論文の概要: Role-Specialized Mixture-of-Agents with Open-Weight LLMs for Clinical Prediction

• arxiv url: http://arxiv.org/abs/2608.22176v1
• Date: Sun, 23 Aug 2026 02:22:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 13:29:43.643352
• Title: Role-Specialized Mixture-of-Agents with Open-Weight LLMs for Clinical Prediction
• Title（参考訳）: 臨床予測のためのオープンウェイトLDMを用いたエージェントの役割特化
• Authors: Jun Hou, Yi Fang, Xuan Wang,
• Abstract要約: 本研究では,医療知識検索と類似患者推論の対比を併用したMixture-of-Agents(MoA)について検討した。 検索設定を一定に保ちながら役割設計を変更することにより、主効果を最終積分器に局所化する。
• 参考スコア（独自算出の注目度）: 16.135570299223396
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large Language Models (LLMs) are increasingly applied to clinical prediction tasks such as in-hospital mortality and readmission from electronic health records (EHRs). Privacy and compliance constraints motivate systems that can be deployed locally, which has increased interest in open-weight multi-agent designs. However, most medical multi-agent systems are evaluated as a single block, leaving unclear which agent role contributes to prediction and whether retrieval drives observed gains. We study a role-specialized Mixture-of-Agents (MoA) that combines medical knowledge retrieval with contrastive similar-patient reasoning. By varying the role design while holding the retrieval setup fixed, we localize the main effect to the final integrator. Pairing large open-weight analysts with a small open-weight integrator matches closed-model prompting on F1 for mortality prediction while flagging substantially more true high-risk patients. Mechanism analysis shows the role assignment directly yields a high-recall operating point without threshold tuning. The effect is task-dependent, with smaller gains for readmission because the available records correlate weakly with this longer-horizon outcome. These results position role design as a key factor in privacy-constrained, training-free clinical LLM prediction.
• Abstract（参考訳）: 大規模言語モデル(LLMs)は、院内死亡や電子健康記録(EHRs)からの寛解などの臨床予測タスクにますます応用されている。 プライバシとコンプライアンスの制約は、ローカルにデプロイ可能なシステムを動機付け、オープンウェイトなマルチエージェント設計への関心が高まっている。 しかし、ほとんどの医療用マルチエージェントシステムは単一のブロックとして評価され、どのエージェントの役割が予測に寄与するか、また、観測されたゲインの獲得に寄与するかは明らかでない。 本研究では,医療知識検索と類似患者推論の対比を併用したMixture-of-Agents(MoA)について検討した。 検索設定を一定に保ちながら役割設計を変更することにより、主効果を最終積分器に局所化する。 小規模のオープンウェイトインテグレータを備えた大規模オープンウェイトアナリストのペアリングは、F1で死亡予測を行うクローズドモデルと一致し、さらに真のリスクの高い患者にフラグを立てる。 メカニズム解析は、ロール割り当てが閾値チューニングなしで直接、ハイリコール動作点を生成することを示している。 この効果はタスク依存であり、利用可能なレコードは、この長い水平結果と弱い相関関係にあるため、読み出しがより少ない。 これらの結果から, プライバシに制約のある, トレーニング不要な臨床LSM予測において, 役割設計が重要な要素となる。

