論文の概要: PathWISE: Multi-Agent Cancer Pathway Triaging Ontology Learning from Clinical Flowcharts
- arxiv url: http://arxiv.org/abs/2605.25970v1
- Date: Mon, 25 May 2026 15:47:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-26 19:50:20.446317
- Title: PathWISE: Multi-Agent Cancer Pathway Triaging Ontology Learning from Clinical Flowcharts
- Title（参考訳）: PathWISE: 臨床フローチャートから学ぶマルチエージェント癌パスウェイトリガオントロジー
- Authors: Sofiat Abioye, Ufaq Khan, Shazad Ashraf, Mohammed Adil Butt, Andrew D. Beggs, Adam Byfield, Anusha Jose, William Poulett, Ben Wallace, Junaid Qadir, Muhammad Bilal,
- Abstract要約: PathWISEは、計算不能なアーティファクトを、FHIR CDS Hooksサービスとしてデプロイ可能な、検証可能なHL7臨床品質言語(CQL)ライブラリに変換する。
英国における5つのNHS癌経路(大腸癌、肺がん、皮膚がん、上部GIがん、乳がん)におけるPathWISEの意義について検討した。
- 参考スコア（独自算出の注目度）: 2.380215386478787
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Clinical pathways are disseminated as visual flowcharts where spatial topology, arrow direction, colour coding, and font weight encode critical triage logic that remains inaccessible to computational systems. We present PathWISE, a five-phase pipeline combining four LLM-based agents with a deterministic depth-first search auditor and a Java compiler critic, transforming these non-computable artefacts into validated, executable HL7 Clinical Quality Language (CQL) libraries deployable as FHIR CDS Hooks services. Purpose-built agents extract flowchart structure into a typed directed graph, perform deterministic path enumeration, conduct a structured semantic audit of every node's computability, generate terminology-constrained CQL definitions verified by the official Java CQL-to-ELM compiler, and produce routing logic covering 100% of enumerated patient journeys. Demonstrated across five UK NHS cancer pathways (colorectal, lung, skin, upper GI, and breast), PathWISE audits up to 183 nodes (182 under the Hybrid configuration), identifies 544 structured governance findings across four issue categories, achieves 100% syntactic compilation success, with UNCOMPUTABLE nodes receiving false placeholders that preserve compilability while surfacing governance gaps for clinical review, and produces zero hallucinated terminology codes for dictionary-covered concepts. Critically, PathWISE confines non-deterministic LLM inference to knowledge extraction while deterministic graph mathematics and a standard compiler underpin every verification step.
- Abstract（参考訳）: 臨床経路は、空間トポロジー、矢印方向、カラーコーディング、フォントウェイトが計算システムに到達できない臨界三元論理を符号化する視覚フローチャートとして普及する。
PathWISEは、4つのLCMベースのエージェントと決定論的深度優先の検索監査器とJavaコンパイラの批評家を組み合わせた5フェーズパイプラインであり、これらの計算不可能な成果物をFHIR CDS Hooksサービスとしてデプロイ可能なHL7臨床品質言語(CQL)ライブラリに変換する。
目的構築されたエージェントは、型付き有向グラフにフローチャート構造を抽出し、決定論的パス列挙を行い、各ノードの計算可能性に関する構造化されたセマンティック監査を行い、公式なJava CQL-to-ELMコンパイラで検証された用語制約付きCQL定義を生成し、列挙された患者旅行の100%をカバーするルーティングロジックを生成する。
英国の5つのNHSがん経路(色、肺、皮膚、上部GI、乳房)で実証されたPathWISEは、最大183個のノード(ハイブリッド構成で182個のノード)を監査し、4つの課題カテゴリで544個の構造化されたガバナンス結果を特定し、100%の構文的コンパイル成功を達成する。
批判的に、PathWISEは、決定論的グラフ数学と標準コンパイラが全ての検証ステップを支える間、知識抽出に対する非決定論的LLM推論を限定する。
関連論文リスト
- Agentic Cognitive Profiling: Realigning Automated Alzheimer's Disease Detection with Clinical Construct Validity [66.94391219005291]
