論文の概要: Sparse Multi-Stage Expert-Agent Routing for Complex Clinical Reasoning
- arxiv url: http://arxiv.org/abs/2608.21948v1
- Date: Sat, 22 Aug 2026 13:23:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-25 18:24:36.937304
- Title: Sparse Multi-Stage Expert-Agent Routing for Complex Clinical Reasoning
- Title（参考訳）: Sparse Multi-Stage Expert-Agent Routing for Complex Clinical Reasoning
- Abstract要約: Sparse Multi-Stage Expert-Agentは、段階的ルーティングプロセスとして診断をモデル化する言語ベースの臨床推論フレームワークである。
段階的に利用可能な臨床証拠が与えられ、このフレームワークは進化するケース状態を維持し、医療専門家のスパースセットを適応的に活性化する。
MAC および AgentClinic-NEJM から再構成した多段階の症例に対して,本フレームワークは,高いファクトレベルの診断品質を維持しつつ,アクティベートした専門家の平均数を 17.0 から 3.0 に削減する。
- 参考スコア（独自算出の注目度）: 8.604005197463147
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Complex clinical reasoning requires models to update diagnostic hypotheses as new evidence emerges and to coordinate different medical specialities under limited consultation resources. Existing LLM-based clinical reasoning systems typically perform single-pass prediction or rely on fixed multi-agent workflows, making expert participation either static or unnecessarily exhaustive. We propose Sparse Multi-Stage Expert-Agent Routing, a language-based clinical reasoning framework that models diagnosis as a stage-wise routing process. Given progressively available clinical evidence derived from multiple modalities, the framework maintains an evolving case state and adaptively activates a sparse set of medical expert agents, supported by expert-specific memory across stages. To evaluate free-text diagnostic conclusions beyond surface similarity, we further introduce ClinFEScore, a fact-aware semantic evaluation protocol for clinical reasoning outputs. On reconstructed multi-stage cases from MAC and AgentClinic-NEJM, our framework reduces the average number of activated experts from 17.0 to 3.0 whilst maintaining strong fact-level diagnostic quality. On 200 real-world hospital MDT cases, ClinFEScore correlates strongly with clinician judgements (Spearman's $ρ=0.81$; Pearson's $r=0.87$), whilst our method achieves 91.5\% clinician-verified diagnostic accuracy with approximately five expert-agent/LLM calls per case. These results support sparse stage-wise coordination as an efficient and clinically relevant approach to LLM-based clinical reasoning.
- Abstract（参考訳）: 複雑な臨床推論は、新たな証拠が出現するにつれて診断仮説を更新し、限られたコンサルティング資源の下で異なる医学的専門性を調整するモデルを必要とする。
既存のLSMベースの臨床推論システムは、通常、シングルパス予測や固定されたマルチエージェントワークフローに依存し、専門家の参加は静的または不要に徹底的に行われる。
Sparse Multi-Stage Expert-Agent Routingは、診断を段階的ルーティングプロセスとしてモデル化する言語ベースの臨床推論フレームワークである。
複数のモダリティから段階的に利用可能な臨床証拠を与えられたこのフレームワークは、進化するケース状態を維持し、段階的に専門家固有の記憶によって支えられた、スパースな医療専門家のエージェントセットを適応的に活性化する。
表面類似性を超えた自由テキスト診断の結論を評価するために,臨床推論出力のための事実認識セマンティック評価プロトコルであるClinFEScoreを導入する。
MAC および AgentClinic-NEJM から再構成した多段階の症例に対して,本フレームワークは,高いファクトレベルの診断品質を維持しつつ,アクティベートした専門家の平均数を 17.0 から 3.0 に削減する。
ClinFEScoreは200のリアルワールド病院MDT症例において臨床診断と強く相関する(Spearman's $ρ=0.81$; Pearson's $r=0.87$)。
これらの結果は, LLMに基づく臨床推論に対する効率的かつ臨床的に関係のあるアプローチとして, スパース段階的コーディネートを支援する。
