論文の概要: MSM-Mem: A Universal Medical Structured Multimodal Memory Framework for Medical AI Agents
- arxiv url: http://arxiv.org/abs/2608.21810v1
- Date: Sat, 22 Aug 2026 07:17:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-25 13:29:43.477186
- Title: MSM-Mem: A Universal Medical Structured Multimodal Memory Framework for Medical AI Agents
- Title（参考訳）: MSM-Mem:医療AIエージェントのためのユニバーサル医療構造化マルチモーダルメモリフレームワーク
- Abstract要約: 本稿では,医療用AIエージェントを蓄積した臨床経験を通じて進化させるためのエージェントメモリフレームワークであるMSM-Memを提案する。
MSM-Memは、異種の臨床経験をセマンティック、エピソード、視覚記憶に整理し、推論中に徐々に更新する。
- 参考スコア（独自算出の注目度）: 7.072210444087386
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Clinical decision-making is inherently experience-driven: physicians progressively refine their reasoning by synthesizing patient history, multimodal observations, and prior diagnostic experiences across interactions. In contrast, current multimodal large language model (MLLM)-based medical AI agents largely operate as stateless inference systems, generating decisions independently for each interaction without retaining or internalizing experiential knowledge. This discrepancy limits their ability to progressively improve reasoning reliability through usage and adapt to longitudinal patient contexts in real-world clinical workflows. In this study, we propose Medical Structured Multimodal Memory (MSM-Mem), an agentic memory framework that enables medical AI agents to evolve through accumulated clinical experiences. MSM-Mem organizes heterogeneous clinical experiences into semantic, episodic, and visual memory and incrementally updates them during inference, allowing the agent to retrieve prior experiences to inform current reasoning and progressively refine decision-making over time. Evaluations on MoE-LLaVA backbones demonstrate consistent performance improve- ments with further gains observed through continued usage. In general, MSM-Mem offers a viable pathway toward medical AI agents capable of evolving their reasoning competence in a manner analogous to the way clinicians learn from practice over time.
- Abstract（参考訳）: 医師は、患者の歴史、マルチモーダルな観察、および相互作用間の事前診断経験を合成することによって、彼らの推論を徐々に洗練する。
対照的に、現在のMLLM(Multimodal large language model)ベースの医療AIエージェントは、主にステートレス推論システムとして動作し、経験的知識の保持や内部化なしに、相互作用ごとに独立して決定を生成する。
この相違は、実際の臨床ワークフローにおいて、使用を通して推論信頼性を徐々に改善し、患者の縦方向のコンテキストに適応する能力を制限する。
本研究では,医療用AIエージェントを蓄積した臨床経験を通じて進化させるためのエージェント記憶フレームワークであるMSM-Memを提案する。
MSM-Memは、異種の臨床経験をセマンティック、エピソード、視覚記憶に整理し、推論中に段階的に更新する。
MoE-LLaVAバックボーンの評価は、連続的な使用によってさらに向上した、一貫したパフォーマンス改善を示す。
一般に、MSM-Memは、臨床医が時間とともに実践から学ぶ方法に類似した方法で、推論能力の進化が可能な医療AIエージェントへの実行可能な経路を提供する。
関連論文リスト
- EMR: Self-Evolving Medical Multi-Agent System via Experience Mining and Reuse [16.25658951326869]
大規模言語モデル(LLM)によるマルチエージェントシステムは、複雑な臨床推論において有望であることを示す。
経験的マイニングと再利用による自己進化型医療マルチエージェントシステムであるEMMについて紹介する。
論文 参考訳（メタデータ） (2026-09-14T07:41:56Z) - ClinicalAgents: Multi-Agent Orchestration for Clinical Decision Making with Dual-Memory [17.805771452487612]
専門医の認知ワークフローをシミュレートする新しいマルチエージェントフレームワークであるCrysicalAgentsを紹介する。
厳密なシーケンシャルチェーンとは異なり、CricerAgentsはモンテカルロ木探索(MCTS)プロセスとしてモデル化された動的オーケストレーション機構を採用している。
これにより、Orchestratorは仮説を反復的に生成し、証拠を積極的に検証し、重要な情報が欠落した時にバックトラッキングをトリガーすることができる。
論文 参考訳（メタデータ） (2026-03-27T08:52:19Z) - MedRoute: RL-Based Dynamic Specialist Routing in Multi-Agent Medical Diagnosis [49.78267008828593]
臨床実践では、複数の専門医が診断を行い、それぞれが専門分野に特化している。
この新興分野の現在のアプローチは、通常、様々な専門家の静的または事前定義された選択に依存しており、現実的なシナリオの変化に適応できない。
LMMエージェントの協調システムからなる柔軟で動的なマルチエージェントフレームワークであるMedRouteを提案する。
論文 参考訳（メタデータ） (2026-02-05T19:50:04Z) - A Knowledge-driven Adaptive Collaboration of LLMs for Enhancing Medical Decision-making [49.048767633316764]
KAMACは知識駆動のAdaptive Multi-Agent Collaborationフレームワークである。
エージェントは進化する診断コンテキストに基づいて、専門家チームを動的に形成および拡張することができる。
2つの実世界の医療ベンチマーク実験により、KAMACはシングルエージェント法と高度なマルチエージェント法の両方を著しく上回っていることが示された。
論文 参考訳（メタデータ） (2025-09-18T14:33:36Z) - DynamiCare: A Dynamic Multi-Agent Framework for Interactive and Open-Ended Medical Decision-Making [4.801722645791233]
DynamiCareは、臨床診断をマルチラウンドでインタラクティブなループとしてモデル化する、新しい動的マルチエージェントフレームワークである。
広汎な実験を通してダイナミケアの実現可能性と有効性を示す。
論文 参考訳（メタデータ） (2025-07-03T13:43:10Z) - MAM: Modular Multi-Agent Framework for Multi-Modal Medical Diagnosis via Role-Specialized Collaboration [57.98393950821579]
マルチモーダル医療診断のためのモジュール型マルチエージェントフレームワーク(MAM)について紹介する。
我々の経験的発見に触発されて、MAMは医療診断プロセスを、一般実践者、スペシャリストチーム、放射線科医、医療助手、ディレクターの専門的な役割に分解する。
このモジュール的で協調的なフレームワークは、効率的な知識更新を可能にし、既存の医療用LLMと知識ベースを活用する。
論文 参考訳（メタデータ） (2025-06-24T17:52:43Z) - DoctorAgent-RL: A Multi-Agent Collaborative Reinforcement Learning System for Multi-Turn Clinical Dialogue [18.814676128928234]
大規模言語モデル (LLMs) は, バイオメディカルな質問応答の分野で優れた能力を発揮してきたが, 実際の臨床研究への応用はいまだに課題に直面している。
我々は,医療相談を不確実性下での動的意思決定プロセスとしてモデル化する,強化学習(RL)に基づくマルチエージェント協調フレームワークであるOursを提案する。
本手法は,医療資源の配分を最適化し,労働力不足を緩和する戦略の草分けとして,時間的プレッシャーによる誤診リスクの低減,複雑な症例に対する臨床医の解放,医療資源配分の最適化,労働力不足の緩和など,極めて実践的な価値を示す。
論文 参考訳（メタデータ） (2025-05-26T07:48:14Z) - 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) - 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)
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。