論文の概要: Lung-R1: A Knowledge Graph-Guided LLM for Pulmonary Diagnostic Reasoning
- arxiv url: http://arxiv.org/abs/2606.11675v1
- Date: Wed, 10 Jun 2026 05:39:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-11 16:42:38.308648
- Title: Lung-R1: A Knowledge Graph-Guided LLM for Pulmonary Diagnostic Reasoning
- Title（参考訳）: Lung-R1:肺診断のための知識グラフ誘導LDM
- Authors: Haoyang Zeng, Yuanxi Fu, Rongzhen Li, Yuming Yang, Xiao Sun, Jingwang Huang, Gujie Shao, Guohui Xiang, Quan Lu, Dongfan Ye, Xuetao Chen, Jiang Zhong, Kaiwen Wei, Zhi Xu,
- Abstract要約: LungKGは、診断知識の組織化と記録的推論のための、最初の構造化された肺知識グラフである。
Lung-R1, LungKG-guided lung LLM, training through KG-constrained reasoning-chain construction and KG-guided reinforcement learning。
20システム評価において、Lung-R1-14Bは、選択、肺QA、EMR診断において最先端のパフォーマンスを達成する。
- 参考スコア（独自算出の注目度）: 24.639572977509744
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Diagnosing pulmonary diseases requires integrating heterogeneous evidence amid phenotypic variability and cross-disease overlap. Although large language models (LLMs) have shown progress on pulmonary knowledge question answering (QA) and information-processing tasks, reliable pulmonary diagnosis requires patient-specific, relation-aware reasoning over electronic medical record (EMR) evidence rather than isolated knowledge recall. We define this gap between pulmonary knowledge and case-level diagnostic reasoning as the Pulmonary Knowledge-to-Diagnosis Gap. To address it, we introduce LungKG, the first structured pulmonary knowledge graph for diagnostic knowledge organization and record-grounded reasoning. LungKG contains 59,038 nodes and 164,308 edges across 15 entity types and 112 relation types, serving as both a reusable pulmonary knowledge resource and the foundation for LungKG-guided model adaptation. Built on LungKG, we propose Lung-R1, a LungKG-guided pulmonary LLM trained through KG-constrained reasoning-chain construction and KG-guided reinforcement learning. In a 20-system evaluation, Lung-R1-14B achieves state-of-the-art performance across Choice, Pulmonary-QA, and EMR Diagnosis, reaching an EMR Diagnosis score of 4.3583 and surpassing the strongest non-Lung-R1 baseline by 0.1476 points. These results demonstrate the value of LungKG-guided training for EMR-based pulmonary diagnosis.
- Abstract（参考訳）: 肺疾患の診断には、異種性証拠の統合が必要である。
大規模言語モデル (LLM) は, 肺知識質問応答 (QA) と情報処理タスクの進展を示すが, 信頼性の高い肺診断には, 孤立した知識リコールではなく, 患者固有の電子医療記録 (EMR) の証拠に対する関連性を考慮した推論が必要である。
肺の知識とケースレベル診断のギャップを肺の知識と診断ギャップとして定義する。
LungKGは、診断知識の組織化と記録的推論のための、最初の構造化された肺知識グラフである。
LungKGには59,038のノードと15のエンティティタイプと112の関連タイプにまたがる164,308のエッジがあり、再利用可能な肺の知識資源およびLungKG誘導モデル適応の基礎となっている。
LungKGをベースとしたLung-R1, LungKG-guided lung LLMについて, KG-constrained reasoning-chain constructionおよびKG-guided reinforcement learningを用いて学習した。
20システム評価において、Lung-R1-14Bは、選択、肺QA、EMR診断における最先端のパフォーマンスを達成し、EMR診断スコアが4.3583に達し、最強の非Lung-R1ベースラインを0.1476ポイント超えた。
以上の結果から, EMRによる肺疾患診断におけるLungKG-guided trainingの有用性が示唆された。
関連論文リスト
- Deep learning automated quantification of lung disease in pulmonary
hypertension on CT pulmonary angiography: A preliminary clinical study with
external validation [0.0]
本研究は,CTPA(CTPA)における肺テクスチャ分類のための人工知能(AI)深層学習モデルの開発を目的とする。
