論文の概要: The Large Cancer Assistant (LCA): A Model-Agnostic Orchestration Framework for Scalable Clinical Decision Support in Oncology
- arxiv url: http://arxiv.org/abs/2607.06531v1
- Date: Tue, 07 Jul 2026 17:38:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-08 21:24:51.611036
- Title: The Large Cancer Assistant (LCA): A Model-Agnostic Orchestration Framework for Scalable Clinical Decision Support in Oncology
- Title（参考訳）: 大がん補助(LCA) : 腫瘍学におけるスケーラブルな臨床診断支援のためのモデル非依存的オーケストレーションフレームワーク
- Abstract要約: Large Cancer Assistant (LCA) は、スケーラブルな臨床診断支援のために設計された、モデルに依存しないポストホックオーケストレーションフレームワークである。
LCAはアルゴリズム不透過性の原理に基づく7タプルアーキテクチャとして数学的に定式化されている。
システムは、がんスイッチングモジュールを介してデータを動的にオーケストレーションし、揮発性病院ITインフラストラクチャからコアAI実行を意図的に分離する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: - Objective: Multimodal deep learning models in oncology are currently limited by monolithic designs that rigidly couple data ingestion, clinical routing, and artificial intelligence (AI) inference. To address this inflexibility, we propose the Large Cancer Assistant (LCA), a model-agnostic, post-hoc orchestration framework designed for scalable clinical decision support. - Methods: The LCA is mathematically formalized as a 7-tuple architecture grounded in the principle of Algorithmic Impermeability, ensuring the orchestration logic remains strictly independent of underlying black-box AI models. We introduce the Entry Theory, leveraging Geometric Deep Learning (GDL) to standardize multimodal patient data along distinct structural and medical axes. The system dynamically orchestrates data via a Cancer Switching Module and intentionally isolates the core AI execution from volatile hospital IT infrastructures by outputting a Standardized Intermediate Payload (SIP). - Results: A Proof of Concept (PoC) validated the orchestration logic across four technical scenarios. The framework executed a nominal flow with negligible orchestration overhead. It empirically demonstrated algorithmic impermeability by maintaining an invariant routing projection during AI model swaps, and it validated strict failure-safety by achieving a 100\% recall rate in generating targeted Supplementary Data Requests (SDR) under injected data anomalies. Multi-protocol execution capability was also successfully verified. - Conclusion: By structurally decoupling multimodal ingestion from feature inference, the LCA provides a highly adaptable and modular orchestration foundation. The SIP establishes a clear architectural boundary, natively setting the stage for downstream Electronic Medical Record (EMR) interoperability as an independent future paradigm.
- Abstract（参考訳）: 目的: 腫瘍学におけるマルチモーダルディープラーニングモデルは現在,データの取り込み,臨床ルーティング,人工知能(AI)推論を厳格に結合するモノリシックな設計によって制限されている。
