論文の概要: MedLoCoMo: A Long-Context Multi-Session Medical Dialogue Benchmark for Large Language Models

• arxiv url: http://arxiv.org/abs/2607.22566v1
• Date: Sun, 31 May 2026 03:40:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-02 22:55:38.967856
• Title: MedLoCoMo: A Long-Context Multi-Session Medical Dialogue Benchmark for Large Language Models
• Title（参考訳）: MedLoCoMo:大規模言語モデルのための長期マルチセッション医療対話ベンチマーク
• Abstract要約: MedLoCoMo(MedLoCoMo)は、多段階医療対話に対する患者固有の臨床推論のベンチマークである。 我々はMIMIC-IVとMIMIC-IV-Noteの記録からMedLoCoMoを構築する。 このベンチマークには、平均1,669.8ターン、29.7セッション、74,512.2トークンを含む100の患者タイムラインが含まれている。
• 参考スコア（独自算出の注目度）: 35.75305337108171
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: MedLoCoMo is a Medical Long-Context Memory benchmark for patient-specific clinical reasoning over multi-admission medical dialogue. Existing medical QA benchmarks largely test short context knowledge or single document grounding, leaving open whether LLMs can use, connect, and abstain over longitudinal patient histories. We build MedLoCoMo from deidentified MIMIC-IV and MIMIC-IV-Note records by constructing admission-level clinical packets, synthesizing grounded doctor-patient conversations, and generating evidence linked QA items over single-admission, cross-admission, and adversarial unanswerable settings. The benchmark contains 100 patient timelines averaging 1,669.8 turns, 29.7 sessions, and 74,512.2 tokens per conversation. Across the evaluated baselines, cross-admission reasoning is consistently harder than localized evidence use, even when models have long context windows or use external memory or retrieval methods. The code and MedLoCoMo benchmark release is available at https://github.com/leozzy13/MedLoCoMo for use and reproducibility.
• Abstract（参考訳）: MedLoCoMo(MedLoCoMo)は、多段階医療対話における患者固有の臨床推論のための医学的長期記憶ベンチマークである。 既存のQAベンチマークは、主に短い文脈の知識または単一の文書の基盤をテストし、LLMが長期の患者の履歴に対して使用、接続、吸収できるかどうかを公開している。 我々は,MIMIC-IV とMIMIC-IV-Note の識別から,入院レベルの臨床パケットを構築し,接地した医師と患者との会話を合成し,単一許可,クロス許可,対向的不可解な設定で関連付けられたQA項目を生成することで,MedLoCoMo を構築した。 このベンチマークには、平均1,669.8ターン、29.7セッション、74,512.2トークンを含む100の患者タイムラインが含まれている。 評価されたベースライン全体にわたって、モデルが長いコンテキストウィンドウを持っていたり、外部メモリや検索メソッドを使用したりしても、クロスアドミッション推論は、局所的なエビデンスよりも一貫して難しい。 コードとMedLoCoMoベンチマークリリースはhttps://github.com/leozzy13/MedLoCoMoで利用可能である。

