論文の概要: Agentic systems for breast cancer treatment recommendations
- arxiv url: http://arxiv.org/abs/2607.12051v1
- Date: Mon, 13 Jul 2026 18:09:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-15 17:08:29.92902
- Title: Agentic systems for breast cancer treatment recommendations
- Title（参考訳）: 乳癌治療レコメンデーションのためのエージェントシステム
- Abstract要約: 大規模言語モデル (LLM) は, 臨床診断支援のために研究されているが, 複雑な腫瘍治療計画における信頼性はいまだ不明である。
症例72例を用いて乳がん治療勧告生成のための薬剤的LLMシステムについて検討した。
D&C+SAパイプラインを使用した最高のパフォーマンス構成であるClaude Opus 4.8は、0.594$pm$0.025のスコアを得た。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Large language models (LLMs) are increasingly being explored for clinical decision support, but their reliability in complex oncology treatment planning remains unclear. We evaluated agentic LLM systems for breast cancer treatment recommendation generation using 72 real clinical cases across stages I to IV and 1,147 case-specific rubrics generated through Asymmetric Information Rubric Generation (AIRG), in which the rubric generator had access to real clinical decisions unavailable to the evaluated models. Seven pipelines were compared, including single-LLM baselines, tool-augmented systems, and multi-agent architectures with fact checking and autonomous subagent spawning. The best-performing configuration, Claude Opus 4.8 with the D&C+SA pipeline, achieved a global score of 0.594 $\pm$ 0.025. Tool use and increased agent autonomy had mixed effects, improving performance in some settings but degrading it in others. Performance varied by clinical domain and disease stage, and oncologist-led error analysis revealed persistent clinically relevant failures, including incorrect or missing recommendations, flawed justifications, citation errors, outdated claims, and overconfidence. These findings suggest that agentic LLM systems can generate clinically relevant breast cancer recommendations, but remain insufficient for unsupervised clinical use.
- Abstract（参考訳）: 大規模言語モデル (LLM) は, 臨床診断支援のために研究されているが, 複雑な腫瘍治療計画における信頼性はいまだ不明である。
非対称情報ルーブリック生成法(AIRG)により生成された症例特異的ルーブリックを72例,非対称情報ルーブリック生成法(AIRG)を用いて検討した。
単一LLMベースライン、ツール拡張システム、ファクトチェックと自律サブエージェント生成を備えたマルチエージェントアーキテクチャを含む7つのパイプラインを比較した。
D&C+SAパイプラインを使用した最高のパフォーマンス構成であるClaude Opus 4.8は、0.594$\pm$ 0.025のスコアを得た。
ツールの使用とエージェントの自律性の向上は、いくつかの設定ではパフォーマンスを改善しつつ、他の設定では低下させた。
臨床領域と疾患の段階によってパフォーマンスは変化し,腫瘍学者主導のエラー分析では,不正確あるいは欠落した勧告,欠陥のある正当化,引用誤り,古い主張,自信過剰など,持続的な臨床関連障害がみられた。
以上の結果から, 抗癌剤による乳がん剤の投与は乳がん治療に有効であるが, 予防的治療には不十分であることが示唆された。
関連論文リスト
- FRAC-MAS: A Safe and Explainable Multi-Agent System for Fracture Diagnosis [0.6351973754158782]
FRAC-MASは、自動化、説明可能、安全な骨骨折検出のためのエージェントAIシステムである。
パイプライン深度アブレーション研究は、我々のマルチエージェント批評家が86.6%の患者を高信頼の自己確認コホートに分類していることを確認した。
Llama, MedGemma, Geminiに対する患者の嗜好調査は, より理解しやすい臨床報告を示す。
論文 参考訳（メタデータ） (2026-08-22T10:56:00Z) - ResidencyRL: Reinforcement Learning in Simulated Clinical Environments [53.76751756107077]
臨床人工知能(AI)エージェントを模擬多ターン臨床で訓練するための強化学習(RL)手法であるResidencyRLを提案する。