この柔軟性に対処するために,スケーラブルな臨床診断支援を目的としたモデルに依存しないポストホックオーケストレーションフレームワークであるLarge Cancer Assistant (LCA)を提案する。
メソッド: LCAは、アルゴリズム不透過性の原則に基づく7タプルアーキテクチャとして数学的に形式化されており、オーケストレーションロジックが基盤となるブラックボックスAIモデルと厳密に独立していることを保証する。
我々は、幾何学的深層学習(GDL)を活用して、異なる構造的および医療的軸に沿ってマルチモーダルな患者データを標準化するエントリー理論を導入する。
このシステムは、癌スイッチングモジュールを介してデータを動的にオーケストレーションし、標準中間料金(SIP)を出力することで、揮発性病院ITインフラストラクチャからコアAI実行を意図的に分離する。
結果: 概念実証(PoC)は4つの技術的シナリオでオーケストレーションロジックを検証する。
フレームワークは、オーケストレーションのオーバーヘッドを無視して、名目上のフローを実行した。
AIモデルのスワップ中に不変のルーティングプロジェクションを維持することでアルゴリズムの不透過性を実証し、インジェクションされたデータ異常の下でターゲットの補助データ要求(SDR)を生成する際に100倍のリコール率を達成することによって、厳密な障害安全性を検証した。
マルチプロトコル実行機能も正常に検証された。
結論: マルチモーダルな取り込みを機能推論から構造的に切り離すことで、LCAは高度に適応可能でモジュール化されたオーケストレーション基盤を提供します。
SIPは明確なアーキテクチャ境界を確立し、独立的な将来のパラダイムとして、下流のEMR(Electronic Medical Record)相互運用性のステージをネイティブに設定する。
関連論文リスト
- Concept-Grounded Reasoning with Prompt-Driven Localization for Interpretable Structured Report Generation [66.62662330558906]
CORALは、空間的接地と概念レベルの監督を統一的な推論プロセスに統合するマルチモーダルフレームワークである。
コーラルは、疾患の局所化とコンセプション・ボトルネックモジュールによる多クラス臨床属性の予測のために、プロンプト駆動型医療セグメンテーションモデルを採用している。
BUS-CoTとIU X線データセットの実験では、診断精度、概念整合性、報告品質が強力な汎用および医療MLLMよりも一貫した改善が示されている。
論文 参考訳（メタデータ） (2026-09-14T10:21:23Z) - STEP: A Modular Silent Trial Engine for Operational Evaluation of Digital Pathology AI in Routine Workflow [1.6877591150411722]
サイレントトライアルは、AIモデルの振り返り検証と、臨床医療におけるそれらの使用の間の橋渡しを提供する。
我々は、計算病理AIモデルの将来的なサイレントトライアルを編成する再利用可能なソフトウェアプラットフォームを開発した。
論文 参考訳（メタデータ） (2026-08-27T20:33:39Z) - Dementia Etiology Diagnosis via Collaborative Meta Knowledge Enhancement [81.27196033392559]
認知症発症診断のための協調的メタ知識向上(COME)フレームワークを提案する。
COMEは、マルチセンタ取得セマンティクス、ソース識別子、モダリティインジケータを異種性を認識した埋め込みとして、スケールアップトレーニングのためにTransformerアーキテクチャに注入する。
本手法は,平均マクロ平均AUCが85.62%,最強ベースラインが4.29ポイント向上し,最先端のドメイン性能を実現する。
論文 参考訳（メタデータ） (2026-07-24T04:26:47Z) - Handling and Interpreting Missing Modalities in Patient Clinical Trajectories via Autoregressive Sequence Modeling [24.896312231457653]
我々は、安全で透明な臨床AIの標準的デシプラタムに対処しながら、欠落したモダリティをプロファイルし、対処するためのフレームワークを開発する。
変換器ベースアーキテクチャを用いた自己回帰シーケンスモデリングはMIMIC-IVおよびeICUファインチューニングベンチマークのベースラインよりも優れていることを示す。
論文 参考訳（メタデータ） (2026-04-20T18:55:56Z) - MedAD-R1: Eliciting Consistent Reasoning in Interpretible Medical Anomaly Detection via Consistency-Reinforced Policy Optimization [46.65200216642429]
我々はMedADの最初の大規模マルチモーダル・マルチセンタベンチマークであるMedAD-38Kを紹介し、構造化された視覚質問応答(VQA)ペアとともに、CoT(Chain-of-Thought)アノテーションを特徴付ける。
提案するモデルであるMedAD-R1は、MedAD-38Kベンチマーク上での最先端(SOTA)性能を実現し、強いベースラインを10%以上上回った。
論文 参考訳（メタデータ） (2026-02-01T07:56:10Z) - Forging a Dynamic Memory: Retrieval-Guided Continual Learning for Generalist Medical Foundation Models [45.285970665585914]
本稿では,継続的学習のための包括的枠組みを提案する。
モデル微調整のためのリアルタイムガイダンスを提供するマルチモーダル多層RAGシステムを用いる。
動的知識蒸留フレームワークを導入する。
