論文の概要: SAGEAgent: A Self-Evolving Agent for Cost-Aware Modality Acquisition in Multimodal Survival Prediction

• arxiv url: http://arxiv.org/abs/2607.09521v1
• Date: Fri, 10 Jul 2026 15:32:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-13 14:47:12.890038
• Title: SAGEAgent: A Self-Evolving Agent for Cost-Aware Modality Acquisition in Multimodal Survival Prediction
• Title（参考訳）: SAGEAgent:マルチモーダル生存予測における費用を考慮したモダリティ獲得のためのセルフ進化エージェント
• Abstract要約: SAGEAgentは,患者ごとの診断基準を決定する自己進化型臨床薬である。 実験の結果、SAGEAgentは平均取得負担を55%減らしながら、競争生存率予測精度を達成した。
• 参考スコア（独自算出の注目度）: 6.185729888403738
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Does every cancer patient truly need a complete diagnostic workup for accurate survival prediction? In multimodal clinical oncology, diagnostic modalities follow a clinically mandated order of escalating burden -- from demographics collected at intake to genomic profiling requiring specialized tissue analysis. Current multimodal survival methods either assume all modalities are available or passively handle missing data, but none actively reason about whether acquiring the next modality is justified for a given patient along this ordered workflow. We formulate this as a sequential decision problem and propose SAGEAgent (Sequential Acquisition Guided by Experience), a self-evolving LLM-based clinical agent that decides which diagnostic modalities to acquire for each patient, balancing predictive accuracy against clinical invasiveness. SAGEAgent reasons about each patient's evolving diagnostic state through clinical tools that translate numerical predictions into text, an episodic memory that retrieves similar past cases, and a semantic memory that accumulates reusable decision patterns from experience. Experiments on a glioma cohort combining TCGA-LGG, TCGA-GBM, and BraTS with four diagnostic modalities demonstrate that SAGEAgent achieves competitive survival prediction accuracy while reducing average acquisition burden by 55%.
• Abstract（参考訳）: すべてのがん患者は、正確な生存予測のために、本当に完全な診断ワークアップが必要ですか? マルチモーダルな臨床腫瘍学では、診断モダリティは、摂取時に収集された人口統計から、特殊な組織分析を必要とするゲノムプロファイリングまで、臨床的に義務づけられた重荷の順に従っている。 現在のマルチモーダルサバイバル手法では、すべてのモダリティが利用可能であるか、あるいは欠落したデータを受動的に扱うかのいずれかを仮定するが、この順序付けられたワークフローに沿って、次のモダリティを取得することが正当化されるかどうかについては、アクティブに理由を定めていない。 本稿では, 患者ごとの診断基準を決定する自己進化型LSMベースの臨床エージェントであるSAGEAgent(Sequential Acquisition Guided by Experience)を提案する。 SAGEAgentは、数値予測をテキストに変換する臨床ツール、類似した過去の症例を検索するエピソードメモリ、経験から再利用可能な決定パターンを蓄積するセマンティックメモリを通じて、患者の進行する診断状態を理由付けている。 TCGA-LGG, TCGA-GBM, BraTSを4つの診断モードで組み合わせたグリオーマコホート実験により, SAGEAgentは平均取得負担を55%削減し, 生存率の予測精度を向上することを示した。

