論文の概要: Can Coding Agents Build Robust Baselines? A Skill-Based Approach for Automating the Medical Imaging Model-Development Pipeline
- arxiv url: http://arxiv.org/abs/2608.23336v1
- Date: Mon, 24 Aug 2026 14:47:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-25 13:29:44.157336
- Title: Can Coding Agents Build Robust Baselines? A Skill-Based Approach for Automating the Medical Imaging Model-Development Pipeline
- Title（参考訳）: コーディングエージェントはロバストベースラインを構築することができるか?医療画像モデル開発パイプラインの自動化のためのスキルベースアプローチ
- Abstract要約: 文献誘導推論、自動コード生成、仮説駆動実験を組み合わせたエージェントAI Scientistワークフローを提案する。
本研究は,技術に基づく文献誘導型エージェントが,競争力のある医用画像ベースラインを開発するために必要な技術労力を大幅に削減できることを実証する。
- 参考スコア（独自算出の注目度）: 0.19514194744184568
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Developing competitive deep learning baselines for medical imaging remains a highly iterative process requiring literature review, implementation, experimentation, and expert refinement. Existing automation approaches typically optimize isolated components, such as architecture search or hyperparameter tuning, rather than the complete baseline development process. We present an agentic AI Scientist workflow that combines literature-guided reasoning, automated code generation, and hypothesis-driven experimentation to generate competitive baseline models for medical imaging challenges. The framework is evaluated on four public benchmarks spanning segmentation, classification, and detection. Across all tasks, the Experimentation Pipeline consistently improves validation performance, achieving competitive leaderboard results, including 6th place on both PUMA tracks (15 teams) and 31st place on MILK10k (125 teams). On MIDOG25, the resulting model also demonstrates strong domain generalization across scanners, tumor types, and species. Using the same workflow across all challenges without task-specific redesign, we demonstrate that skill-based, literature-guided agentic workflows can substantially reduce the engineering effort required to develop competitive medical imaging baselines.
- Abstract（参考訳）: 医用画像のための競争力のあるディープラーニングベースラインの開発は、文献レビュー、実装、実験、専門家の洗練を必要とする非常に反復的なプロセスのままである。
既存の自動化アプローチは通常、完全なベースライン開発プロセスではなく、アーキテクチャ検索やハイパーパラメータチューニングのような分離されたコンポーネントを最適化する。
我々は、文献誘導推論、自動コード生成、仮説駆動実験を組み合わせたエージェントAI Scientistワークフローを提案し、医用画像の課題に対して、競争力のあるベースラインモデルを生成する。
このフレームワークは、セグメンテーション、分類、検出にまたがる4つの公開ベンチマークで評価される。
すべてのタスクにおいて、Experiation Pipelineは検証パフォーマンスを継続的に改善し、PUMAトラックの6位(15チーム)とMILK10kの31位(125チーム)を含む、競争力のあるリーダボードの結果を達成する。
MIDOG25では、生成されたモデルはスキャナー、腫瘍タイプ、種間で強いドメインの一般化を示す。
タスク固有の再設計なしに、すべての課題にまたがる同じワークフローを使用することで、スキルベースで文学を指導したエージェントワークフローが、競争力のある医用画像ベースラインを開発するために必要なエンジニアリング労力を大幅に削減できることを実証する。
関連論文リスト
- Towards Autonomous and Auditable Medical Imaging Model Development [53.326510777116766]
本稿では,医療画像モデル開発のための自律型マルチエージェントフレームワークAMIDを紹介する。
AMIDが最初に提案するData-Conditioned Method Planningは、タスクレベルの粗い検索空間を、実行可能で並列化可能なメソッドレーンに洗練する。
次に検証誘導二段階最適化(Verification-Guided Two-Stage Optimization)を開発し、様々な手法レーンの広範な早期探索から、有望な候補の選択的利用へと移行した。
論文 参考訳（メタデータ） (2026-07-12T00:54:06Z) - Towards a Virtual Neuroscientist: Autonomous Neuroimaging Analysis via Multi-Agent Collaboration [53.772014300855375]
