化外科・診断記録,非構造化追跡記録などの多モード臨床データを統合予測パイプラインに統合する。 実世界の症例に対する予備的な結果は、有望な有効性と臨床的アライメントを示す。
• 参考スコア（独自算出の注目度）: 8.12645396241252
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Chronic osteomyelitis presents substantial prognostic challenges due to its high recurrence risk and complex postoperative recovery trajectories. Traditional assessment often relies on manual scoring systems, which limit scalability, efficiency, and consistency in clinical practice. Furthermore, the heterogeneous nature of clinical data poses challenges for current multimodal learning approaches that require aligned inputs and large annotated datasets. In this work, we propose RAG4Outcome, a retrieval-augmented generation (RAG) framework for prognostic prediction in chronic osteomyelitis. Our method integrates multimodal clinical data, including PET-CT imaging reports, structured surgical and diagnostic records, and unstructured follow-up notes, into a unified prediction pipeline. By combining a domain-specific retrieval corpus with expert-guided prompting, the framework enables more interpretable, evidence-grounded, and clinically reliable prognosis. Preliminary results on real-world cases demonstrate promising effectiveness and clinical alignment, highlighting the potential of RAG4Outcome for AI-assisted infection management and postoperative decision support.
• Abstract（参考訳）: 慢性骨髄炎は, 再発リスクが高く, 術後経過が複雑であったため, 予後が良好であった。 従来の評価は手動のスコアリングシステムに依存しており、臨床実践におけるスケーラビリティ、効率、一貫性を制限している。 さらに、臨床データの異種性は、一致した入力と大きな注釈付きデータセットを必要とする現在のマルチモーダル学習アプローチに課題をもたらす。 本研究では,慢性骨髄炎における予後予測のためのRAGフレームワークであるRAG4Outcomeを提案する。 本手法では,PET-CT画像診断,構造化外科・診断記録,非構造化追跡記録などの多モード臨床データを統合予測パイプラインに統合する。 ドメイン固有の検索コーパスと専門家が指導するプロンプトを組み合わせることで、このフレームワークはより解釈し、エビデンスで、臨床的に信頼できる予後を可能にする。 AIによる感染管理と術後の意思決定支援のためのRAG4Outcomeの可能性を明らかにするとともに、実世界の患者に対する予備的な結果が有望な効果と臨床的整合性を示す。

