論文の概要: STRIVE: Multi-Agent Structured Temporal Reasoning with Integrated Verification for Longitudinal Radiology Report Generation

• arxiv url: http://arxiv.org/abs/2608.24237v1
• Date: Tue, 25 Aug 2026 08:43:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-26 14:09:34.886241
• Title: STRIVE: Multi-Agent Structured Temporal Reasoning with Integrated Verification for Longitudinal Radiology Report Generation
• Title（参考訳）: STIVE : 経時的X線診断レポート作成のための統合的検証によるマルチエージェント構造的時間的推論
• Abstract要約: STRIVEは、臨床推論を専門的な診断、属性、時間変化剤に分解する。 経時的MIMICでは, STRIVEが近年の方法の中で最も有効である。
• 参考スコア（独自算出の注目度）: 16.079764988150306
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Longitudinal radiology report generation (LRRG) requires identifying both current findings and their changes relative to a prior study. Existing methods jointly model diagnosis, attribute estimation, temporal comparison, and language generation within implicit representations, which can cause task interference, obscure the evidence underlying each decision, and limit error traceability. They also model progression states as independent labels, ignoring their ordered structure and thus treating missed changes and direction reversals equally. We present STRIVE, Multi-Agent Structured Temporal Reasoning with Integrated Verification for LRRG, which decomposes clinical reasoning into specialized Diagnosis, Attribute, and Temporal Change Agents that produce explicit intermediate evidence. In particular, the Temporal Change Agent is further post-trained using Progression-Aware GRPO, a verifiable, shaped reward that assigns partial credit to direction-preserving errors while scoring direction reversals lowest. STRIVE performs verification at two stages: a deterministic Consistency Gate reconciles the agent outputs before report generation, and a Validation Agent checks whether the generated report is supported by the aggregated clinical evidence. On Longitudinal-MIMIC, STRIVE attains the best clinical efficacy among recent methods and more than doubles Longitudinal Change Concordance (LCC), a measure of temporal agreement with the reference report, over the strongest baseline.
• Abstract（参考訳）: 縦断的放射線学報告生成(LRRG)は,これまでの研究と比較して,現在の所見と変化の両方を同定する必要がある。 既存の手法は、暗黙の表現内での診断、属性推定、時間的比較、言語生成を共同でモデル化し、タスクの干渉を引き起こし、各決定の基礎となる証拠を隠蔽し、エラートレーサビリティを制限する。 また、進行状態を独立ラベルとしてモデル化し、順序づけられた構造を無視し、失った変化や方向転換を等しく扱う。 臨床推論を専門的な診断・属性・時間変化エージェントに分解し, 明確な中間的証拠を生成する。 特に、時間変化エージェントは、方向を逆転させながら、部分的にクレジットを方向保存エラーに割り当てる検証可能な形状の報酬であるプログレッシオン・アウェアGRPOを使用して、さらにポストトレーニングされる。 STRIVEは、2つの段階で検証を行う:決定論的一貫性ゲートは、レポート生成前にエージェント出力を調整し、バリデーションエージェントは、生成されたレポートが集計された臨床証拠によって支持されているかどうかをチェックする。 縦-MIMICでは, STIVEは, 基準値との時間的一致の尺度であるLCC (Longitudinal Change Concordance) を, 最強基準値よりも2倍以上の有効性を示した。

