論文の概要: Beyond Information Seeking: Severity-Aware Question Supervision for Proactive Medical Dialogue
- arxiv url: http://arxiv.org/abs/2608.24521v1
- Date: Tue, 25 Aug 2026 13:09:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-26 14:09:34.992383
- Title: Beyond Information Seeking: Severity-Aware Question Supervision for Proactive Medical Dialogue
- Title（参考訳）: 情報探索を超えて:予防的医療対話のための深刻度を意識した質問スーパービジョン
- Abstract要約: 本稿では,重大度を意識した端末リスクの低減によって各候補を評価可能な,結果認識型質問紙(ESR)を提案する。
一致したESRの監督は、平均的な高重度診断ミスを.0645から.0455(-29.5%)に減らし、平均診断精度を.9123から.9320に改善し、対話毎に0.14の質問しか必要としないことを示した。
- 参考スコア（独自算出の注目度）: 3.62175729900672
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Proactive medical dialogue requires an agent to decide what to ask from incomplete patient information. Existing information-seeking approaches commonly prioritize questions that most reduce diagnostic uncertainty. While effective for acquiring informative evidence, this criterion overlooks an important property of medical diagnosis: different diagnostic errors can carry substantially different consequences. Missing a severe condition may matter more than reducing uncertainty among less consequential alternatives. Question acquisition should therefore consider not only how informative new evidence is, but also how it is expected to affect the downstream diagnostic decision. To this end, we propose Expected-Severity-Risk (ESR), a consequence-aware question-supervision objective that values each candidate by its expected reduction in severity-aware terminal risk. Because questions must be selected before their answers are observed, ESR marginalizes over possible answers using train-only population statistics. Its rankings are then distilled into a prefix-only language policy, so next-question selection requires no teacher-side computation at deployment. Across three Qwen3-4B training seeds on DDxPlus, matched ESR supervision reduces mean high-severity diagnostic miss from .0645 to .0455 (-29.5%) and improves mean diagnostic accuracy from .9123 to .9320 while requiring only 0.14 additional questions per dialogue. Fixed-budget analyses show that the two objectives remain behaviorally distinct when question count is controlled, while a matched expected-0/1-risk control shows that severity-aware weighting improves the high-severity error profile beyond generic decision-aware supervision. These results support moving proactive medical dialogue beyond uncertainty reduction toward consequence-aware evidence acquisition.
- Abstract（参考訳）: プロアクティブな医療対話では、エージェントが不完全な患者情報から何を求めるかを決定する必要がある。
既存の情報探索手法は、診断の不確実性を最も少なくする質問を優先する。
情報的証拠を得るのに効果的であるが、この基準は診断の重要な性質を見落としている。
重篤な状態の欠如は、後続の代替品の中で不確実性を減らすことよりも重要である。