ホールドアウト評価では、ResidencyRLエージェントは、対向条件下で診断精度を7.0%向上させる。
盲目の専門医はこれらの利得を検証し、訓練されたエージェントをサイドバイサイド比較の87.6%で好んだ。
論文 参考訳（メタデータ） (2026-08-07T17:04:41Z) - ClinSeekAgent: Automating Multimodal Evidence Seeking for Agentic Clinical Reasoning [49.05361955143476]
ClinSeekAgentは動的マルチモーダルエビデンスのための自動エージェントフレームワークである。
ClinSeekAgentは、臨床クエリと生のデータソースへのアクセスのみを前提として、医療知識ベースへの問い合わせ、生のEHRのナビゲート、医療画像ツールの呼び出しによって証拠を集めている。
論文 参考訳（メタデータ） (2026-05-19T17:58:37Z) - Automated Clinical Report Generation for Remote Cognitive Remediation: Comparing Knowledge-Engineered Templates and LLMs in Low-Resource Settings [4.406830461180521]
本稿では,アバター誘導型ホームベース認知修復セッションの低リソース環境における自動臨床報告生成について検討する。
本稿では,(1)言語治療領域の知識を明示的な決定規則として符号化するルールベースのテンプレートシステムと,(2)より流動的で簡潔な出力を目的としたゼロショットLCMベースのアプローチ(GPT-4)を提案する。
結果,臨床信頼性と言語学的品質の間には明確なトレードオフがみられ,GPT-4はより簡潔なアウトプットを生み出す一方,テンプレートベースシステムは流動性,コヒーレンス,結果提示により高いスコアを付けた。
論文 参考訳（メタデータ） (2026-05-07T17:20:22Z) - 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) - Guideline-Grounded Evidence Accumulation for High-Stakes Agent Verification [60.18369393468405]
既存の検証器は通常、ドメイン知識の欠如と限られた校正のために性能が劣る。
GLEANは専門家によって計算されたプロトコルをトラジェクトリインフォームされ、よく校正された正当性信号にコンパイルする。
我々は,MIMIC-IVデータセットから得られた3つの疾患の薬物的臨床診断でGLEANを実証的に検証した。
論文 参考訳（メタデータ） (2026-03-03T09:36:43Z) - A Multi-Agent Framework for Medical AI: Leveraging Fine-Tuned GPT, LLaMA, and DeepSeek R1 for Evidence-Based and Bias-Aware Clinical Query Processing [0.4349324020366305]
大規模言語モデル(LLM)は、医療問題に対する回答を約束するが、臨床的使用は、弱い検証、不十分な証拠の根拠、信頼できない信頼のシグナルによって制限される。
本稿では,補完的なLCMとエビデンス検索,不確実性推定,バイアスチェックを組み合わせて回答信頼性を向上させるマルチエージェント医療QAフレームワークを提案する。
論文 参考訳（メタデータ） (2026-02-15T14:17:27Z) - A DeepSeek-Powered AI System for Automated Chest Radiograph Interpretation in Clinical Practice [83.11942224668127]
Janus-Pro-CXR (1B) はDeepSeek Janus-Proモデルに基づく胸部X線解釈システムである。
本システムは, 自動レポート生成において, 最先端のX線レポート生成モデルより優れる。
論文 参考訳（メタデータ） (2025-12-23T13:26:13Z) - CLIN-LLM: A Safety-Constrained Hybrid Framework for Clinical Diagnosis and Treatment Generation [0.31984926651189866]
LLM(Large Language Model)ベースのシステムは、しばしば医学的な根拠がなく、不確実性を定量化できない。
CLIN-LLMは,マルチモーダル患者エンコーディング,不確実性校正疾患分類,検索・拡張治療生成を統合した安全拘束型ハイブリッドパイプラインである。
論文 参考訳（メタデータ） (2025-10-26T10:11:53Z) - CancerGUIDE: Cancer Guideline Understanding via Internal Disagreement Estimation [18.396334867873307]
NCCN(National Comprehensive Cancer Network)は、がん治療のためのエビデンスベースのガイドラインを提供している。
複雑な患者のプレゼンテーションをガイドラインに準拠した治療レコメンデーションに翻訳することは時間集約的であり、専門的な専門知識を必要とし、エラーを起こしやすい。
非小細胞肺癌患者に対するガイドライン適合治療軌跡を自動生成するためのエージェントベースアプローチを提案する。
論文 参考訳（メタデータ） (2025-09-09T01:49:29Z) - Organ-Agents: Virtual Human Physiology Simulator via LLMs [66.40796430669158]
オルガン-エージェント(Organ-Agents)は、LDM駆動のエージェントを介して人間の生理学をシミュレートする多エージェントフレームワークである。
症例は7,134例,コントロール7,895例で,9系統および125変数にわたる高分解能トラジェクトリを作成した。
臓器抗原は4,509人の保留患者に対して高いシミュレーション精度を達成し, システムごとのMSE0.16とSOFA系重症度層間の堅牢性を示した。
論文 参考訳（メタデータ） (2025-08-20T01:58:45Z)
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。