論文の概要: The Path to Self-Evolving Clinical Systems: Scaling Medical Agents from Assistance to Autonomy
- arxiv url: http://arxiv.org/abs/2607.11175v1
- Date: Mon, 13 Jul 2026 07:16:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-14 17:47:21.3639
- Title: The Path to Self-Evolving Clinical Systems: Scaling Medical Agents from Assistance to Autonomy
- Title（参考訳）: 自己進化型臨床システムへの道--支援から自律への医療エージェントのスケーリング
- Abstract要約: この研究は、医療エージェントが実際に信頼される前に、どんなタスク、耐性ベンチマーク、インタラクティブなトレーニング環境が必要なのかを尋ねる。
医療機関は、部分的に可観測性の下でのシーケンシャルな意思決定システムとして形式化されている。
この枠組みの中では、臨床環境のスケーリング、ツール、データ、臨床体育館の統合が、最も実行可能で未調査の方向として特定されている。
- 参考スコア（独自算出の注目度）: 33.20812920007743
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The growing ability of large language models and vision language models to jointly interpret and reason over images and text is reshaping medical agents, moving them from task specific predictors toward autonomous systems that perceive, reason, plan, remember, and act in clinical environments. This work departs from the capability first perspective of existing literature and instead begins from clinical deployment, asking what tasks, contamination resistant benchmarks, and interactive training environments are required before medical agents can be trusted in practice. Medical agents are formalized as sequential decision making systems under partial observability, together with a three level autonomy taxonomy spanning assisted, cooperative, and fully autonomous operation. The field is organized along a unified scaling spine consisting of framework scaling, capability scaling, and environment scaling. Within this framework, clinical environment scaling, the integration of tools, data, and clinical gyms, is identified as the most actionable yet underexplored direction for agents operating in PACS, EHR, and FHIR ecosystems. Clinical self evolution, where agents improve through interaction with their environments rather than parameter scaling alone, is further positioned as a key research frontier, drawing insights from self improving agents, agent gyms, and test time compute scaling. Applications across radiology, pathology, ophthalmology, and hospital workflows are examined together with deployment challenges including hallucination, cascading failures, and fairness. By consolidating more than 300 references, with particular emphasis on advances from 2025 to 2026, this work provides a roadmap toward trustworthy, self improving medical imaging systems for real clinical practice.
- Abstract（参考訳）: 大きな言語モデルと視覚言語モデルの、画像とテキストを共同で解釈し、推論する能力の増大は、医療エージェントを変革し、それらをタスク固有の予測装置から、臨床環境で知覚、理性、計画、記憶、行動する自律システムへと移行している。
この研究は、既存の文献の能力第一の視点から出発し、代わりに臨床展開から始まり、医療エージェントが実際に信頼される前に、どんなタスク、汚染耐性ベンチマーク、インタラクティブなトレーニング環境が必要なのかを尋ねる。
医療機関は、補助的、協力的、完全自律的な操作にまたがる3段階の自律性分類とともに、部分的可観測性の下でのシーケンシャルな意思決定システムとして形式化されている。
このフィールドは、フレームワークのスケーリング、能力のスケーリング、環境のスケーリングからなる統合スケーリングのスピンに沿って構成されている。
この枠組みの中では、臨床環境のスケーリング、ツール、データ、および臨床ジムの統合が、PACS、EHR、FHIRの生態系で活動するエージェントにとって最も実用的だが探索されていない方向として特定されている。
エージェントはパラメータスケーリングのみではなく、環境とのインタラクションを通じて改善される、臨床自己進化は、さらに重要な研究フロンティアとして位置づけられ、自己改善エージェント、エージェントジム、テスト時間計算スケーリングからの洞察を引き出す。
放射線学、病理学、眼科、および病院のワークフローにまたがる応用を、幻覚、カスケード障害、公平性などの展開課題と共に検討する。
