論文の概要: Can Broad Biomedical Knowledge be Contextualized into Scenario-Grounded Propositions?
- arxiv url: http://arxiv.org/abs/2605.27082v1
- Date: Tue, 26 May 2026 14:33:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-27 17:51:42.227291
- Title: Can Broad Biomedical Knowledge be Contextualized into Scenario-Grounded Propositions?
- Title（参考訳）: 広義の医学的知識はシナリオ中心の命題に文脈化できるか?
- Authors: Qingyuan Zeng, Ziyang Chen, Pengxiang Cai, Zixin Guan, Anglin Liu, Lang Qin, Xinyao Lai, Jintai Chen,
- Abstract要約: 本稿では,知識文脈化を反復探索として扱う二段階マルチエージェントフレームワークであるSCENEを提案する。
臨床試験では、SCENEは特定の支持されたサブグループを発見し、既存のベースラインを上回っている。
これらの結果は、SCENEが幅広い知識とシナリオ固有の証拠を橋渡しし、追跡可能な検査可能な仮説を導出することを示している。
- 参考スコア（独自算出の注目度）: 20.421741889749573
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Biomedical discovery often requires connecting broad biomedical knowledge with specific experimental or clinical data. Background knowledge suggests relevant mechanisms but is usually too general to map directly onto dataset variables, while data-driven patterns can be dataset-specific and hard to interpret mechanistically. We study this missing link as knowledge contextualization: transforming broad biomedical knowledge into evidence-supported, scenario-grounded propositions that domain experts can inspect, replay, and validate. We propose SCENE, a bi-level multi-agent framework that treats knowledge contextualization as iterative search. The upper level converts broad knowledge into search directions and grounds them in the dataset schema. The lower level executes these directions through multi-objective optimization to identify concrete propositions that balance evidential strength and data support. Feedback between the two levels progressively refines the search. We evaluate SCENE in two settings: discovering patient subgroups with heterogeneous treatment benefits in clinical trial scenarios, and identifying context-specific biological responses in LINCS L1000 studies. In clinical trials, SCENE discovers specific, well-supported subgroups and outperforms existing baselines. In L1000 studies, SCENE identifies perturbational contexts with strong target-response matching and high positive rates. These results show that SCENE bridges broad knowledge and scenario-specific evidence, producing traceable, inspectable hypotheses for follow-up validation.
- Abstract（参考訳）: 生物医学的な発見は、しばしば特定の実験データや臨床データと幅広い生物医学的知識を結びつける必要がある。
背景知識は関連するメカニズムを示唆するが、通常はデータセット変数に直接マップするには一般的ではない。
幅広いバイオメディカル知識をエビデンスに支えられたシナリオに基づく提案に変換することで、ドメインの専門家が検査、再生、検証することが可能になります。
本稿では,知識文脈化を反復探索として扱う二段階マルチエージェントフレームワークであるSCENEを提案する。
上位レベルは、幅広い知識を探索方向に変換し、データセットスキーマでそれらをグラウンド化する。
下位層は多目的最適化を通じてこれらの方向を実行し、明らかな強度とデータサポートのバランスをとる具体的な命題を特定する。
2つのレベル間のフィードバックは、徐々に検索を洗練させる。
LINCS L1000研究において,SCENEは臨床試験シナリオにおいて不均一な治療効果を有する患者サブグループを同定し,文脈特異的な生物学的応答を同定する2つの設定で評価した。
臨床試験では、SCENEは特定の支持されたサブグループを発見し、既存のベースラインを上回っている。