本稿では,臨床プロトコルロジックによる自動スクリーニングを実現するエージェント認知プロファイリング(ACP)を提案する。
我々の設計の中心は、すべての定量化を決定論的関数呼び出しに委譲することで、測定から意味的理解を分離することである。
ACPは、タスク試験で90.5%のスコアマッチ率、AD予測で85.3%の精度を達成し、一般的な基準を上回っている。
論文 参考訳（メタデータ） (2026-03-18T06:15:35Z) - S-Path-RAG: Semantic-Aware Shortest-Path Retrieval Augmented Generation for Multi-Hop Knowledge Graph Question Answering [10.112212302226615]
S-Path-RAGは,大規模知識グラフ上でのマルチホップ質問応答を改善するためのフレームワークである。
S-Path-RAGは、有界長、意味的に重み付けされた候補経路を列挙することによって、一発のテキスト重み付き検索から離脱する。
我々は、標準的なマルチホップKGQAベンチマークと、改善と診断分析を通じてS-Path-RAGを検証する。
論文 参考訳（メタデータ） (2026-03-05T14:22:23Z) - CUICurate: A GraphRAG-based Framework for Automated Clinical Concept Curation for NLP applications [0.16311150636417257]
CUICurate は、UMLS の概念集合の自動キュレーションのためのグラフベースの検索拡張生成(GraphRAG)フレームワークである。
対象とする各概念に対して、候補CUIが検索され、次に大きな言語モデル(LLM)フィルタリングと分類ステップが続いた。
このフレームワークは、手動でキュレートされたベンチマークとゴールドスタンダードのコンセプトセットに対して、5つの語彙的に異質な臨床概念で評価された。
論文 参考訳（メタデータ） (2026-02-20T03:00:13Z) - Improving LLM Reasoning with Homophily-aware Structural and Semantic Text-Attributed Graph Compression [55.51959317490934]
大規模言語モデル(LLM)は、テキスト分散グラフ(TAG)理解において有望な能力を示している。
グラフは本来、構造情報や意味情報を豊富に含むものであり、それらの有効利用はLLMの推論性能の潜在的な利益を解放する可能性があると論じる。
グラフホモフィリーの活用を目的としたフレームワーク LLMs (HS2C) のホモフィリー対応構造とセマンティック圧縮を提案する。
論文 参考訳（メタデータ） (2026-01-13T03:35:18Z) - Med-CRAFT: Automated Construction of Interpretable and Multi-Hop Video Workloads via Knowledge Graph Traversal [13.216513001286812]
textbfPipelineNameは、新しいニューロシンボリックデータエンジニアリングフレームワークである。
Med-CRAFTは生のビデオストリームから構造化されたビジュアルプリミティブを抽出し、動的時空間知識グラフにインスタンス化する。
このパイプラインをインスタンス化し、大規模な医療ビデオ推論ベンチマークであるM3-Med-Autoを生成します。
論文 参考訳（メタデータ） (2025-11-30T19:24:10Z) - Unlocking Electronic Health Records: A Hybrid Graph RAG Approach to Safe Clinical AI for Patient QA [1.9615061725959186]
大規模言語モデルは、データ処理の変換可能性を提供するが、臨床環境では制限に直面している。
現在のソリューションは通常、構造化データ(Text2Cypher)や非構造化セマンティックサーチに焦点を当てた検索方法を分離するが、両方を同時に統合することができない。
この研究は、このギャップを埋める新しいハイブリッドグラフRAGシステムであるMediGRAFを提示する。
論文 参考訳（メタデータ） (2025-11-27T16:08:22Z) - LLM-guided Hierarchical Retrieval [54.73080745446999]
LATTICEは階層的な検索フレームワークであり、LLMは対数探索の複雑さで大きなコーパスを推論し、ナビゲートすることができる。
LLM誘導探索における中心的な課題は、モデルの関連性判断がノイズが多く、文脈に依存し、階層性に気付かないことである。
我々のフレームワークは、推論集約型BRIGHTベンチマークで最先端のゼロショット性能を実現する。
論文 参考訳（メタデータ） (2025-10-15T07:05:17Z) - Eigen-1: Adaptive Multi-Agent Refinement with Monitor-Based RAG for Scientific Reasoning [53.45095336430027]
暗黙的な検索と構造化された協調を組み合わせた統合フレームワークを開発する。
Humanity's Last Exam (HLE) Bio/Chem Goldでは,48.3%の精度を実現している。
SuperGPQAとTRQAの結果はドメイン間の堅牢性を確認した。
論文 参考訳（メタデータ） (2025-09-25T14:05:55Z) - A Graph-Based Test-Harness for LLM Evaluation [0.8164433158925593]
我々は400以上の質問に対して、ダイナミックで体系的な医療ガイドラインのベンチマークのプロトタイプを初めて提示する。
我々はWHO IMCIハンドブックを200以上のノードを持つ有向グラフに変換し、年齢別シナリオを含む質問を生成する。
症状認識には優れたモデルがあるが,重症度,治療プロトコル,フォローアップケアに苦慮している。
論文 参考訳（メタデータ） (2025-08-28T14:10:59Z) - HySemRAG: A Hybrid Semantic Retrieval-Augmented Generation Framework for Automated Literature Synthesis and Methodological Gap Analysis [55.2480439325792]
HySemRAGは、Extract, Transform, Load (ETL)パイプラインとRetrieval-Augmented Generation (RAG)を組み合わせたフレームワークである。
システムは、マルチ層アプローチを通じて既存のRAGアーキテクチャの制限に対処する。
論文 参考訳（メタデータ） (2025-08-01T20:30:42Z)
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。