論文の概要: Evo-RAD: Navigating Rare Retinal Disease Diagnosis via Self-Evolving Agentic Retrieval

• arxiv url: http://arxiv.org/abs/2606.22955v1
• Date: Mon, 22 Jun 2026 07:33:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 03:20:02.399015
• Title: Evo-RAD: Navigating Rare Retinal Disease Diagnosis via Self-Evolving Agentic Retrieval
• Title（参考訳）: Evo-RAD:自己進化型薬剤検索による網膜疾患の診断
• Authors: Wangding Xia, Ye Du, Jiashi Lin, Meng Wang, Danli Shi, Shujun Wang,
• Abstract要約: Evo-RADは、エビデンス獲得を動的意思決定タスクに変換する自己進化型エージェントフレームワークである。 Evo-RADは稀な診断を著しく改善し、網膜基盤モデルよりも+21.04%向上した。
• 参考スコア（独自算出の注目度）: 14.825989465632517
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large-scale pretrained foundation models have revolutionized general medical screening, but often falter on rare diseases because such conditions are underrepresented in real-world clinical datasets. While retrieval-augmented diagnosis attempts to mitigate this, conventional static methods frequently succumb to the hubness problem, retrieving visually similar but semantically incorrect common diseases. To address this, we propose Evo-RAD, a self-evolving agentic framework that transforms evidence acquisition into a dynamic decision-making task. We formulate retrieval as a Markov Decision Process (MDP) where a graphbased agent observes the reference set state and executes actions to purge discordant evidence (DELETE), acquire pathologically consistent samples (INSERT), or conclude the evolution (TERMINATE). Optimized via Group Relative Policy Optimization (GRPO) with a homogeneityaware reward, the agent learns to maximize the diagnostic homogeneity of the support reference set. Experiments on retinal disease benchmarks show that Evo-RAD substantially improves rare-disease diagnosis, outperforming retinal foundation models by +21.04%, while also surpassing retrieval-based and parameter-efficient fine-tuning methods by +3.56%. Code is available at https://github.com/SDH-Lab/Evo-RAD.
• Abstract（参考訳）: 大規模に事前訓練された基礎モデルは、一般的な医療スクリーニングに革命をもたらしたが、実際の臨床データセットではそのような状態が不足しているため、稀な疾患に悩まされることがしばしばある。 検索強化された診断は、これを緩和しようとするが、従来の静的な手法は、しばしばハブ性の問題に対処し、視覚的に類似しているが意味的に不正確な共通疾患を検索する。 そこで我々は,エビデンス獲得を動的意思決定タスクに変換する自己進化型エージェントフレームワークであるEvo-RADを提案する。 我々は、グラフベースのエージェントが参照セットの状態を観察し、不協和性エビデンス(DELETE)を浄化し、病理学的に一貫したサンプル(INSERT)を取得し、進化(TERMINATE)を終了するマルコフ決定プロセス(MDP)として検索を定式化する。 グループ相対政策最適化(GRPO)を通じて均質性を意識した報酬を最適化し、エージェントはサポート基準セットの診断均質性を最大化することを学ぶ。 網膜疾患ベンチマークの実験では、Evo-RADは希薄な診断を著しく改善し、網膜基盤モデルよりも21.04%、検索ベースおよびパラメータ効率の高い微調整方法を3.56%上回った。 コードはhttps://github.com/SDH-Lab/Evo-RADで入手できる。

関連論文リスト

• Dynamic Decision Learning: Test-Time Evolution for Abnormality Grounding in Rare Diseases [23.238920175100258]
  本研究では,動的決定学習(Dynamic Decision Learning, DDL)を提案する。 DDLはmAP@75を105%改善し,適応ベースラインと教師付き微調整に優れていた。
  論文  参考訳（メタデータ） (2026-04-27T20:14:38Z)
• Eliciting Medical Reasoning with Knowledge-enhanced Data Synthesis: A Semi-Supervised Reinforcement Learning Approach [62.0906177191353]
  既存のアプローチでは、教師付き微調整を経て、大規模プロプライエタリモデルからの連鎖推論トレースを蒸留し、強化学習(RL)を実施している。 MedSSRは,医療知識を付加したデータ合成と半教師付き強化学習フレームワークである。 本フレームワークはまず, 分布制御可能な推論質問を合成するために, 稀な疾患知識を利用する。 次に、ポリシーモデル自体を利用して高品質な擬似ラベルを生成する。これにより、擬似ラベルデータ上での自己教師型RLと、人間の注釈付き実データ上での教師型RLの2段階固有の訓練パラダイムが実現される。
  論文  参考訳（メタデータ） (2026-04-13T14:37:38Z)
• Learning to reason about rare diseases through retrieval-augmented agents [10.380898352925213]
  RADARは、脳MRIにおけるまれな疾患検出のためのエージェントシステムである。 我々のアプローチでは、ケースレポートと文学の両方を埋め込むことで、外部の医療知識にアクセス可能なAIエージェントを使用します。 本発明の薬剤は、追加の訓練を必要とせず、臨床的に関係のある証拠を回収し、未確認疾患に関する診断決定を導出する。
  論文  参考訳（メタデータ） (2025-11-06T10:27:52Z)
• Collaborative Attention and Consistent-Guided Fusion of MRI and PET for Alzheimer's Disease Diagnosis [12.33741976057116]
  アルツハイマー病(AD)は認知症の最も一般的な形態であり、早期診断は疾患進行の遅滞に不可欠である。 MRIとPETを用いたマルチモーダル・ニューロイメージング・フュージョンの最近の研究は有望な成果を得た。 本稿では,MRIとPETを用いたAD診断のための協調注意・持続誘導核融合フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-04T03:42:07Z)
• MMed-RAG: Versatile Multimodal RAG System for Medical Vision Language Models [49.765466293296186]
  近年,Med-LVLM (Med-LVLMs) の進歩により,対話型診断ツールの新たな可能性が高まっている。 Med-LVLMは、しばしば事実の幻覚に悩まされ、誤った診断につながることがある。 我々は,Med-LVLMの現実性を高めるために,多目的マルチモーダルRAGシステムMMed-RAGを提案する。
  論文  参考訳（メタデータ） (2024-10-16T23:03:27Z)
• Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites: A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
  深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。 我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。 また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
  論文  参考訳（メタデータ） (2023-08-31T00:36:10Z)
• Deep Reinforcement Learning Framework for Thoracic Diseases Classification via Prior Knowledge Guidance [49.87607548975686]
  関連疾患に対するラベル付きデータの不足は、正確な診断にとって大きな課題となる。 本稿では,診断エージェントの学習を指導するための事前知識を導入する,新しい深層強化学習フレームワークを提案する。 提案手法の性能はNIHX-ray 14とCheXpertデータセットを用いて実証した。
  論文  参考訳（メタデータ） (2023-06-02T01:46:31Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)

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。