Fugu-MT 論文翻訳(概要): MedReaMM: Evaluating Large Multimodal Models on Expert-Level Clinical Diagnostic Synthesis

論文の概要: MedReaMM: Evaluating Large Multimodal Models on Expert-Level Clinical Diagnostic Synthesis

arxiv url: http://arxiv.org/abs/2608.22323v1
Date: Sun, 23 Aug 2026 09:37:53 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-25 13:29:43.719001
Title: MedReaMM: Evaluating Large Multimodal Models on Expert-Level Clinical Diagnostic Synthesis
Title（参考訳）: MedReaMM:エキスパートレベル臨床診断合成における大規模マルチモーダルモデルの評価
Abstract要約: 異種臨床証拠を合成するモデルの能力を評価するためのベンチマークであるMedReaMMを紹介する。 MedReaMMは625の専門患者と、平均2.79の医療画像と、ICD-11コードで注釈付けされた1,042の標準診断を含む。 23大マルチモーダルモデル (LMM) を評価し, 診断精度が50%未満であることが確認された。
参考スコア（独自算出の注目度）: 61.266743965495884
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The application of Large Language Models (LLMs) to diagnostic decision-making has garnered growing interest. However, existing benchmarks largely focus on textual reasoning or isolated visual question-answering (VQA) tasks, lacking holistic integration of clinical narratives and medical imaging, and thus failing to assess the multimodal diagnostic synthesis capability central to expert clinical judgment. To bridge this gap, we introduce MedReaMM, a benchmark specifically designed to evaluate models' ability to synthesize heterogeneous clinical evidence consisting of detailed patient histories alongside multiple medical images into accurate differential diagnoses under a complete-information paradigm. Constructed from case reports sourced from top-tier medical journals and curated clinical case databases, MedReaMM comprises 625 expert-validated cases with an average of 2.79 medical images per case and a total of 1,042 standardized diagnoses annotated with ICD-11 codes. These cases predominantly represent rare, atypical, or multi-system presentations that demand expert-level evidence integration beyond routine pattern recognition. We evaluate 23 Large Multimodal Models (LMMs) and find that most achieve diagnostic accuracy scores below 50%, underscoring a substantial gap in multimodal diagnostic synthesis capability. Further analysis reveals that medical knowledge proficiency, medical image understanding, and evidence integration are all highly correlated with diagnostic performance.
Abstract（参考訳）: 大規模言語モデル(LLM)の診断決定への応用は、関心が高まりつつある。しかしながら、既存のベンチマークは、主にテキスト推論や孤立した視覚的質問応答(VQA)タスクに焦点を当てており、臨床物語と医用画像の総合的な統合が欠如しているため、専門的臨床判断の中心となるマルチモーダル診断合成能力の評価に失敗している。このギャップを埋めるために、我々はMedReaMMというモデルを用いて、詳細な患者履歴と複数の医療画像からなる異種臨床証拠を、完全な情報パラダイムの下で正確な鑑別診断に合成する能力を評価するためのベンチマークを紹介した。 MedReaMMは、最上位の医学雑誌やキュレートされた臨床ケースデータベースから得られたケースレポートから作成され、専門家が検証した625のケースからなり、1ケースあたり平均2.79の医療画像と、ICD-11コードで注釈付けされた1,042の標準診断結果を含んでいる。これらのケースは、通常パターン認識以上の専門家レベルのエビデンスを統合することを要求する稀な、非典型的、あるいはマルチシステムなプレゼンテーションを主に表現する。 23大マルチモーダルモデル (LMM) を評価し, 診断精度が50%未満であることが確認された。さらに分析した結果,医療知識能力,医用画像理解,エビデンス統合が診断能力と高い相関関係があることが判明した。

関連論文リスト

MTDiag: A Multi-Turn Diagnostic Dataset Towards Clinically Meaningful LLM Evaluation [39.83005700511833]
MTDiagは3つの異種源から構築された大規模マルチターン診断対話データセットである。我々は,このスキーマ,UserLM-8Bに基づく発話生成パイプライン,および構造化された臨床証拠を自然言語の発話に変換する医師検証データセットをリリースする。
論文参考訳（メタデータ） (2026-08-25T19:27:10Z)
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)
MultiDx: A Multi-Source Knowledge Integration Framework towards Diagnostic Reasoning [66.94527468532843]
2段階の診断推論フレームワークであるMultiDxを提案する。まず Web 検索,SOAP 形式の症例,臨床症例データベースから知識を活用することにより,疑わしい診断と推論経路を生成する。そして、マッチング、投票、および差分診断を通じて、複数のパースペクティブエビデンスを統合し、最終的な予測を生成する。
論文参考訳（メタデータ） (2026-04-27T08:46:29Z)
MMRareBench: A Rare-Disease Multimodal and Multi-Image Medical Benchmark [18.462341223913153]
MLLM(Multimodal large language model)は、一般的な疾患に対する先進的な臨床課題があるが、希少な疾患に対するパフォーマンスはほとんど検査されていない。我々は,MMRareBenchについて,マルチモーダルおよびマルチイメージ臨床能力の評価を共同で行った最初のレア・ディスリーズ・ベンチマークについて紹介する。
論文参考訳（メタデータ） (2026-04-12T17:53:02Z)
Clinical Cognition Alignment for Gastrointestinal Diagnosis with Multimodal LLMs [63.535652574541764]
MLLM(Multimodal Large Language Models)は医用画像解析において顕著な可能性を示した。消化器内視鏡におけるそれらの応用は、現在、2つの重要な限界によって妨げられている。本稿では,これらの課題に対処する新しい臨床認知アライメント(CogAlign)フレームワークを提案する。
論文参考訳（メタデータ） (2026-03-21T07:47:37Z)
PulseMind: A Multi-Modal Medical Model for Real-World Clinical Diagnosis [32.30982339390615]
我々はPulseMindを紹介した。PulseMindは、体系的にキュレートされたデータセット、包括的な評価ベンチマーク、カスタマイズされたトレーニングフレームワークを統合した、新しいマルチモーダル診断モデルのファミリーである。具体的には、まず診断データセット、MediScopeを構築し、98,000件の現実世界のマルチターン・コンサルテーションと601,500件の医療画像で構成され、10の主要な臨床部門と200以上の亜種にまたがる。そこで,4次元評価プロトコルを用いたマルチターン診断コンサルテーションベンチマークであるPulseMind Benchmarkを開発した。
論文参考訳（メタデータ） (2026-01-12T09:17:46Z)
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)
Med-RewardBench: Benchmarking Reward Models and Judges for Medical Multimodal Large Language Models [57.73472878679636]
Med-RewardBenchは、医療報酬モデルと審査員を評価するために特別に設計された最初のベンチマークである。 Med-RewardBenchは、13の臓器系と8の臨床部門にまたがるマルチモーダルデータセットを特徴としている。厳格な3段階のプロセスは、6つの臨床的に重要な次元にわたる高品質な評価データを保証する。
論文参考訳（メタデータ） (2025-08-29T08:58:39Z)
DiagnosisArena: Benchmarking Diagnostic Reasoning for Large Language Models [25.13622249539088]
diagnosisArenaは、専門レベルの診断能力の厳格な評価のために設計されたベンチマークである。診断アリーナは1,113組のセグメンテーション患者と、28の専門専門医からなる。我々の研究では、最も先進的な推論モデルであるo3、o1、DeepSeek-R1でさえ、それぞれ51.12%、31.09%、17.79%の精度しか達成していないことが明らかになった。
論文参考訳（メタデータ） (2025-05-20T09:14:53Z)

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。