論文の概要: Uncertainty Reasoning with Large Language Models for Explainable Disease Diagnosis

• arxiv url: http://arxiv.org/abs/2605.25566v1
• Date: Mon, 25 May 2026 08:18:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:19.466979
• Title: Uncertainty Reasoning with Large Language Models for Explainable Disease Diagnosis
• Title（参考訳）: 説明可能な疾患診断のための大規模言語モデルによる不確実性推論
• Authors: Xiaoyang Fan, Yufan Cai, Zhe Hou, Jin Song Dong,
• Abstract要約: 臨床的意思決定には、不完全で不正確で言語的に表現された患者の物語に対する推論が必要である。 本稿では,大規模言語モデルと形式論理を整合させるニューロシンボリック推論フレームワークを提案する。 結果は、最先端のLLMに匹敵する性能を示す。
• 参考スコア（独自算出の注目度）: 12.157855328093055
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Clinical decision-making requires reasoning over incomplete, imprecise, and linguistically expressed patient narratives. While large language models (LLMs) excel at extracting latent information from natural language, they lack the verifiability and interpretability essential for trustworthy medical AI. We propose a neuro-symbolic reasoning framework that aligns LLMs with formal logic to enable explainable and formally verifiable medical diagnosis. Patient descriptions and clinical guidelines are embedded into a neural knowledge base, where LLMs extract structured medical entities, temporal relations, and fuzzy symptom patterns, which are decoded into a symbolic knowledge base expressed in fuzzy logic and declarative rules. We perform two-stage reasoning: (1) inductive symbolic generalization to capture diagnostic patterns from encoded narratives, and (2) inference verification via a logic programming engine to derive and validate diagnoses consistent with clinical standards. Each symptom is treated as a fuzzy predicate with probabilistic weights, and inference paths are auditable, adjustable, and compatible with physician feedback. Unlike purely statistical methods, our system supports iterative refinement: misalignment between LLM-generated diagnoses and ground truth can be traced, explained, and corrected through formal rules. By combining logic-based transparency, LLM adaptability, and probabilistic robustness, the framework enables human-aligned healthcare inference with strong generalization and verifiable, step-by-step reasoning chains. We validate our framework on public benchmarks, demonstrating effective reconciliation of symbolic reasoning and LLMs with real-world clinical narratives. Results show performance comparable to state-of-the-art LLMs, while additionally providing interpretable reasoning paths and formally verifiable diagnostic conclusions.
• Abstract（参考訳）: 臨床的意思決定には、不完全で不正確で言語的に表現された患者の物語に対する推論が必要である。 大規模言語モデル(LLM)は、自然言語から潜伏情報を抽出する上で優れているが、信頼できる医療AIに必要な妥当性と解釈性は欠如している。 本稿では,LLMを論理的論理と整合させ,説明可能かつ正式に検証可能な診断を可能にする神経象徴的推論フレームワークを提案する。 患者の説明と臨床ガイドラインは神経知識ベースに埋め込まれ、LLMは構造化された医療エンティティ、時間的関係、ファジィ症状パターンを抽出し、ファジィ論理と宣言規則で表される象徴的な知識ベースにデコードする。 我々は,(1)符号化された物語から診断パターンを捉える帰納的記号一般化,(2)論理プログラミングエンジンによる推論検証,および臨床標準に整合した診断の導出と検証を行う2段階の推論を行う。 それぞれの症状は確率的重みを持つファジィ述語として扱われ、推論パスは監査可能で、調整可能で、医師のフィードバックと互換性がある。 純粋に統計的な手法とは異なり、我々のシステムは反復的洗練をサポートしており、LLM生成診断と基底真理とのミスアライメントは、形式的な規則によって追跡、説明、修正することができる。 論理ベースの透明性、LLM適応性、確率的堅牢性を組み合わせることで、このフレームワークは、強力な一般化と検証可能なステップバイステップ推論チェーンを備えた、ヒトによるヘルスケア推論を可能にする。 我々は,実世界における臨床物語を用いた記号的推論とLLMの効果的な和解を実証し,その枠組みを公開ベンチマークで検証する。 その結果,現状のLCMに匹敵する性能を示すとともに,解釈可能な推論経路と正式な診断結論を提供することができた。