関連論文リスト

• Graph-Supervised Hierarchical Clinical Alignment for Radiology Report Generation with Large Language Models [46.202482780666635]
  Graph-Hierarchicald Supervised Clinical Alignmentは、階層的な臨床アライメント問題としてイメージレポートの監督を再構築する。 本手法は, このアライメントを, 管理を2つのレベルに分解した疾患条件付きプロセスとして構成する。 MIMIC-CXR,IU-Xray,COV-CTRを用いた実験により,本手法は従来と臨床の両方の指標における性能を一貫して改善することが示された。
  論文  参考訳（メタデータ） (2026-08-25T06:32:26Z)
• CRAFT: LLM-Based Iterative Refinement for Temporal Reasoning over Clinical Narratives [5.378407274546433]
  CRAFTは、目標とするフィードバックを通じて段階的な症状タイムラインを作成し、洗練するフレームワークである。 MedTempoは,3種類のワクチンにまたがる5,347件のワクチン有害な物語の新たなベンチマークである。
  論文  参考訳（メタデータ） (2026-08-13T03:37:11Z)
• RadFusion: Towards Threshold-Controllable Radiology Report Generation [14.362153373103757]
  既存の世代モデルは、診断内容の感度特異性トレードオフを制御できない。 RadFusionは、レポート生成としきい値制御性を備えたフレームワークである。
  論文  参考訳（メタデータ） (2026-08-11T05:23:48Z)
• Purified OPSD: On-Policy Self-Distillation Without Losing How to Think [52.879387744920415]
  オンライン自己蒸留(OPSD)は長いチェーン・オブ・ソート(Long-CoT)推論モデルでは一貫して失敗する。 まず,教師が指導信号の非伝達可能成分を分離するために,参照のみの教師を構築する。 第2に、この残差をよく形成されたPMIターゲット分布に変換するメカニズムとして、ポイントワイズ相互情報(PMI)を用いる。
  論文  参考訳（メタデータ） (2026-07-02T14:33:07Z)
• ExComm: Exploration-Stage Communication for Error-Resilient Agentic Test-Time Scaling [57.42714978834704]
  ExCommは、探索段階のエージェントテストタイムスケーリングのための通信プロトコルである。 ExCommは、強いテスト時間スケーリングベースラインを一貫して上回ります。
  論文  参考訳（メタデータ） (2026-05-21T07:38:44Z)
• Agentic Cognitive Profiling: Realigning Automated Alzheimer's Disease Detection with Clinical Construct Validity [66.94391219005291]
  本稿では,臨床プロトコルロジックによる自動スクリーニングを実現するエージェント認知プロファイリング(ACP)を提案する。 我々の設計の中心は、すべての定量化を決定論的関数呼び出しに委譲することで、測定から意味的理解を分離することである。 ACPは、タスク試験で90.5%のスコアマッチ率、AD予測で85.3%の精度を達成し、一般的な基準を上回っている。
  論文  参考訳（メタデータ） (2026-03-18T06:15:35Z)
• UltrasoundAgents: Hierarchical Multi-Agent Evidence-Chain Reasoning for Breast Ultrasound Diagnosis [14.027321451902734]
  本稿では,UltrasoundAgentsと呼ばれる階層型マルチエージェントフレームワークを提案する。 メインエージェントは、全画像の病変をローカライズし、作物と動物園の操作をトリガーする。 サブエージェントは局所的な視点を分析し、エコー原性パターン、石灰化、境界タイプ、エッジ形態学の4つの臨床的特性を予測する。 メインエージェントは、これらの構造化属性を統合してエビデンスに基づく推論を行い、BI-RADSカテゴリと悪性度予測を出力し、レビュー可能な中間証拠を生成する。
  論文  参考訳（メタデータ） (2026-03-11T15:03:52Z)
• Guideline-Grounded Evidence Accumulation for High-Stakes Agent Verification [60.18369393468405]
  既存の検証器は通常、ドメイン知識の欠如と限られた校正のために性能が劣る。 GLEANは専門家によって計算されたプロトコルをトラジェクトリインフォームされ、よく校正された正当性信号にコンパイルする。 我々は,MIMIC-IVデータセットから得られた3つの疾患の薬物的臨床診断でGLEANを実証的に検証した。
  論文  参考訳（メタデータ） (2026-03-03T09:36:43Z)
• TRACE: Temporal Reasoning via Agentic Context Evolution for Streaming Electronic Health Records (EHRs) [7.2159153945746795]
  LLM(Large Language Models)は、広範囲にわたる医学的知識を符号化するが、縦断的患者の軌跡に確実に適用することは困難である。 凍結LDMによる時間的臨床推論を可能にするフレームワークであるTRACEを紹介する。 MIMIC-IVによる縦断的臨床イベントストリームの評価
  論文  参考訳（メタデータ） (2026-02-13T11:39:19Z)
• From Conflict to Consensus: Boosting Medical Reasoning via Multi-Round Agentic RAG [65.0203623486525]
  大規模言語モデル(LLM)は、医学的質問応答において高い推論能力を示す。 幻覚や時代遅れの知識を生み出す傾向は、医療分野において重大なリスクをもたらす。 既存の手法はノイズの多いトークンレベルの信号に依存しており、複雑な推論に必要なマルチラウンドの改良は欠如している。
  論文  参考訳（メタデータ） (2026-02-06T08:25:30Z)
• DDaTR: Dynamic Difference-aware Temporal Residual Network for Longitudinal Radiology Report Generation [19.120393411105887]
  放射線学報告生成(RRG)は、医療画像からの放射線学レポートの作成を自動化し、報告プロセスの効率を向上する。 LRRGはRRGを拡張し、現在の検査と事前試験を比較し、臨床所見の時間的変化の追跡を容易にする。 既存のLRRGアプローチは、視覚的事前訓練エンコーダを使用して、前と現在の画像からのみ特徴を抽出し、最終的なレポートを生成する。
  論文  参考訳（メタデータ） (2025-05-06T10:29:23Z)
• Retrieval is Not Enough: Enhancing RAG Reasoning through Test-Time Critique and Optimization [58.390885294401066]
  Retrieval-augmented Generation (RAG) は知識基底型大規模言語モデル(LLM)を実現するためのパラダイムとして広く採用されている。 RAGパイプラインは、モデル推論が得られた証拠と整合性を維持するのに失敗することが多く、事実上の矛盾や否定的な結論につながる。 批判駆動アライメント(CDA)に基づく新しい反復的枠組みであるAlignRAGを提案する。 AlignRAG-autoは、動的に洗練を終了し、批判的な反復回数を事前に指定する必要がなくなる自律的な変種である。
  論文  参考訳（メタデータ） (2025-04-21T04:56:47Z)

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。