論文の概要: G-CARL: Grounded Checklist-Aligned Reward Learning for Patient-Oriented Medical Report Interpretation

• arxiv url: http://arxiv.org/abs/2608.20331v1
• Date: Thu, 20 Aug 2026 17:59:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-21 20:28:51.668196
• Title: G-CARL: Grounded Checklist-Aligned Reward Learning for Patient-Oriented Medical Report Interpretation
• Title（参考訳）: G-CARL:患者指向医療報告解釈のためのグラウンドドチェックリストアライメント・リワードラーニング
• Abstract要約: 患者指向医療報告解釈(PMRI)は、新しいオープンエンドマルチモーダル・ジェネレーション・タスクである。 G-CARLは、チェックリストに準拠した強化学習フレームワークである。 MMedReportは現実世界のPMRIベンチマークである。
• 参考スコア（独自算出の注目度）: 20.773040629535785
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Personalized interpretation of medical reports has emerged as an increasingly important need among patients. Addressing this need requires both evidence-grounded medical factuality and context-dependent patient communication, yet existing medical vision-language tasks do not adequately capture these dual requirements. To bridge this gap, we introduce Patient-oriented Medical Report Interpretation (PMRI), a novel open-ended multimodal generation task that requires models to explain medical reports in accurate and accessible language based on a user's query and dialogue history. These two objectives differ fundamentally in their verifiability, yet remain tightly coupled, making them difficult to optimize jointly under conventional supervised fine-tuning and holistic reinforcement learning paradigms. To address this challenge, we propose G-CARL, a grounded, checklist-aligned reinforcement learning framework that combines multi-source retrieval for atomic claim verification with context-aware, instance-specific weighted checklists for response coverage, providing structured supervision for factuality, user-demand satisfaction, and expression quality without constraining response diversity. We further construct MMedReport, a real-world PMRI benchmark, along with a clinician-designed three-dimensional evaluation protocol. Extensive experiments demonstrate that G-CARL consistently outperforms existing post-training baselines in overall quality, claim-level precision, and checklist recall. Pairwise preference evaluation by clinicians further confirms that G-CARL produces interpretations that are more accurate and better aligned with patient needs.
• Abstract（参考訳）: 医療報告のパーソナライズされた解釈は、患者にとってますます重要なニーズとなっている。 このニーズに対処するには、根拠に基づく医療事実と文脈に依存した患者コミュニケーションの両方が必要であるが、既存の医療ビジョン言語タスクは、これらの二重要求を適切に捉えていない。 このギャップを埋めるために,患者指向医療報告解釈(PMRI)を導入する。これは,ユーザのクエリと対話履歴に基づいて,正確でアクセスしやすい言語で医療報告を説明するモデルを必要とする,新しいオープンなマルチモーダル生成タスクである。 これらの2つの目的は、基本的には検証性が異なるが、密結合が保たれており、従来の教師付き微調整および総合的な強化学習パラダイムの下では、共同最適化が困難である。 この課題に対処するため、G-CARLは、マルチソース検索による原子的クレーム検証とコンテキスト認識、応答カバレッジのためのインスタンス固有の重み付けチェックリストを組み合わせ、応答多様性を制約することなく、現実性、ユーザ要求満足度、表現品質の構造化された監視を提供する、基礎的なチェックリスト整合型強化学習フレームワークを提案する。 さらに,実世界のPMRIベンチマークであるMMedReportと,臨床者が設計した3次元評価プロトコルを構築した。 G-CARLは、全体的な品質、クレームレベルの精度、チェックリストのリコールにおいて、既存のトレーニング後のベースラインを一貫して上回ることを示した。 臨床医による適切な選好評価は、G-CARLがより正確で患者のニーズに整合した解釈を生成することをさらに確認する。