関連論文リスト
- Evaluating Multi-Turn Multimodal Diagnostic Reasoning on Challenging Real-World Clinical Cases [59.5328455571863]
ClinMM-Benchは、これまでで最大のマルチターンマルチモーダル臨床診断評価ベンチマークである。
実際の患者は1,089件、医療画像は3,760件、専門は8件。
プロプライエタリモデルでは診断精度が最も高かったが、正確な診断の割合は限られていた。
論文 参考訳（メタデータ） (2026-07-28T16:19:03Z) - 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) - MedCollab: Causal-Driven Multi-Agent Collaboration for Full-Cycle Clinical Diagnosis via IBIS-Structured Argumentation [6.334763475104128]
本稿では,現代病院の階層的相談ワークフローを模倣する,新しいマルチエージェントフレームワークであるMedCollabを紹介する。
このフレームワークは、患者固有の症状や検査結果に応じて、臨床および検査薬を適応的に組み立てる、ダイナミックなスペシャリスト採用機構を備えている。
論文 参考訳（メタデータ） (2026-03-01T14:25:58Z) - AgentsEval: Clinically Faithful Evaluation of Medical Imaging Reports via Multi-Agent Reasoning [73.50200033931148]
本稿では,放射線科医の協調診断ワークフローをエミュレートしたマルチエージェントストリーム推論フレームワークであるAgensEvalを紹介する。
評価プロセスを基準定義、エビデンス抽出、アライメント、一貫性スコアなどの解釈可能なステップに分割することで、AgensEvalは明確な推論トレースと構造化された臨床フィードバックを提供する。
実験結果から,AgensEvalは,言い換え,意味的,スタイリスティックな摂動の下でも頑健な臨床的整合性,意味的忠実性,解釈可能な評価を提供することが示された。
論文 参考訳（メタデータ） (2026-01-23T11:59:13Z) - MMedExpert-R1: Strengthening Multimodal Medical Reasoning via Domain-Specific Adaptation and Clinical Guideline Reinforcement [63.82954136824963]
医療ビジョンランゲージモデルでは、現実世界のシナリオで必要とされる複雑な臨床推論を伴う知覚タスクが優れている。
本稿ではドメイン固有の適応とガイドライン強化を通じてこれらの課題に対処する新しい推論MedVLMを提案する。
論文 参考訳（メタデータ） (2026-01-16T02:32:07Z) - ClinDEF: A Dynamic Evaluation Framework for Large Language Models in Clinical Reasoning [58.01333341218153]
ClinDEF(ClinDEF)は, LLMにおける臨床推論をシミュレートされた診断対話を用いて評価する動的フレームワークである。
本手法は, 患者を発症し, LLMをベースとした医師と自動患者エージェントとのマルチターンインタラクションを容易にする。
実験により、ClinDEFは最先端のLSMにおいて重要な臨床推論ギャップを効果的に露呈することが示された。
論文 参考訳（メタデータ） (2025-12-29T12:58:58Z) - Timely Clinical Diagnosis through Active Test Selection [49.091903570068155]
本稿では,現実の診断推論をよりうまくエミュレートするためのACTMED (Adaptive Clinical Test selection via Model-based Experimental Design)を提案する。
LLMは柔軟なシミュレータとして機能し、構造化されたタスク固有のトレーニングデータを必要とせずに、患者状態のもっともらしい分布を生成し、信念の更新をサポートする。
我々は、実世界のデータセット上でACTMEDを評価し、診断精度、解釈可能性、リソース使用量を改善するためにテスト選択を最適化できることを示す。
論文 参考訳（メタデータ） (2025-10-21T18:10:45Z) - Simulating Viva Voce Examinations to Evaluate Clinical Reasoning in Large Language Models [51.91760712805404]
大規模言語モデル(LLM)におけるシーケンシャルな臨床推論を評価するためのベンチマークであるVivaBenchを紹介する。
本データセットは,医療訓練における(口頭)検査をシミュレートする対話的シナリオとして構成された1762名の医師による臨床ヴィグネットから構成される。
本分析では,臨床における認知的誤りを反映するいくつかの障害モードを同定した。
論文 参考訳（メタデータ） (2025-10-11T16:24:35Z) - MACD: Multi-Agent Clinical Diagnosis with Self-Learned Knowledge for LLM [32.0716204095227]
大規模言語モデル(LLM)は医学的応用において顕著な可能性を示している。
本研究は,新しいMulti-Agent Clinical Diagnosis (MACD) フレームワークを提案する。
LLMはマルチエージェントパイプラインを通じて自己学習型臨床知識を提供する。
論文 参考訳（メタデータ） (2025-09-24T12:37:11Z) - Beyond Direct Diagnosis: LLM-based Multi-Specialist Agent Consultation
for Automatic Diagnosis [30.943705201552643]
本研究では,潜在的な疾患に対するエージェントの確率分布を適応的に融合させることにより,現実世界の診断過程をモデル化する枠組みを提案する。
提案手法では,パラメータ更新とトレーニング時間を大幅に短縮し,効率と実用性を向上する。
論文 参考訳（メタデータ） (2024-01-29T12:25:30Z)
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。