Fugu-MT 論文翻訳(概要): SURGENT: A Surgical Multi-Agent Assistance System Across the Perioperative Workflow

論文の概要: SURGENT: A Surgical Multi-Agent Assistance System Across the Perioperative Workflow

arxiv url: http://arxiv.org/abs/2605.29368v1
Date: Thu, 28 May 2026 05:12:41 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-30 02:45:55.752845
Title: SURGENT: A Surgical Multi-Agent Assistance System Across the Perioperative Workflow
Title（参考訳）: SURGENT : 周術期ワークフロー全体にわたる多エージェント支援システム
Authors: Dongsheng Shi, Yue Li, Xin Yi, Yongyi Cui, Huawei Feng, Linlin Wang,
Abstract要約: SURGENTは, ツリー・オブ・ソート・プランナー, 多部門連携エージェント, 検索強化推論と臨床ガイドラインとバイオメディカル文献を組み合わせた外科的マルチエージェント支援システムである。 SURGENTは、長期の患者履歴と短期の作業要約の両方を管理し、より完全で、文脈化され、一貫した推論を可能にする新しい記憶設計を特徴としている。
参考スコア（独自算出の注目度）: 14.300250257418119
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The intricate nature of modern surgical care necessitates intelligent systems that can synthesize extensive patient records, support collaborative decision-making, and provide transparent, auditable reasoning across the entire perioperative workflow. Although web-based Large Language Models (LLMs) possess advanced reasoning capabilities, they are ill-equipped for surgical applications due to critical limitations: input length constraints, incomplete memory management, and limited traceability. To address this issue, we present SURGENT, a surgical multi-agent assistance system that combines a Tree-of-Thought planner, multi-department collaboration agents, and retrieval-augmented reasoning with clinical guidelines and biomedical literature. SURGENT features a novel memory design that manages both long-term patient histories and short-term working summaries, enabling more complete, contextualized, and consistent reasoning. Experimental evaluations across five key perioperative tasks - case analysis, surgical plan simulation, safety monitoring, complication risk assessment, and rehabilitation guidance - show that SURGENT outperforms baseline LLMs and existing medical multi-agent frameworks, yielding recommendations more closely aligned with patient histories. Ablation studies further highlight the advantage of DeepSeek as a locally deployable backbone model, enabling privacy-preserving deployment without reliance on centralized services. These results position SURGENT as a practical and trustworthy advancement toward intelligent, equitable, and secure surgical assistance systems.
Abstract（参考訳）: 近代的な外科医療の複雑な性質は、広範な患者の記録を合成し、協調的な意思決定をサポートし、周術期全体にわたって透明で監査可能な推論を提供するインテリジェントシステムを必要とする。 WebベースのLarge Language Models (LLM) には高度な推論能力があるが、入力長制限、不完全なメモリ管理、トレーサビリティの制限など、外科的応用には不適である。この問題に対処するため,SURGENTは,ツリー・オブ・ソート・プランナー,多部門連携エージェント,および検索強化推論を臨床ガイドラインとバイオメディカル文献と組み合わせた外科的マルチエージェント支援システムである。 SURGENTは、長期の患者履歴と短期の作業要約の両方を管理し、より完全で、文脈化され、一貫した推論を可能にする新しい記憶設計を特徴としている。症例分析, 手術計画シミュレーション, 安全モニタリング, 合併症リスク評価, リハビリテーションガイダンスの5つの主要な周術期課題に対する実験的評価は, SURGENTがベースラインLSMと既存の医療用マルチエージェントフレームワークより優れており, 患者履歴とより密接に一致していることを示している。アブレーション調査は、ローカルにデプロイ可能なバックボーンモデルとしてDeepSeekの利点をさらに強調し、集中型サービスに依存することなく、プライバシ保護デプロイメントを可能にする。これらの結果は、SURGENTを知的で公平で安全な外科補助システムに向けた実用的で信頼性の高い進歩と位置づけている。