The Fleishner Society glossary of terms were classified as the "Normal", "Ground glass, "Ground glass with reticulation", "Honeycombing", and "Emphysema" were classified as the Fleishner Society glossary of terms。
各テクスチャに対する肺容積の分布は、肺全容のパッチを分類して算出し、肺小葉全体にわたって粗いテクスチャ分類を作成した。
論文 参考訳（メタデータ） (2023-03-20T14:06:32Z) - SGDA: Towards 3D Universal Pulmonary Nodule Detection via Slice Grouped
Domain Attention [47.44114201293201]
肺がんは世界中でがんの死因となっている。
現在の肺結節検出法は通常ドメイン固有である。
肺結節検出ネットワークの一般化能力を高めるために,スライスグループドメインアテンション(SGDA)モジュールを提案する。
論文 参考訳（メタデータ） (2023-03-07T03:17:49Z) - Deep Pneumonia: Attention-Based Contrastive Learning for
Class-Imbalanced Pneumonia Lesion Recognition in Chest X-rays [11.229472535033558]
Intention-based Contrastive Learning for Class-Imbalanced X-ray Pneumonia Lesion Recognitionを提案する。
提案手法は, 医師がより正確な肺炎の診断を行えるように, 信頼性の高いコンピュータ支援型肺炎診断システムとして利用することができる。
論文 参考訳（メタデータ） (2022-07-23T02:28:37Z) - CoRSAI: A System for Robust Interpretation of CT Scans of COVID-19
Patients Using Deep Learning [133.87426554801252]
我々は,深部畳み込み神経網のアンサンブルを用いた肺CTスキャンのセグメンテーションによるアプローチを採用した。
本モデルを用いて, 病変の分類, 患者の動態の評価, 病変による肺の相対体積の推定, 肺の損傷ステージの評価が可能となった。
論文 参考訳（メタデータ） (2021-05-25T12:06:55Z) - Development of a Multi-Task Learning V-Net for Pulmonary Lobar
Segmentation on Computed Tomography and Application to Diseased Lungs [0.19573380763700707]
疾患のある肺領域は、しばしばCT画像に高密度ゾーンを生成し、損傷した葉を特定するアルゴリズムの実行を制限する。
この影響は、肺葉を分節する機械学習手法の改善を動機づけた。
このアプローチは、放射線科医のロバストなツールとして臨床現場で容易に採用することができる。
論文 参考訳（メタデータ） (2021-05-11T17:10:25Z) - Quantification of pulmonary involvement in COVID-19 pneumonia by means
of a cascade oftwo U-nets: training and assessment on multipledatasets using
different annotation criteria [83.83783947027392]
本研究は、新型コロナウイルスの肺病変の同定、セグメント化、定量化のために人工知能(AI)を活用することを目的とする。
2つのU-netのカスケードをベースとした自動解析パイプラインLungQuantシステムを開発した。
LungQuantシステムにおけるCT-Severity Score(CT-SS)の精度も評価した。
論文 参考訳（メタデータ） (2021-05-06T10:21:28Z) - Fibrosis-Net: A Tailored Deep Convolutional Neural Network Design for
Prediction of Pulmonary Fibrosis Progression from Chest CT Images [59.622239796473885]
肺線維症は、回復不能な肺組織スカーリングおよび損傷を引き起こす慢性肺疾患であり、肺容量の進行的減少と既知の治療法がない。
胸部CT画像からの肺線維化進展の予測に適した深部畳み込みニューラルネットワークであるFibrosis-Netを導入する。
論文 参考訳（メタデータ） (2021-03-06T02:16:41Z) - M3Lung-Sys: A Deep Learning System for Multi-Class Lung Pneumonia
Screening from CT Imaging [85.00066186644466]
マルチタスク型マルチスライス深層学習システム(M3Lung-Sys)を提案する。
COVID-19とHealthy, H1N1, CAPとの鑑別に加えて, M3 Lung-Sysも関連病変の部位を特定できる。
論文 参考訳（メタデータ） (2020-10-07T06:22:24Z) - Deep Learning-based Four-region Lung Segmentation in Chest Radiography
for COVID-19 Diagnosis [9.117659716068083]
ウイルス19肺炎の正確な定量化を支援するための4つの領域肺分画法を提案する。
CXRの深層学習モデルでは、COVID-19肺炎患者の肺不透明度の局所分布を正確に分類し定量化することができる。
論文 参考訳（メタデータ） (2020-09-26T14:32:13Z) - Deep Learning for Automatic Pneumonia Detection [72.55423549641714]
肺炎は小児の主要な死因であり、世界でも最多死亡率の1つである。
コンピュータ支援診断システムは診断精度を向上させる可能性を示した。
本研究では, 単発検出, 圧縮励起深部畳み込みニューラルネットワーク, 拡張, マルチタスク学習に基づく肺炎領域検出のための計算手法を開発した。
論文 参考訳（メタデータ） (2020-05-28T10:54:34Z) - Attention U-Net Based Adversarial Architectures for Chest X-ray Lung
Segmentation [0.0]
本稿では,診断パイプラインにおける基礎的,しかし困難な課題である肺分節に対する新しい深層学習手法を提案する。
本手法では, 逆批判モデルとともに, 最先端の完全畳み込みニューラルネットワークを用いる。
これは、患者プロファイルの異なる未確認データセットのCXRイメージによく当てはまり、JSRTデータセットの最終的なDSCRは97.5%に達した。
論文 参考訳（メタデータ） (2020-03-23T14:45:48Z)
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。