300以上の参照を集約し、特に2025年から2026年までの進歩に重点を置いているこの研究は、実際の臨床実践のために信頼できる自己改善医療画像システムへのロードマップを提供する。
関連論文リスト
- Volumetric Radiology AI in the Era of Multimodal Large Language Models [62.95443321443533]
ボリュームラジオロジーは、基本的な表現ミスマッチを示します。
現在の大言語モデル(MLLM)は、選択された2次元(2次元)画像、圧縮された視覚表現、またはレポート由来のテキストに条件付けされている。
信頼性の高い放射線学 AIは、タスクに関連する3D情報と、これらの情報にアクセスし、検証し、統合できるシステムを保存する表現を必要とする。
論文 参考訳（メタデータ） (2026-08-20T20:23:41Z) - Agentifying Patient Dynamics within LLMs through Interacting with Clinical World Model [57.78184285979881]
敗血症治療推奨のための世界モデル拡張LDMエージェントであるSepsisAgentを紹介する。
SepsisAgentは、学習された臨床世界モデルを使用して、候補の流体圧薬の介入下での患者の反応をシミュレートする。
論文 参考訳（メタデータ） (2026-05-14T11:50:00Z) - PhysicianBench: Evaluating LLM Agents in Real-World EHR Environments [5.310457397170786]
既存の医療エージェントベンチマークは、主に静的な知識のリコール、単一ステップのアトミックアクション、環境に対する実行を検証せずにアクションインテントに焦点を当てている。
PhysicianBenchは、プライマリケアと医師の実際のケースから適応した100のロングホライゾンタスクで構成されている。
各タスクは構造化されたチェックポイント(ベンチマーク全体で合計670)に分解される。
最高のパフォーマンスモデルはわずか46%の成功率(pass@1)であり、オープンソースモデルは19%に達する。
論文 参考訳（メタデータ） (2026-05-04T05:32:25Z) - MedSAM-Agent: Empowering Interactive Medical Image Segmentation with Multi-turn Agentic Reinforcement Learning [53.37068897861388]
MedSAM-Agentは、対話的なセグメンテーションを多段階の自律的な意思決定プロセスとして再構築するフレームワークである。
マルチターン・エンド・ツー・エンドの成果検証を統合した2段階のトレーニングパイプラインを開発した。
6つの医療モダリティと21のデータセットにわたる実験は、MedSAM-Agentが最先端のパフォーマンスを達成することを示す。
論文 参考訳（メタデータ） (2026-02-03T09:47:49Z) - Native Intelligence Emerges from Large-Scale Clinical Practice: A Retinal Foundation Model with Deployment Efficiency [36.52215702000448]
本稿では,485,980枚の眼底写真とそれに対応する診断報告の自然なアライメントから学習する網膜基盤モデルReVisionを提案する。
33人の眼科医による先進的な研究において、ReVisionのゼロショット支援は全ての経験レベルにおいて診断精度を14.8%向上させた。
論文 参考訳（メタデータ） (2025-12-16T15:33:08Z) - Medical Reasoning in the Era of LLMs: A Systematic Review of Enhancement Techniques and Applications [59.721265428780946]
医学における大きな言語モデル(LLM)は印象的な能力を実現しているが、体系的で透明で検証可能な推論を行う能力に重大なギャップが残っている。
本稿は、この新興分野に関する最初の体系的なレビューを提供する。
本稿では,学習時間戦略とテスト時間メカニズムに分類した推論強化手法の分類法を提案する。
論文 参考訳（メタデータ） (2025-08-01T14:41:31Z) - Learning to Be A Doctor: Searching for Effective Medical Agent Architectures [32.82784216021035]
本稿では,医療エージェントアーキテクチャの自動設計のための新しいフレームワークを紹介する。
自動機械学習(AutoML)の成功に触発され、階層的で表現力のあるエージェント検索空間を定義する。
本フレームワークは,多様な機能ノード型からなるグラフベースのアーキテクチャとして医療エージェントを概念化する。
論文 参考訳（メタデータ） (2025-04-15T15:44:21Z) - Medchain: Bridging the Gap Between LLM Agents and Clinical Practice with Interactive Sequence [68.05876437208505]
臨床ワークフローの5つの重要な段階をカバーする12,163の臨床症例のデータセットであるMedChainを提示する。
フィードバック機構とMCase-RAGモジュールを統合したAIシステムであるMedChain-Agentも提案する。
論文 参考訳（メタデータ） (2024-12-02T15:25:02Z) - Towards Next-Generation Medical Agent: How o1 is Reshaping Decision-Making in Medical Scenarios [46.729092855387165]
本稿では,医療用AIエージェントのバックボーンLSMの選択について検討する。
我々の研究結果は、o1の診断精度と一貫性を高める能力を示し、よりスマートでより応答性の高いAIツールへの道を開いた。
論文 参考訳（メタデータ） (2024-11-16T18:19:53Z) - Autonomous Artificial Intelligence Agents for Clinical Decision Making in Oncology [0.6397820821509177]
本稿では,大規模言語モデル(LLM)を中心的推論エンジンとして活用する,マルチモーダル医療用AIの代替手法を提案する。
このエンジンは、医療用AIツールのセットを自律的に調整し、デプロイする。
適切なツール(97%)、正しい結論(93.6%)、完全(94%)、個人患者に有用な推奨(89.2%)を提示する能力が高いことを示す。
論文 参考訳（メタデータ） (2024-04-06T15:50:19Z)
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。