論文 参考訳（メタデータ） (2025-12-15T08:09:40Z) - CureAgent: A Training-Free Executor-Analyst Framework for Clinical Reasoning [23.353757415071104]
Executor-Analyst Frameworkは、臨床推論のセマンティックロバスト性からツール実行の構文的精度を分離するモジュラーアーキテクチャである。
提案手法は,手頃なエンドツーエンドのファインタニングを必要とせずに,CURE-Bench上で最先端のパフォーマンスを実現することを目的としている。
論文 参考訳（メタデータ） (2025-12-05T09:56:58Z) - Adapformer: Adaptive Channel Management for Multivariate Time Series Forecasting [49.40321003932633]
Adapformerは、効果的なチャネル管理を通じてCIとCD方法論のメリットをマージする、トランスフォーマーベースの高度なフレームワークである。
Adapformerは既存のモデルよりも優れた性能を実現し、予測精度と計算効率の両方を向上させる。
論文 参考訳（メタデータ） (2025-11-18T16:24:05Z) - A Novel Hierarchical Integration Method for Efficient Model Merging in Medical LLMs [1.6822710357817308]
大規模言語モデル(LLM)は、分散医療において重大な課題に直面します。
本稿では,2つのアーキテクチャに適合する医療用LLMに適用した6つのパラメータ空間マージ手法の体系的評価について述べる。
論文 参考訳（メタデータ） (2025-11-17T13:47:27Z) - Deep Learning Approach for Clinical Risk Identification Using Transformer Modeling of Heterogeneous EHR Data [0.0]
本研究では,トランスフォーマーを用いた経時的モデリング手法を提案し,異種ERHデータを用いた臨床リスク分類の課題に対処する。
この方法はマルチソース医療機能を入力とし、構造化データと非構造化データの統一表現を実現するために特徴埋め込み層を用いる。
実験結果から,提案モデルは従来の機械学習モデルや時間的深層学習モデルよりも精度,リコール,精度,F1スコアで優れていた。
論文 参考訳（メタデータ） (2025-11-06T08:02:21Z) - Hierarchical Self-Supervised Representation Learning for Depression Detection from Speech [51.14752758616364]
音声による抑うつ検出 (SDD) は、従来の臨床評価に代わる有望で非侵襲的な代替手段である。
HAREN-CTCは,マルチタスク学習フレームワーク内でのクロスアテンションを用いて,多層SSL機能を統合した新しいアーキテクチャである。
このモデルはDAIC-WOZで0.81、MODMAで0.82の最先端マクロF1スコアを達成し、両方の評価シナリオで先行手法より優れている。
論文 参考訳（メタデータ） (2025-10-05T09:32:12Z) - Technical Report: Facilitating the Adoption of Causal Inference Methods Through LLM-Empowered Co-Pilot [44.336297829718795]
CATE-Bは,大規模言語モデル(LLM)をエージェントフレームワーク内で使用して,治療効果推定を通じてユーザを誘導する,オープンソースのコパイロットシステムである。
CATE-B は (i) 因果発見と LLM に基づくエッジオリエンテーションによる構造因果モデルの構築、 (ii) 因果構造とデータセット特性に適合した適切な回帰方法を選択することによるロバストな調整セットの同定を支援する。
論文 参考訳（メタデータ） (2025-08-14T12:20:51Z) - Clinical NLP with Attention-Based Deep Learning for Multi-Disease Prediction [44.0876796031468]
本稿では,電子健康記録テキストの非構造的性質と高次元意味論的複雑さがもたらす課題について論じる。
情報抽出と多ラベル病予測のための統合モデリングを実現するために,注意機構に基づく深層学習手法を提案する。
論文 参考訳（メタデータ） (2025-07-02T07:45:22Z) - Diffusion-based Counterfactual Augmentation: Towards Robust and Interpretable Knee Osteoarthritis Grading [7.748673766536236]
本稿では,モデルの堅牢性と解釈可能性を高める拡散型対実拡張(DCA)の枠組みを提案する。
このフレームワークは、モデル不確実性を堅牢なトレーニング信号に変換し、より正確で信頼性の高い自動診断システムを開発するための有望な経路を提供する。
論文 参考訳（メタデータ） (2025-06-18T04:16:28Z) - XAI for In-hospital Mortality Prediction via Multimodal ICU Data [57.73357047856416]
マルチモーダルICUデータを用いて病院内死亡率を予測するための,効率的で説明可能なAIソリューションを提案する。
我々は,臨床データから異種入力を受信し,意思決定を行うマルチモーダル・ラーニングを我々のフレームワークに導入する。
我々の枠組みは、医療研究において重要な要素の発見を容易にする他の臨床課題に容易に移行することができる。
論文 参考訳（メタデータ） (2023-12-29T14:28:04Z)
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。