L1000研究において、SCENEは強い目標応答マッチングと高い正のレートで摂動文脈を同定する。
これらの結果は、SCENEが幅広い知識とシナリオ固有の証拠を橋渡しし、追跡可能な検査可能な仮説を導出することを示している。
関連論文リスト
- DeepEvidence: Empowering Biomedical Discovery with Deep Knowledge Graph Research [33.51246292480848]
我々は、様々なバイオメディカル知識グラフ(KG)にまたがってDeep Researchを実行するために設計されたAIエージェントフレームワークであるDeepEvidenceを紹介する。
主にインターネットスケールのテキストに依存している一般的なDeep Researchシステムとは異なり、DeepEvidenceには専門的な知識グラフツールと協調的な探索戦略が組み込まれている。
ディープエビデンス(DeepEvidence)は、生物医学的な発見ライフサイクルの4つの重要な段階において、体系的な探索とエビデンス合成において大きな進歩を示す。
論文 参考訳（メタデータ） (2025-12-23T14:34:38Z) - Utilizing Large Language Models for Zero-Shot Medical Ontology Extension from Clinical Notes [13.564947974902429]
CLOZEは大規模言語モデル(LLM)を用いて臨床ノートから医療機関を自動的に抽出する新しいフレームワークである。
CLOZEは、言語理解と事前訓練されたLLMの広範な知識を活かして、病気に関連する概念を効果的に識別し、複雑な階層関係を捉える。
論文 参考訳（メタデータ） (2025-11-20T17:00:46Z) - 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) - ChatEXAONEPath: An Expert-level Multimodal Large Language Model for Histopathology Using Whole Slide Images [19.661619004001654]
本稿では,WSIを用いた病理組織学のエキスパートレベルのMLLMについて紹介する。
62.9%の受け入れ率でChatEXAONEPathを用いて病理像を診断できることを実証した。
提案モデルでは, 膵臓WSIsと臨床経過を種々のがんタイプから理解することができる。
論文 参考訳（メタデータ） (2025-04-17T15:33:17Z) - Causal Representation Learning from Multimodal Biomedical Observations [57.00712157758845]
バイオメディカルデータセットの理解を容易にするために,マルチモーダルデータに対するフレキシブルな識別条件と原理的手法を開発した。
主要な理論的貢献は、モジュラリティ間の因果関係の構造的空間性である。
実世界のヒト表現型データセットの結果は、確立された生物医学研究と一致している。
論文 参考訳（メタデータ） (2024-11-10T16:40:27Z) - Enhancing Biomedical Knowledge Discovery for Diseases: An Open-Source Framework Applied on Rett Syndrome and Alzheimer's Disease [28.68816381566995]
原文から直接特定の疾患に関する知識を構築するために設計されたオープンソースのフレームワークを紹介する。
疾患関連知識発見の研究を容易にするために、Rett症候群とアルツハイマー病に焦点を当てた2つの注釈付きデータセットを作成しました。
論文 参考訳（メタデータ） (2024-07-18T13:20:53Z) - Self-Verification Improves Few-Shot Clinical Information Extraction [73.6905567014859]
大規模言語モデル (LLMs) は、数発のテキスト内学習を通じて臨床キュレーションを加速する可能性を示している。
正確性や解釈可能性に関する問題、特に健康のようなミッションクリティカルな領域ではまだ苦戦している。
本稿では,自己検証を用いた汎用的な緩和フレームワークについて検討する。このフレームワークはLLMを利用して,自己抽出のための証明を提供し,その出力をチェックする。
論文 参考訳（メタデータ） (2023-05-30T22:05:11Z) - Large Language Models, scientific knowledge and factuality: A framework to streamline human expert evaluation [0.0]
本研究は,生物医学的背景知識と対話するための大規模言語モデルの可能性を探るものである。
フレームワークには3つの評価ステップが含まれており、それぞれが流布、即応的なアライメント、セマンティック・コヒーレンス、事実的知識、生成した応答の特異性という3つの側面を逐次評価する。
この研究は、ChatGPT、GPT-4、Llama 2を含む11の最先端のLLMを2つのプロンプトベースタスクで持つ能力に関する体系的な評価を提供する。
論文 参考訳（メタデータ） (2023-05-28T22:46:21Z) - Informing clinical assessment by contextualizing post-hoc explanations
of risk prediction models in type-2 diabetes [50.8044927215346]
本研究は, 合併症リスク予測のシナリオを考察し, 患者の臨床状態に関する文脈に焦点を当てる。
我々は、リスク予測モデル推論に関する文脈を提示し、その受容性を評価するために、最先端のLLMをいくつか採用する。
本論文は,実世界における臨床症例における文脈説明の有効性と有用性を明らかにする最初のエンドツーエンド分析の1つである。
論文 参考訳（メタデータ） (2023-02-11T18:07:11Z)
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。