論文の概要: Severity-Aware Curriculum Learning with Multi-Model Response Selection for Medical Text Generation

• arxiv url: http://arxiv.org/abs/2606.05510v1
• Date: Wed, 03 Jun 2026 23:28:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-06 06:55:34.619237
• Title: Severity-Aware Curriculum Learning with Multi-Model Response Selection for Medical Text Generation
• Title（参考訳）: 医療用テキスト生成のための多モデル応答選択による重症度を考慮したカリキュラム学習
• Authors: Ahmed Alansary, Molham Mohamed, Ali Hamdi,
• Abstract要約: 既存の大きな言語モデルは、様々なケースの重大さのレベルにまたがって、一貫性があり、文脈的に適切な医療応答を提供するのに苦労することが多い。 本稿では,カリキュラム学習戦略と関連性に基づく応答選択を統合した重大度対応型マルチモデルフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.25489046505746704
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Telehealth systems have become increasingly important for delivering accessible and timely medical information. Existing large language models often struggle to provide consistent and contextually appropriate medical responses across varying levels of case severity. This limitation highlights the need for models that can effectively adapt to the progressive complexity in medical queries. To address this challenge, we introduce a severity-aware multi-model framework that integrates curriculum training strategy with relevance-based response selection. The proposed framework employs a three-stage curriculum learning strategy, where each model is trained sequentially on mild, moderate, and critical cases to progressively acquire domain knowledge. The approach utilizes five large language models, each independently trained under the same curriculum scheme. During inference, all models generate candidate responses, and the most appropriate response is selected as the final output. The framework is trained and evaluated on the MAQA dataset, which provides annotated medical question-answer pairs. Experimental results evaluated using BERTScore demonstrate that the proposed method achieves superior performance compared to both baseline and fine-tuned models, attaining 86.71% in the baseline setting and 90.30% after fine-tuning. These results highlight the effectiveness of combining curriculum learning with multi-model response selection in improving response quality and relevance in medical text generation.
• Abstract（参考訳）: 遠隔医療システムは、アクセス可能でタイムリーな医療情報を提供するためにますます重要になっている。 既存の大きな言語モデルは、様々なケースの重大さのレベルにまたがって、一貫性があり、文脈的に適切な医療応答を提供するのに苦労することが多い。 この制限は、医療クエリの進行的な複雑さに効果的に適応できるモデルの必要性を強調している。 この課題に対処するために,カリキュラム学習戦略と妥当性に基づく応答選択を統合した重大度対応型マルチモデルフレームワークを提案する。 提案するフレームワークは3段階のカリキュラム学習戦略を採用しており,各モデルを中等度かつ批判的な事例に基づいて逐次訓練し,ドメイン知識を段階的に取得する。 このアプローチは5つの大きな言語モデルを使用し、それぞれが同じカリキュラムスキームの下で独立して訓練されている。 推論中、全てのモデルが候補応答を生成し、最も適切な応答が最終出力として選択される。 このフレームワークは、注釈付き医療質問応答ペアを提供するMAQAデータセットでトレーニングされ、評価される。 BERTScoreを用いて評価した結果、提案手法はベースラインモデルと微調整モデルの両方と比較して優れた性能を示し、ベースライン設定が86.71%、微調整後90.30%に達した。 これらの結果は,カリキュラム学習とマルチモデル応答選択を組み合わせることで,医療用テキスト生成の応答品質と関連性を向上させる効果を浮き彫りにした。

関連論文リスト

• A Severity-Based Curriculum Learning Strategy for Arabic Medical Text Generation [0.25489046505746704]
  本研究は、アラビア医学テキスト生成のための重症度に基づくカリキュラム学習戦略を導入する。 トレーニングプロセスは、より厳しい状態からより重要な医療条件へと徐々に移動するように構成されている。 提案手法は,医療用アラビア質問回答データセットのサブセットを用いて評価する。
  論文  参考訳（メタデータ） (2026-04-07T18:41:53Z)
• MedForget: Hierarchy-Aware Multimodal Unlearning Testbed for Medical AI [66.0701326117134]
  MedForgetは、階層型を意識したマルチモーダルなアンラーニングテストベッドで、準拠する医療AIシステムを構築する。 既存の手法は,診断性能を低下させることなく,完全かつ階層性に配慮した忘れの解決に苦慮していることを示す。 階層レベルのコンテキストをプロンプトに徐々に追加する再構成攻撃を導入する。
  論文  参考訳（メタデータ） (2025-12-10T17:55:06Z)
• Multimodal Retrieval-Augmented Generation with Large Language Models for Medical VQA [0.6015898117103068]
  MedVQA (Medicical Visual Question Answering) は、医療画像上の自然言語クエリーを、臨床的な意思決定と患者医療を支援する。 本稿では,汎用的な命令調整型大規模言語モデルと検索拡張生成(RAG)フレームワークを用いたMasonNLPシステムを提案する。 19チーム中3位、51チームが平均41.37%の成績を残した。
  論文  参考訳（メタデータ） (2025-10-12T07:03:58Z)
• GEMeX-RMCoT: An Enhanced Med-VQA Dataset for Region-Aware Multimodal Chain-of-Thought Reasoning [60.03671205298294]
  医学的視覚的質問応答は、医学的イメージに基づいた自然言語的質問にモデルで答えることによって、臨床的な意思決定を支援することを目的としている。 現在の方法はまだ、答えの信頼性の制限と解釈性の低下に悩まされている。 この研究はまず、回答を生成するプロセスが中間的推論ステップのシーケンスに先行する領域対応マルチモーダル・チェーン・オブ・ソートデータセットを提案する。
  論文  参考訳（メタデータ） (2025-06-22T08:09:58Z)
• Structured Outputs Enable General-Purpose LLMs to be Medical Experts [50.02627258858336]
  大規模言語モデル(LLM)は、しばしばオープンエンドの医学的問題に苦しむ。 本稿では,構造化医療推論を利用した新しいアプローチを提案する。 我々の手法は85.8のファクチュアリティスコアを達成し、微調整されたモデルを上回る。
  論文  参考訳（メタデータ） (2025-03-05T05:24:55Z)
• LLM-MedQA: Enhancing Medical Question Answering through Case Studies in Large Language Models [18.6994780408699]
  大規模言語モデル (LLM) は、医学的質問応答において重大な課題に直面している。 マルチエージェント医療質問応答システムに類似の事例生成を取り入れた新しい手法を提案する。 本手法は, モデル固有の医療知識と推論能力を活用し, 追加のトレーニングデータの必要性を解消する。
  論文  参考訳（メタデータ） (2024-12-31T19:55:45Z)
• ExGra-Med: Extended Context Graph Alignment for Medical Vision-Language Models [95.47808515575382]
  ExGra-Medは、医療AIのビジョン言語統合のための新しいフレームワークである。 画像、命令応答、拡張キャプションを潜在空間にアライメントし、セマンティックグラウンドとクロスモーダルコヒーレンスを前進させる。 プレトレーニングデータの10%しか使用せず、VQA-RADで20.13%向上し、フルデータパフォーマンスに近づいた。
  論文  参考訳（メタデータ） (2024-10-03T15:52:03Z)
• Large Language Models Encode Clinical Knowledge [21.630872464930587]
  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。 本稿では, 現実性, 正確性, 潜在的害, バイアスを含む複数の軸に沿ったモデル回答の人為的評価のための枠組みを提案する。 本研究は,モデル尺度とインストラクション・インシデント・チューニングにより,理解,知識の想起,医学的推論が向上することを示す。
  論文  参考訳（メタデータ） (2022-12-26T14:28:24Z)

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。