関連論文リスト

• Analyzing and Improving Fine-grained Preference Optimization in Medical LVLMs [53.697403481143404]
  LVLM(Large Vision-Language Models)は、医用画像処理タスクにおいて強力なパフォーマンスを実現している。 しかし、実際の不整合、視力の低下、臨床的に有意義なフィードバックによる不一致が続く傾向にある。
  論文  参考訳（メタデータ） (2026-06-10T18:35:36Z)
• Towards Reliable Medical LLMs: Benchmarking and Enhancing Confidence Estimation of Large Language Models in Medical Consultation [97.36081721024728]
  本稿では,現実的な医療相談におけるマルチターンインタラクションの信頼性を評価するための最初のベンチマークを提案する。 本ベンチマークでは,3種類の医療データを統合し,診断を行う。 本稿では,エビデンスを基盤とした言語自己評価フレームワークであるMedConfを紹介する。
  論文  参考訳（メタデータ） (2026-01-22T04:51:39Z)
• Benchmarking Egocentric Clinical Intent Understanding Capability for Medical Multimodal Large Language Models [48.95516224614331]
  MedGaze-Benchは、臨床医の視線を認知的カーソルとして活用し、手術、緊急シミュレーション、診断解釈における意図的理解を評価する最初のベンチマークである。 本ベンチマークでは,解剖学的構造の視覚的均一性,臨床における時間・因果依存性の厳格化,安全プロトコルへの暗黙の順守という3つの基本的な課題に対処する。
  論文  参考訳（メタデータ） (2026-01-11T02:20:40Z)
• MedKGEval: A Knowledge Graph-Based Multi-Turn Evaluation Framework for Open-Ended Patient Interactions with Clinical LLMs [19.12790150016383]
  MedKGEvalは、臨床用大規模言語モデルのための新しいマルチターン評価フレームワークである。 知識グラフ駆動患者シミュレーション機構は、キュレートされた知識グラフから関連する医療事実を検索する。 ターンレベル評価フレームワークは、各モデル応答を臨床的適切性、事実的正当性、安全性について評価する。
  論文  参考訳（メタデータ） (2025-10-14T07:22:26Z)
• MedRepBench: A Comprehensive Benchmark for Medical Report Interpretation [2.3251933592942247]
  私たちはMedRepBenchを紹介します。MedRepBenchは、1,900の特定されていない現実の中国の医療レポートから構築された総合的なベンチマークです。 このベンチマークは主に、構造化された医療報告理解のためのエンドツーエンドのVLMを評価するために設計されている。 また、OCR+LLMパイプラインは、高いパフォーマンスにもかかわらず、レイアウトのブラインドネスとレイテンシの問題に悩まされていることも観察した。
  論文  参考訳（メタデータ） (2025-08-21T07:52:45Z)
• Uncertainty-Driven Expert Control: Enhancing the Reliability of Medical Vision-Language Models [52.2001050216955]
  既存の方法は、モデル構造を調整したり、高品質なデータで微調整したり、好みの微調整によって、医療ビジョン言語モデル(MedVLM)の性能を向上させることを目的としている。 我々は,MedVLMと臨床専門知識の連携を図るために,Expert-Controlled-Free Guidance (Expert-CFG) という,ループ内のエキスパート・イン・ザ・ループフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-07-12T09:03:30Z)
• A Dataset for Addressing Patient's Information Needs related to Clinical Course of Hospitalization [15.837772594006038]
  ArchEHR-QAは、集中治療室と救急部門の設定から現実の患者をベースとした、専門家による注釈付きデータセットである。 症例は、公衆衛生フォーラムへの患者による質問、臨床医が解釈した質問、関連する臨床ノートの抜粋、および臨床医が認可した回答である。 答えファーストのプロンプトアプローチは一貫して最善を尽くし、ラマ4は最高得点を獲得した。
  論文  参考訳（メタデータ） (2025-06-04T16:55:08Z)
• DualPrompt-MedCap: A Dual-Prompt Enhanced Approach for Medical Image Captioning [5.456249017636404]
  我々は、LVLM(Large Vision-Language Models)を拡張した新しいデュアルプロンプト拡張フレームワークであるDualPrompt-MedCapを紹介する。 医療用問合せペアを事前訓練した半教師付き分類モデルに基づくモダリティ認識プロンプトと,バイオメディカル言語モデル埋め込みを利用した質問誘導プロンプト。 本手法は,医療専門家の事前知識と下流視覚言語タスクの自動アノテーションとして機能する臨床的精度の高いレポートの作成を可能にする。
  論文  参考訳（メタデータ） (2025-04-13T14:31:55Z)
• Generating medically-accurate summaries of patient-provider dialogue: A multi-stage approach using large language models [6.252236971703546]
  効果的な要約は、対話におけるすべての医学的関連情報を一貫性と精度良く捉えることが要求される。 本稿では, 医療会話の要約問題に, タスクを, より小さな対話に基づくタスクに分解することで対処する。
  論文  参考訳（メタデータ） (2023-05-10T08:48:53Z)
• Self-supervised Answer Retrieval on Clinical Notes [68.87777592015402]
  本稿では,ドメイン固有パスマッチングのためのトランスフォーマー言語モデルをトレーニングするためのルールベースのセルフスーパービジョンであるCAPRを紹介する。 目的をトランスフォーマーベースの4つのアーキテクチャ、コンテキスト文書ベクトル、ビ-、ポリエンコーダ、クロスエンコーダに適用する。 本稿では,ドメイン固有パスの検索において,CAPRが強いベースラインを上回り,ルールベースおよび人間ラベル付きパスを効果的に一般化することを示す。
  論文  参考訳（メタデータ） (2021-08-02T10:42:52Z)
• MIMO: Mutual Integration of Patient Journey and Medical Ontology for Healthcare Representation Learning [49.57261599776167]
  本稿では、医療表現学習と予測分析のための、エンドツーエンドの堅牢なトランスフォーマーベースのソリューション、患者旅行の相互統合、医療オントロジー(MIMO)を提案する。
  論文  参考訳（メタデータ） (2021-07-20T07:04:52Z)

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。