関連論文リスト

• Synthesis and Evaluation of Long-term History-aware Medical Dialogue [6.317682711402412]
  高品質な長期医療対話をLLMと合成するための枠組みを提案する。 我々は,医療エージェントの記憶能力を評価するために,対話内推論,対話間推論,合成推論の3つのベンチマークタスクを構築した。 ベンチマーク実験によると、最先端のLLMでさえMediLongChatと競合している。
  論文  参考訳（メタデータ） (2026-05-19T12:38:41Z)
• MedArena: Comparing LLMs for Medicine-in-the-Wild Clinician Preferences [50.71326426975699]
  MedArenaは医療用大規模言語モデル(LLM)のためのインタラクティブな評価プラットフォームである。 MedArenaは、2つのランダムに選択されたモデルからの応答を表示し、ユーザが好みのレスポンスを選択するように要求する。 2025年11月1日までに12台のLLMで収集された1571の選好のうち、ジェミニ2.0フラッシュシンキング、ジェミニ2.5プロ、GPT-4oがブラッドリー・テリーのレーティングで上位3モデルとなった。
  論文  参考訳（メタデータ） (2026-03-13T22:30:26Z)
• MedMT-Bench: Can LLMs Memorize and Understand Long Multi-Turn Conversations in Medical Scenarios? [9.531847251088488]
  我々は、MedMT-Benchという医療用マルチターンインストラクションをベンチマークで紹介する。 手動のエキスパート編集によって改良されたシーン・バイ・シーンデータ合成によるベンチマークを構築した。 各テストケースは平均22ラウンド(52ラウンドのコンテキスト)で、5種類の難しい命令が続く。
  論文  参考訳（メタデータ） (2026-03-06T12:17:14Z)
• MedDialogRubrics: A Comprehensive Benchmark and Evaluation Framework for Multi-turn Medical Consultations in Large Language Models [15.91764739198419]
  5,200件の患者と6万件以上のきめ細粒度評価ルーブリックからなる新規なベンチマークであるMedDialogRubricsについて紹介する。 本フレームワークでは,実世界の電子的健康記録にアクセスすることなく,現実的な患者記録と主訴を合成するマルチエージェントシステムを採用している。
  論文  参考訳（メタデータ） (2026-01-06T13:56:33Z)
• LLMEval-Med: A Real-world Clinical Benchmark for Medical LLMs with Physician Validation [58.25892575437433]
  医学における大規模言語モデル (LLMs) の評価は, 医療応用には精度が高く, 誤差の少ないため重要である。 LLMEval-Medは、5つの中核医療領域をカバーする新しいベンチマークであり、現実の電子健康記録から得られた2,996の質問と専門家が設計した臨床シナリオを含む。
  論文  参考訳（メタデータ） (2025-06-04T15:43:14Z)
• MedBrowseComp: Benchmarking Medical Deep Research and Computer Use [10.565661515629412]
  MedBrowseCompは、エージェントが医療事実を検索し、合成する能力を体系的にテストするベンチマークである。 臨床シナリオを反映した1,000以上の人為的な質問が含まれている。 MedBrowseCompをフロンティアエージェントシステムに適用すると、パフォーマンスの欠点が10%も低くなる。
  論文  参考訳（メタデータ） (2025-05-20T22:42:33Z)
• A Benchmark for Long-Form Medical Question Answering [4.815957808858573]
  長期医療質問応答(QA)における大規模言語モデル(LLM)の評価のためのベンチマークの欠如 既存のQA評価ベンチマークのほとんどは、自動メトリクスと複数項目の質問に焦点を当てている。 本研究は,医科医が注釈を付した長文回答評価を伴う現実の消費者医療質問を特徴とする,新たに公開されたベンチマークを提案する。
  論文  参考訳（メタデータ） (2024-11-14T22:54:38Z)
• AI Hospital: Benchmarking Large Language Models in a Multi-agent Medical Interaction Simulator [69.51568871044454]
  我々は,emphDoctorをプレイヤとして,NPC間の動的医療相互作用をシミュレーションするフレームワークであるtextbfAI Hospitalを紹介した。 この設定は臨床シナリオにおけるLCMの現実的な評価を可能にする。 高品質な中国の医療記録とNPCを利用したマルチビュー医療評価ベンチマークを開発した。
  論文  参考訳（メタデータ） (2024-02-15T06:46:48Z)
• Med-Flamingo: a Multimodal Medical Few-shot Learner [58.85676013818811]
  医療領域に適応したマルチモーダル・数ショット学習者であるMed-Flamingoを提案する。 OpenFlamingo-9Bに基づいて、出版物や教科書からの医療画像テキストデータのペア化とインターリーブ化を継続する。 本研究は,医療用VQA(ジェネレーティブ医療用VQA)の最初の人間評価である。
  論文  参考訳（メタデータ） (2023-07-27T20:36:02Z)
• PMC-LLaMA: Towards Building Open-source Language Models for Medicine [62.39105735933138]
  大規模言語モデル(LLM)は、自然言語理解において顕著な能力を示した。 LLMは、ドメイン固有の知識が不足しているため、医学的応用のような正確性を必要とする領域で苦労している。 PMC-LLaMAと呼ばれる医療応用に特化した強力なオープンソース言語モデルの構築手順について述べる。
  論文  参考訳（メタデータ） (2023-04-27T18:29:05Z)

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。