関連論文リスト

• Medical Model Synthesis Architectures: A Case Study [72.46211022258122]
  現在のAIシステムは、不確実性の下で調整された推論に苦労している。 我々は,不確実性の下で,現実的に有用だが公式に透過的な臨床予測を行うことができるAIシステムのためのフレームワークを提案する。 このフレームワークの最初の概念実証は、どのようにして差分診断に利用できるかを示す。
  論文  参考訳（メタデータ） (2026-05-10T19:30:16Z)
• Position: Logical Soundness is not a Reliable Criterion for Neurosymbolic Fact-Checking with LLMs [6.916679603940271]
  いくつかのニューロシンボリックシステムは、自然言語を論理式に変換するために大きな言語モデル(LLM)を用いて主張を検証する。 このようなアプローチは、論理的に健全な結論と人間が通常行う推論の体系的な相違により、構造的に誤解を招く主張を検出するのに失敗する、と我々は主張する。
  論文  参考訳（メタデータ） (2026-04-05T16:48:57Z)
• 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)
• Simulating Viva Voce Examinations to Evaluate Clinical Reasoning in Large Language Models [51.91760712805404]
  大規模言語モデル(LLM)におけるシーケンシャルな臨床推論を評価するためのベンチマークであるVivaBenchを紹介する。 本データセットは,医療訓練における(口頭)検査をシミュレートする対話的シナリオとして構成された1762名の医師による臨床ヴィグネットから構成される。 本分析では,臨床における認知的誤りを反映するいくつかの障害モードを同定した。
  論文  参考訳（メタデータ） (2025-10-11T16:24:35Z)
• CANDLE: A Cross-Modal Agentic Knowledge Distillation Framework for Interpretable Sarcopenia Diagnosis [3.0245458192729466]
  CANDLEは、解釈可能性と性能のトレードオフを緩和し、予測精度を高め、高い決定一貫性を維持する。 このフレームワークは、TMLモデルの知識アセット化に対するスケーラブルなアプローチを提供し、サルコピアおよび潜在的に広い医療領域における解釈可能、再現可能、および臨床的に整合した意思決定支援を可能にする。
  論文  参考訳（メタデータ） (2025-07-26T15:50:08Z)
• Sound and Complete Neurosymbolic Reasoning with LLM-Grounded Interpretations [7.81820080453498]
  大規模言語モデル(LLM)は、自然言語の理解と生成において印象的な能力を示している。 パラ一貫性論理に対する形式的意味論の解釈関数に LLM を直接統合する手法を提案する。
  論文  参考訳（メタデータ） (2025-07-13T19:05:43Z)
• A Methodology for Explainable Large Language Models with Integrated Gradients and Linguistic Analysis in Text Classification [2.556395214262035]
  アルツハイマー病(AD)のような発声に影響を及ぼす神経疾患は、患者と介護者の生活に大きな影響を及ぼす。 近年のLarge Language Model (LLM) アーキテクチャの進歩は、自然発声による神経疾患の代表的特徴を識別する多くのツールを開発した。 本稿では,ADに代表される語彙成分を識別できるSLIME法を提案する。
  論文  参考訳（メタデータ） (2024-09-30T21:45:02Z)
• Logic-induced Diagnostic Reasoning for Semi-supervised Semantic Segmentation [85.12429517510311]
  LogicDiagは、セマンティックセグメンテーションのためのニューラルネットワークによる半教師付き学習フレームワークである。 私たちの重要な洞察は、記号的知識によって識別される擬似ラベル内の衝突は、強いが一般的に無視される学習信号として機能する、ということです。 本稿では,論理規則の集合として意味論的概念の構造的抽象化を定式化するデータ・ハングリーセグメンテーションシナリオにおけるLogicDiagの実践的応用について紹介する。
  論文  参考訳（メタデータ） (2023-08-24T06:50:07Z)
• Modeling Hierarchical Reasoning Chains by Linking Discourse Units and Key Phrases for Reading Comprehension [80.99865844249106]
  本稿では,論理的推論の基盤として,対話レベルと単語レベルの両方の文脈を扱う総合グラフネットワーク(HGN)を提案する。 具体的には、ノードレベルの関係とタイプレベルの関係は、推論過程におけるブリッジと解釈できるが、階層的な相互作用機構によってモデル化される。
  論文  参考訳（メタデータ） (2023-06-21T07:34:27Z)
• KNSE: A Knowledge-aware Natural Language Inference Framework for Dialogue Symptom Status Recognition [69.78432481474572]
  症状状態認識(SSR)のための新しいフレームワークKNSEを提案する。 対話ウィンドウ内の各症状について、まず、症状の状態に関する症状と仮説に関する知識を生成し、(前提、知識、仮説)三重項を形成する。 次にBERTモデルを使用して三重項を符号化し、さらに発話アグリゲーション、自己アテンション、横断アテンション、GRUなどのモジュールで処理して症状状態を予測する。
  論文  参考訳（メタデータ） (2023-05-26T11:23:26Z)

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。