関連論文リスト

• OGA-AID: Clinician-in-the-loop AI Report Drafting Assistant for Multimodal Observational Gait Analysis in Post-Stroke Rehabilitation [14.477021243053322]
  OGA-AIDは,マルチモーダルレポート作成のための臨床用マルチエージェント型大規模言語モデルシステムである。 このシステムは、患者の運動記録、運動軌跡、臨床プロファイルを構造化された評価に合成する3つの特殊なエージェントをコーディネートする。
  論文  参考訳（メタデータ） (2026-04-07T02:57:29Z)
• Clinical Cognition Alignment for Gastrointestinal Diagnosis with Multimodal LLMs [63.535652574541764]
  MLLM(Multimodal Large Language Models)は医用画像解析において顕著な可能性を示した。 消化器内視鏡におけるそれらの応用は、現在、2つの重要な限界によって妨げられている。 本稿では,これらの課題に対処する新しい臨床認知アライメント(CogAlign)フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-21T07:47:37Z)
• Learning from Limited and Incomplete Data: A Multimodal Framework for Predicting Pathological Response in NSCLC [1.3160173536707265]
  新アジュバント療法後の病理反応(pR)は非小細胞肺癌において臨床的に有意な結節である。 本稿では,基礎モデルに基づくCT特徴抽出と臨床変数の欠落を考慮したアーキテクチャを統合することで,これらの制約に対処する多モードディープラーニングフレームワークを提案する。 重み付き核融合機構は、イメージングと臨床モダリティの相補的な寄与を活用するために使用され、一方向イメージングと臨床ベースラインの両方を一貫して上回るマルチモーダルモデルが得られる。
  論文  参考訳（メタデータ） (2026-03-16T10:51:52Z)
• MedCoRAG: Interpretable Hepatology Diagnosis via Hybrid Evidence Retrieval and Multispecialty Consensus [24.19892707167392]
  臨床診断のための既存のAIアプローチは、透明性、構造化推論、デプロイ性に欠けることが多い。 標準化された異常所見から診断仮説を生成するエンド・ツー・エンドのフレームワークであるMedCoRAGを提案する。 その後、UMLS知識グラフパスと臨床ガイドラインを共同で検索し、解析することで、患者固有のエビデンスパッケージを構築する。
  論文  参考訳（メタデータ） (2026-03-05T12:58:45Z)
• RE-MCDF: Closed-Loop Multi-Expert LLM Reasoning for Knowledge-Grounded Clinical Diagnosis [11.973474883672282]
  関係強化型多専門的臨床診断フレームワークRE-MCDFを提案する。 我々は,RE-MCDFが複雑な診断シナリオにおいて,最先端のベースラインを一貫して上回ることを示す。
  論文  参考訳（メタデータ） (2026-02-01T15:53:27Z)
• AgentsEval: Clinically Faithful Evaluation of Medical Imaging Reports via Multi-Agent Reasoning [73.50200033931148]
  本稿では,放射線科医の協調診断ワークフローをエミュレートしたマルチエージェントストリーム推論フレームワークであるAgensEvalを紹介する。 評価プロセスを基準定義、エビデンス抽出、アライメント、一貫性スコアなどの解釈可能なステップに分割することで、AgensEvalは明確な推論トレースと構造化された臨床フィードバックを提供する。 実験結果から,AgensEvalは,言い換え,意味的,スタイリスティックな摂動の下でも頑健な臨床的整合性,意味的忠実性,解釈可能な評価を提供することが示された。
  論文  参考訳（メタデータ） (2026-01-23T11:59:13Z)
• RAD: Towards Trustworthy Retrieval-Augmented Multi-modal Clinical Diagnosis [56.373297358647655]
  Retrieval-Augmented Diagnosis (RAD)は、下流タスクで直接マルチモーダルモデルに外部知識を注入する新しいフレームワークである。 RADは、複数の医療ソースからの疾患中心の知識の検索と改善、ガイドライン強化コントラスト損失トランスフォーマー、デュアルデコーダの3つの主要なメカニズムで機能する。
  論文  参考訳（メタデータ） (2025-09-24T10:36:14Z)
• Multimodal Doctor-in-the-Loop: A Clinically-Guided Explainable Framework for Predicting Pathological Response in Non-Small Cell Lung Cancer [0.7003240413492382]
  本研究は,非小細胞肺癌に対するネオアジュバント治療中の病態応答を予測するために,マルチモーダル深層学習と固有eXplainable Artificial Intelligence技術を組み合わせた新しいアプローチを提案する。 既存の放射線学と一元的深層学習のアプローチの限界により、画像と臨床データを統合し、データモダリティ間の効率的な相互作用を可能にする中間融合戦略を導入する。 その結果、予測精度と説明可能性の向上が示され、臨床応用のための最適なデータ統合戦略に関する洞察が得られた。
  論文  参考訳（メタデータ） (2025-05-02T16:57:37Z)
• Automatic diagnosis of knee osteoarthritis severity using Swin transformer [55.01037422579516]
  変形性膝関節症 (KOA) は膝関節の慢性的な痛みと硬直を引き起こす疾患である。 我々は,Swin Transformer を用いて KOA の重大度を予測する自動手法を提案する。
  論文  参考訳（メタデータ） (2023-07-10T09:49:30Z)
• Clinical Outcome Prediction from Admission Notes using Self-Supervised Knowledge Integration [55.88616573143478]
  臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。 退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。 複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
  論文  参考訳（メタデータ） (2021-02-08T10:26:44Z)
• MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
  本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。 我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。 我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
  論文  参考訳（メタデータ） (2020-10-08T15:30:17Z)

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。