論文の概要: Why Specialist Models Still Matter: A Heterogeneous Multi-Agent Paradigm for Medical Artificial Intelligence
- arxiv url: http://arxiv.org/abs/2605.29744v1
- Date: Thu, 28 May 2026 10:42:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-30 02:45:56.187171
- Title: Why Specialist Models Still Matter: A Heterogeneous Multi-Agent Paradigm for Medical Artificial Intelligence
- Title（参考訳）: なぜスペシャリストモデルが重要なのか:医療人工知能のための異質なマルチエージェントパラダイム
- Authors: Yanan Wang, Shuaicong Hu, Jian Liu, Guohui Zhou, Aiguo Wang, Cuiwei Yang,
- Abstract要約: HetMedAgentは異種医療用マルチエージェントフレームワークで、競合認識型エビデンス融合、不確実性に基づく臨床介入、適応しきい値校正を可能にする。
3つの実世界の臨床的意思決定タスクの実験は、ジェネラリストLSMとドメイン特化専門モデルとの相乗効果が、どちらのモデルも単独で顕著に優れていることを示した。
HetMedAgentは、医療用LLMやファンデーションモデルの構築からマルチエージェントコラボレーションへのシフトを表し、一般的な推論能力とドメイン固有の精度のバランスを達成する。
- 参考スコア（独自算出の注目度）: 11.420145886356709
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The impressive performance of generalist large language models (LLMs) such as GPT and Claude in healthcare raises a critical question: will domain-specific medical specialist models become obsolete? We argue that the future of medical artificial intelligence (AI) lies not in building monolithic medical foundation models, nor in replacing human expertise, but in orchestrating collaboration among generalist LLMs, domain-specific specialist models, and clinicians. We propose HetMedAgent, a heterogeneous medical multi-agent framework that enables conflict-aware evidence fusion, uncertainty-based clinician intervention triggering, and adaptive threshold calibration. Experiments on three real-world clinical decision-making tasks demonstrate that the synergy between generalist LLMs and domain-specific specialist models significantly outperforms using either type of model alone, validating the irreplaceable value of specialist models in modality-specific analysis. HetMedAgent represents a shift from building medical LLMs or foundation models to multi-agent collaboration, achieving a balance between general reasoning capabilities and domain-specific precision.
- Abstract（参考訳）: GPTやClaudeといった一般言語モデル(LLM)の医療における印象的なパフォーマンスは、重要な疑問を引き起こしている。
我々は、医療人工知能(AI)の将来は、モノリシックな医療基盤モデルの構築や、人間の専門知識を置き換えることではなく、ジェネラリストのLSM、ドメイン特化専門モデル、臨床医との協調を組織することにあると主張している。
We propose HetMedAgent, a heterogeneous medical multi-agent framework that allowing conflict-aware evidence fusion, uncertainty-based clinician intervention triggering, and adapt threshold calibration。
3つの実世界の臨床的意思決定タスクの実験により、一般のLSMとドメイン固有のスペシャリストモデルの相乗効果は、どちらのタイプのモデル単独でも著しく優れており、モダリティ特化分析における専門家モデルの相乗効果を検証している。
HetMedAgentは、医療用LLMやファンデーションモデルの構築からマルチエージェントコラボレーションへのシフトを表し、一般的な推論能力とドメイン固有の精度のバランスを達成する。
関連論文リスト
- MARCH: Multi-Agent Radiology Clinical Hierarchy for CT Report Generation [20.858060411945438]
自動3Dラジオロジーレポート生成は、しばしば臨床幻覚と、人間の実践で見られる反復的検証の欠如に悩まされる。
我々は,放射線学部門の専門的階層をエミュレートするマルチエージェントフレームワークであるMARCHを提案し,個別のエージェントに専門的な役割を割り当てる。
RadGenome-ChestCTデータセットでは、MARCHは臨床の忠実度と言語学的精度の両方において最先端のベースラインを著しく上回っている。
論文 参考訳（メタデータ） (2026-04-17T15:42:03Z) - MedRoute: RL-Based Dynamic Specialist Routing in Multi-Agent Medical Diagnosis [49.78267008828593]
臨床実践では、複数の専門医が診断を行い、それぞれが専門分野に特化している。
この新興分野の現在のアプローチは、通常、様々な専門家の静的または事前定義された選択に依存しており、現実的なシナリオの変化に適応できない。
LMMエージェントの協調システムからなる柔軟で動的なマルチエージェントフレームワークであるMedRouteを提案する。
論文 参考訳（メタデータ） (2026-02-05T19:50:04Z) - MMedExpert-R1: Strengthening Multimodal Medical Reasoning via Domain-Specific Adaptation and Clinical Guideline Reinforcement [63.82954136824963]
医療ビジョンランゲージモデルでは、現実世界のシナリオで必要とされる複雑な臨床推論を伴う知覚タスクが優れている。
本稿ではドメイン固有の適応とガイドライン強化を通じてこれらの課題に対処する新しい推論MedVLMを提案する。
論文 参考訳（メタデータ） (2026-01-16T02:32:07Z) - 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) - MMedAgent-RL: Optimizing Multi-Agent Collaboration for Multimodal Medical Reasoning [63.63542462400175]
医療エージェント間の動的に最適化された協調を可能にする強化学習に基づくマルチエージェントフレームワークMMedAgent-RLを提案する。
具体的には、Qwen2.5-VLに基づく2つのGPエージェントをRLを介して訓練する: トリアージ医師は患者を適切な専門分野に割り当てることを学ぶ一方、主治医はマルチスペシャリストの判断を統合する。
5つのVQAベンチマークの実験では、MMedAgent-RLはオープンソースおよびプロプライエタリなMed-LVLMよりも優れており、人間のような推論パターンも示している。
論文 参考訳（メタデータ） (2025-05-31T13:22:55Z) - Med-LEGO: Editing and Adapting toward Generalist Medical Image Diagnosis [17.10843389390131]
Med-LEGOは、ジェネラリストCADモデルのシームレスな統合や更新を可能にする、トレーニング不要のフレームワークである。
我々の実験では、Med-LEGOは、クロスドメインとインドメインの両方の医療タスクにおいて、既存の手法よりも優れています。
論文 参考訳（メタデータ） (2025-03-03T04:27:11Z) - 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) - Mixture of Multicenter Experts in Multimodal AI for Debiased Radiotherapy Target Delineation [40.85439754751206]
本稿では,医療分野におけるAIバイアスに対処するために,機関間のデータ共有を必要とせず,マルチセンターエキスパートの混在(Mixture of Multicenter Experts, MoME)フレームワークを提案する。
MoMEは、様々な臨床戦略から専門的な専門知識を統合し、医療センター全体のモデル一般化可能性と適応性を高める。
論文 参考訳（メタデータ） (2024-09-27T19:28:30Z)
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。