関連論文リスト

• A Multi-Agent Framework for Interpreting Multivariate Physiological Time Series [9.72130666902599]
  本稿では,多変量生理的時系列を記述した役割構造型マルチエージェントシステムであるVivaldiを紹介する。 実験の結果,エージェントパイプラインは,非思考的,医学的に微調整されたモデルに極めて有用であることがわかった。 一方、痛みスコアや滞在時間といった主観的対象は、限定的あるいは矛盾的な変化を示す。
  論文  参考訳（メタデータ） (2026-03-04T14:55:46Z)
• PREBA: Surgical Duration Prediction via PCA-Weighted Retrieval-Augmented LLMs and Bayesian Averaging Aggregation [51.96735866702332]
  PreBAはPCA重み付き検索とベイズ平均アグリゲーションを統合した検索拡張フレームワークである。 例えば、PreBAはパフォーマンスを大幅に改善し、MAEを最大40%削減し、ゼロショット推論でR2を-0.13から0.62に引き上げる。
  論文  参考訳（メタデータ） (2026-02-27T07:19:23Z)
• Developing Fairness-Aware Task Decomposition to Improve Equity in Post-Spinal Fusion Complication Prediction [3.860970992977915]
  術後合併症予測のための公平性を考慮したマルチタスク学習フレームワークを提案する。 FAIR-MTLはデータ駆動型サブグループ推論機構を採用している。 AUCは0.86であり、75%の精度でシングルタスクベースラインを上回り、バイアスを大幅に低減する。
  論文  参考訳（メタデータ） (2025-11-29T19:06:07Z)
• MedAlign: A Synergistic Framework of Multimodal Preference Optimization and Federated Meta-Cognitive Reasoning [52.064286116035134]
  我々はMed-VQA(Med-VQA)のための視覚的LVLM応答を保証するフレームワークであるMedAlignを開発した。 まず、優先学習を視覚的コンテキストに合わせるために、マルチモーダルな直接選好最適化(mDPO)の目的を提案する。 次に、画像とテキストの類似性を生かし、クエリを専門的でコンテキスト拡張されたLVLMにルーティングする検索型混合処理(RA-MoE)アーキテクチャを設計する。
  論文  参考訳（メタデータ） (2025-10-24T02:11:05Z)
• Towards Interpretable Renal Health Decline Forecasting via Multi-LMM Collaborative Reasoning Framework [12.732588046754783]
  本稿では,eGFR予測のためのオープンソースのLMMの性能向上を目的とした協調的フレームワークを提案する。 視覚的知識伝達、帰納的推論、および予測精度と解釈可能性を高めるための短期記憶機構が組み込まれている。 我々の手法は、予測精度と臨床的に根拠付けられた解釈可能性を組み合わせた医療用AIシステムの構築に新たな光を当てている。
  論文  参考訳（メタデータ） (2025-07-30T08:11:06Z)
• Large Language Models for Drug Overdose Prediction from Longitudinal Medical Records [1.128171601341153]
  大規模言語モデル(LLM)は予測性能を向上させる機会を提供する。 本研究では,オープンAIのGPT-4o LLMによる薬物過剰事象の予測の有効性について検討した。
  論文  参考訳（メタデータ） (2025-04-16T05:52:22Z)
• Correctness Coverage Evaluation for Medical Multiple-Choice Question Answering Based on the Enhanced Conformal Prediction Framework [2.9599960287815144]
  大規模言語モデル(LLM)は、医療質問応答(QA)のシナリオでますます採用されている。 LLMは幻覚や非現実的な情報を生成でき、高い医療業務における信頼性を損なう。 本稿では,医療用マルチ選択質問応答タスクのための拡張型コンフォーマル予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-07T15:22:10Z)
• Reasoning-Enhanced Healthcare Predictions with Knowledge Graph Community Retrieval [61.70489848327436]
  KAREは、知識グラフ(KG)コミュニティレベルの検索と大規模言語モデル(LLM)推論を統合する新しいフレームワークである。 MIMIC-IIIでは最大10.8～15.0%、MIMIC-IVでは12.6～12.7%である。
  論文  参考訳（メタデータ） (2024-10-06T18:46:28Z)
• XAI for In-hospital Mortality Prediction via Multimodal ICU Data [57.73357047856416]
  マルチモーダルICUデータを用いて病院内死亡率を予測するための,効率的で説明可能なAIソリューションを提案する。 我々は,臨床データから異種入力を受信し,意思決定を行うマルチモーダル・ラーニングを我々のフレームワークに導入する。 我々の枠組みは、医療研究において重要な要素の発見を容易にする他の臨床課題に容易に移行することができる。
  論文  参考訳（メタデータ） (2023-12-29T14:28:04Z)
• End-to-End Breast Cancer Radiotherapy Planning via LMMs with Consistency Embedding [47.360760580820966]
  放射線腫瘍学の分野に適した包括的大規模マルチモーダルモデル(LMM)であるRO-LMMを提案する。 このモデルは臨床ワークフロー内の一連のタスクを効果的に管理し、臨床コンテキストの要約、放射線治療計画の提案、計画誘導されたターゲットボリュームセグメンテーションを含む。 クリーン入力処理の整合性を維持しつつ,LMMのノイズ入力に対する堅牢性を向上する,CEFTune(Consistency Embedding Fine-Tuning)技術を提案する。
  論文  参考訳（メタデータ） (2023-11-27T14:49:06Z)

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。