我々は,自律型エンドツーエンド神経画像解析のためのマルチエージェントシステムであるNIAgentを紹介する。
従来のフラットなツール呼び出しエージェントとは異なり、NIAgentはコード中心の実行パラダイムを採用している。
本稿では,コホートレベルの検定とエージェント視覚検査を組み合わせた,自律的品質管理のための階層的検証フレームワークを提案する。
論文 参考訳（メタデータ） (2026-05-10T06:30:19Z) - MolClaw: An Autonomous Agent with Hierarchical Skills for Drug Molecule Evaluation, Screening, and Optimization [33.79201734694036]
MolClawは、薬物分子の評価、スクリーニング、最適化を導く自律エージェントである。
3階層の階層的スキルアーキテクチャを通じて、30以上の専門的なドメインリソースを統一する。
MolClawはすべてのメトリクスで最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2026-04-02T09:27:36Z) - MedSAM-Agent: Empowering Interactive Medical Image Segmentation with Multi-turn Agentic Reinforcement Learning [53.37068897861388]
MedSAM-Agentは、対話的なセグメンテーションを多段階の自律的な意思決定プロセスとして再構築するフレームワークである。
マルチターン・エンド・ツー・エンドの成果検証を統合した2段階のトレーニングパイプラインを開発した。
6つの医療モダリティと21のデータセットにわたる実験は、MedSAM-Agentが最先端のパフォーマンスを達成することを示す。
論文 参考訳（メタデータ） (2026-02-03T09:47:49Z) - ReX-MLE: The Autonomous Agent Benchmark for Medical Imaging Challenges [5.886200278450183]
ReX-MLE(ReX-MLE)は、ハイインパクトな医用イメージングコンペティションから導かれる20の課題のベンチマークである。
以前のベンチマークとは異なり、ReX-MLEは完全なエンドツーエンドを評価し、エージェントはデータ前処理、モデルトレーニング、サブミッションを独立して管理する必要がある。
ほとんどの応募は、人間専門家と比較して0パーセントのランクでランク付けされます。
論文 参考訳（メタデータ） (2025-12-19T17:44:40Z) - An Agentic AI System for Multi-Framework Communication Coding [17.846847341760675]
臨床コミュニケーションのための多フレーム構造化エージェントAIシステム(MOSAIC)を開発した。
MOSAICはLangGraphベースのアーキテクチャ上に構築されており、コードブックの選択とワークフロー計画のためのPlan Agentを含む4つのコアエージェントを編成する。
性能を評価するため,訓練された人間のコーダが作成したゴールドスタンダードアノテーションとMOSAIC出力を比較した。
論文 参考訳（メタデータ） (2025-12-09T14:46:16Z) - Simple Agents Outperform Experts in Biomedical Imaging Workflow Optimization [69.36509281190662]
生産レベルのコンピュータビジョンツールを科学データセットに適応させることは、重要な"ラストマイル"ボトルネックである。
我々は、AIエージェントを使ってこの手動コーディングを自動化し、最適なエージェント設計のオープンな問題に焦点を当てる。
簡単なエージェントフレームワークが、人間-専門家のソリューションよりも優れた適応コードを生成することを実証する。
論文 参考訳（メタデータ） (2025-12-02T18:42:26Z) - MedAgentBoard: Benchmarking Multi-Agent Collaboration with Conventional Methods for Diverse Medical Tasks [27.717720332927296]
我々はMedAgentBoardを紹介する。MedAgentBoardは、マルチエージェントコラボレーション、シングルLLM、および従来のアプローチの体系的評価のための総合的なベンチマークである。
MedAgentBoardには、医療(視覚)質問応答、レイサマリ生成、構造化電子健康記録(EHR)予測モデリング、臨床ワークフロー自動化の4つの多様な医療タスクカテゴリが含まれている。
マルチエージェントコラボレーションは特定のシナリオにおいてメリットを示すが、高度な単一LLMを一貫して上回るものではない。
論文 参考訳（メタデータ） (2025-05-18T11:28:17Z) - PMT: Progressive Mean Teacher via Exploring Temporal Consistency for Semi-Supervised Medical Image Segmentation [51.509573838103854]
医用画像セグメンテーションのための半教師付き学習フレームワークであるプログレッシブ平均教師(PMT)を提案する。
我々のPMTは、トレーニングプロセスにおいて、堅牢で多様な特徴を学習することで、高忠実な擬似ラベルを生成する。
CT と MRI の異なる2つのデータセットに対する実験結果から,本手法が最先端の医用画像分割法より優れていることが示された。
論文 参考訳（メタデータ） (2024-09-08T15:02:25Z) - Towards a clinically accessible radiology foundation model: open-access and lightweight, with automated evaluation [113.5002649181103]
オープンソースの小型マルチモーダルモデル(SMM)を訓練し、放射線学における未測定臨床ニーズに対する能力ギャップを埋める。
トレーニングのために,697万以上の画像テキストペアからなる大規模なデータセットを組み立てる。
評価のために,GPT-4に基づく実測値CheXpromptを提案する。
LlaVA-Radの推論は高速で、単一のV100 GPU上でプライベート設定で実行できる。
論文 参考訳（メタデータ） (2024-03-12T18:12:02Z)
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。