関連論文リスト

MedSAM-Agent: Empowering Interactive Medical Image Segmentation with Multi-turn Agentic Reinforcement Learning [53.37068897861388]
MedSAM-Agentは、対話的なセグメンテーションを多段階の自律的な意思決定プロセスとして再構築するフレームワークである。マルチターン・エンド・ツー・エンドの成果検証を統合した2段階のトレーニングパイプラインを開発した。 6つの医療モダリティと21のデータセットにわたる実験は、MedSAM-Agentが最先端のパフォーマンスを達成することを示す。
論文参考訳（メタデータ） (2026-02-03T09:47:49Z)
A Knowledge-driven Adaptive Collaboration of LLMs for Enhancing Medical Decision-making [49.048767633316764]
KAMACは知識駆動のAdaptive Multi-Agent Collaborationフレームワークである。エージェントは進化する診断コンテキストに基づいて、専門家チームを動的に形成および拡張することができる。 2つの実世界の医療ベンチマーク実験により、KAMACはシングルエージェント法と高度なマルチエージェント法の両方を著しく上回っていることが示された。
論文参考訳（メタデータ） (2025-09-18T14:33:36Z)
EndoAgent: A Memory-Guided Reflective Agent for Intelligent Endoscopic Vision-to-Decision Reasoning [6.96058549084651]
EndoAgentは、視覚から決定への内視鏡分析のためのメモリ誘導剤である。反復推論と適応的なツールの選択とコラボレーションを統合する。一般的なマルチモーダルモデルと医療用マルチモーダルモデルの両方を一貫して上回っている。
論文参考訳（メタデータ） (2025-08-10T11:02:57Z)
DoctorAgent-RL: A Multi-Agent Collaborative Reinforcement Learning System for Multi-Turn Clinical Dialogue [18.814676128928234]
大規模言語モデル (LLMs) は, バイオメディカルな質問応答の分野で優れた能力を発揮してきたが, 実際の臨床研究への応用はいまだに課題に直面している。我々は,医療相談を不確実性下での動的意思決定プロセスとしてモデル化する,強化学習(RL)に基づくマルチエージェント協調フレームワークであるOursを提案する。本手法は,医療資源の配分を最適化し,労働力不足を緩和する戦略の草分けとして,時間的プレッシャーによる誤診リスクの低減,複雑な症例に対する臨床医の解放,医療資源配分の最適化,労働力不足の緩和など,極めて実践的な価値を示す。
論文参考訳（メタデータ） (2025-05-26T07:48:14Z)
SurgRAW: Multi-Agent Workflow with Chain-of-Thought Reasoning for Surgical Intelligence [16.584722724845182]
手術インテリジェンスにおける視覚-言語モデルの統合は、幻覚、ドメイン知識のギャップ、タスク相互依存性の限定的な理解によって妨げられている。本稿では,CoT駆動型マルチエージェントフレームワークであるSurgRAWについて紹介する。
論文参考訳（メタデータ） (2025-03-13T11:23:13Z)
Medchain: Bridging the Gap Between LLM Agents and Clinical Practice with Interactive Sequence [68.05876437208505]
臨床ワークフローの5つの重要な段階をカバーする12,163の臨床症例のデータセットであるMedChainを提示する。フィードバック機構とMCase-RAGモジュールを統合したAIシステムであるMedChain-Agentも提案する。
論文参考訳（メタデータ） (2024-12-02T15:25:02Z)
Towards Next-Generation Medical Agent: How o1 is Reshaping Decision-Making in Medical Scenarios [46.729092855387165]
本稿では,医療用AIエージェントのバックボーンLSMの選択について検討する。我々の研究結果は、o1の診断精度と一貫性を高める能力を示し、よりスマートでより応答性の高いAIツールへの道を開いた。
論文参考訳（メタデータ） (2024-11-16T18:19:53Z)
AI Hospital: Benchmarking Large Language Models in a Multi-agent Medical Interaction Simulator [69.51568871044454]
我々は,emphDoctorをプレイヤとして,NPC間の動的医療相互作用をシミュレーションするフレームワークであるtextbfAI Hospitalを紹介した。この設定は臨床シナリオにおけるLCMの現実的な評価を可能にする。高品質な中国の医療記録とNPCを利用したマルチビュー医療評価ベンチマークを開発した。
論文参考訳（メタデータ） (2024-02-15T06:46:48Z)
Aggregating Long-Term Context for Learning Laparoscopic and Robot-Assisted Surgical Workflows [40.48632897750319]
本稿では,タスク固有のネットワーク表現を利用した時間的ネットワーク構造を提案する。腹腔鏡下胆嚢摘出術を施行した。
論文参考訳（メタデータ） (2020-09-01T20:29:14Z)

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。