関連論文リスト

• Cerebra: A Multidisciplinary AI Board for Multimodal Dementia Characterization and Risk Assessment [56.62016795093786]
  CerebraはインタラクティブなマルチエージェントAIチームで、ERH、臨床ノート、医療画像分析のための特殊エージェントをコーディネートする。 構造化された表現を操作することで、プライバシ保護デプロイメントをサポートし、モダリティが不完全であれば、堅牢である。 Cerebraは、有識者のパフォーマンスを著しく改善し、前向き認知症リスク推定において精度を17.5ポイント向上させた。
  論文  参考訳（メタデータ） (2026-03-23T05:46:45Z)
• Experience-Guided Self-Adaptive Cascaded Agents for Breast Cancer Screening and Diagnosis with Reduced Biopsy Referrals [8.077581449917155]
  フレームワークは、スクリーニングと診断を2段階の選択的意思決定プロセスとしてモデル化する。 軽量スクリーニングクリニック」エージェントは、さらなる診断エスカレーションから良性および正常な症例を選択的にフィルタリングする。 診断クリニック」エージェントは、よりリッチな知覚と放射線学的記述ツールを統合して、生検基準に関する二次的な決定を行う。
  論文  参考訳（メタデータ） (2026-02-27T10:48:14Z)
• EvoClinician: A Self-Evolving Agent for Multi-Turn Medical Diagnosis via Test-Time Evolutionary Learning [72.70291772077738]
  エージェントのマルチターン診断能力を評価するためのベンチマークであるMed-Inquireを提案する。 次に、テスト時に効率的な診断戦略を学ぶ自己進化エージェントであるEvoClinicianを紹介する。 実験の結果,EvoClinicianは連続学習ベースラインや,メモリエージェントなどの自己進化エージェントよりも優れていた。
  論文  参考訳（メタデータ） (2026-01-30T13:26:18Z)
• SurvAgent: Hierarchical CoT-Enhanced Case Banking and Dichotomy-Based Multi-Agent System for Multimodal Survival Prediction [49.355973075150075]
  マルチモーダルサバイバル予測のための最初の階層的チェーン・オブ・シント(CoT)強化マルチエージェントシステムであるSurvAgentを紹介する。 SurvAgentは2つの段階から構成される: WSI-Gene CoT-Enhanced Case Bank Constructionは、低磁化スクリーニング、クロスモーダル類似性-アウェアパッチマイニング、および病理画像に対する信頼-アウェアパッチマイニングを通じて階層解析を使用する。 二分法に基づくMulti-Expert Agent Inferenceは、RAGを介して類似の事例を検索し、段階的間隔改善による専門家予測とマルチモーダルレポートを統合する。
  論文  参考訳（メタデータ） (2025-11-20T18:41:44Z)
• Timely Clinical Diagnosis through Active Test Selection [49.091903570068155]
  本稿では,現実の診断推論をよりうまくエミュレートするためのACTMED (Adaptive Clinical Test selection via Model-based Experimental Design)を提案する。 LLMは柔軟なシミュレータとして機能し、構造化されたタスク固有のトレーニングデータを必要とせずに、患者状態のもっともらしい分布を生成し、信念の更新をサポートする。 我々は、実世界のデータセット上でACTMEDを評価し、診断精度、解釈可能性、リソース使用量を改善するためにテスト選択を最適化できることを示す。
  論文  参考訳（メタデータ） (2025-10-21T18:10:45Z)
• Cohort-Aware Agents for Individualized Lung Cancer Risk Prediction Using a Retrieval-Augmented Model Selection Framework [4.828586430285072]
  肺がんのリスク予測は、患者集団間の大きな変動と臨床環境のために依然として困難である。 本稿では,各患者に対して最も適切なモデルを動的に選択する,パーソナライズされた肺癌リスク予測エージェントを提案する。
  論文  参考訳（メタデータ） (2025-08-20T02:59:39Z)
• MIL vs. Aggregation: Evaluating Patient-Level Survival Prediction Strategies Using Graph-Based Learning [52.231128973251124]
  我々は,WSIおよび患者レベルでの生存を予測するための様々な戦略を比較した。 前者はそれぞれのWSIを独立したサンプルとして扱い、他の作業で採用された戦略を模倣します。 後者は、複数のWSIの予測を集約するか、最も関連性の高いスライドを自動的に識別するメソッドを含む。
  論文  参考訳（メタデータ） (2025-03-29T11:14:02Z)
• Survival Prediction in Lung Cancer through Multi-Modal Representation Learning [9.403446155541346]
  本稿では,CTとPETの包括的情報と関連するゲノムデータを用いた生存予測手法を提案する。 我々は,マルチモーダル画像データと遺伝的情報を統合することにより,生存率の予測モデルを構築することを目的とする。
  論文  参考訳（メタデータ） (2024-09-30T10:42:20Z)
• Hemogram Data as a Tool for Decision-making in COVID-19 Management: Applications to Resource Scarcity Scenarios [62.997667081978825]
  新型コロナウイルス(COVID-19)のパンデミックは世界中の緊急対応システムに挑戦している。 本研究は, 症状患者の血液検査データから得られた機械学習モデルについて述べる。 提案されたモデルでは、新型コロナウイルスqRT-PCRの結果を、高い精度、感度、特異性で症状のある個人に予測することができる。
  論文  参考訳（メタデータ） (2020-05-10T01:45:03Z)

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。