したがって、新たな証拠がどれほど情報的かだけでなく、下流の診断決定にどのように影響するかも検討すべきである。
この目的のために,本研究では,各候補を重大度対応端末リスクの低減により評価する,結果認識型質問-スーパービジョンの目標である期待・重大度リスク(ESR)を提案する。
質問は回答が観察される前に選択されなければならないため、ESRは列車のみの人口統計を用いて、可能な回答を疎外する。
そのランキングはプレフィックスのみの言語ポリシーに蒸留されるので、次の質問の選択は、デプロイ時に教師側の計算を必要としない。
DDxPlus上の3つのQwen3-4B訓練種のうち、ESRの監督は平均的な高重度診断ミスを .0645 から .0455 (-29.5%) に減らし、平均診断精度を .9123 から .9320 に改善し、1対話あたり0.14質問しか必要としない。
固定予算分析は,質問数を制御する場合,2つの目的が相変わらず異なることを示し,一致した予測0/1リスク制御は,重み付けを重み付けすることで,汎用的な意思決定・認識の監督を超えて高い重み付け誤差プロファイルを改善することを示した。
これらの結果は、結果認識による証拠取得に向けた不確実性低減を超えて、積極的な医療対話の移動を支援する。
関連論文リスト
- From Uncertainty to Clinical Risk: Severity-Aware Conformal Planning for Interactive Medical Diagnosis [14.026570650446843]
インタラクティブな医療診断は、複数の質問ラウンドを通じて患者情報を動的に取得する。
本稿では,リスクに敏感な逐次的意思決定問題としてインタラクティブな診断を定式化する,重度対応型コンフォーマルクリニカルプランニングを提案する。
DDXPlus と MediQ の実験により,複数の言語モデルにまたがる質問が少なく,より正確な診断が可能であった。
論文 参考訳（メタデータ） (2026-08-28T02:29:38Z) - Agentic AI-based Framework for Mitigating Premature Diagnostic Handoff and Silent Hallucination in Healthcare Applications [17.69274632062373]
オープンエンドの会話エージェントは、早期診断ハンドオフとサイレントな臨床幻覚という、2つの重要な障害モードを伴いがちである。
LLM-as-a-judge'のルーティングを決定論的オーケストレーション制約に置き換えることで、両方の問題に対処するマルチエージェントフレームワークを提案する。
本稿では,150症例を対象に,ラマ3.1-70b-インストラクトモデルを用いたシミュレートされた患者エージェントを用いたシステムの評価を行った。
論文 参考訳（メタデータ） (2026-06-16T15:39:19Z) - Benchmarking Multi-turn Medical Diagnosis: Hold, Lure, and Self-Correction [72.89352076103889]
大規模言語モデル (LLM) は, 臨床情報がすべて一ターンで提供される場合に, 高い精度で診断を行う。
1,035例からなる高忠実多ターン診断ベンチマークであるMINTを導入する。
診断決定に大きな影響を及ぼす3つの永続的な行動パターンを明らかにする。
論文 参考訳（メタデータ） (2026-04-06T00:23:10Z) - MedClarify: An information-seeking AI agent for medical diagnosis with case-specific follow-up questions [26.936554184582096]
我々は,情報探索のためのAIエージェントであるMedClarifyを紹介し,反復推論のためのフォローアップ質問を生成する。
具体的には、MedClarifyは、鑑別診断に類似した候補診断のリストを計算し、積極的にフォローアップ質問を生成する。
論文 参考訳（メタデータ） (2026-02-19T12:19:12Z) - An Explainable Hybrid AI Framework for Enhanced Tuberculosis and Symptom Detection [55.35661671061754]
結核は、特に資源に制限された遠隔地において、重要な世界的な健康問題である。
本稿では, 胸部X線による疾患および症状の検出を, 2つの頭部と自己監督頭部を統合することで促進する枠組みを提案する。
本モデルでは, 新型コロナウイルス, 結核, 正常症例の鑑別で98.85%の精度が得られ, マルチラベル症状検出では90.09%のマクロF1スコアが得られた。
論文 参考訳（メタデータ） (2025-10-21T17:18:55Z) - SURE-Med: Systematic Uncertainty Reduction for Enhanced Reliability in Medical Report Generation [2.2185034594788164]
視覚, 分布, 文脈の3つの重要な次元における不確実性を体系的に低減する統合フレームワークSURE-Medを提案する。
視覚的不確実性を軽減するため、Frontal-Aware View Resamplingモジュールはビューアノテーションエラーを修正し、補足ビューから情報的特徴を適応的に選択する。
ラベル分布の不確実性に対処するために,批判的診断文のモデリングを促進させるToken Sensitive Learningの目標を提案する。
文脈不確実性を低減するため、文脈証拠フィルタは、現在の画像と整合する事前情報を検証し、選択的に組み込んで、幻覚を効果的に抑制する。
論文 参考訳（メタデータ） (2025-08-03T09:52:30Z) - Medical Reasoning in LLMs: An In-Depth Analysis of DeepSeek R1 [0.0]
本研究は、100症例のMedQAを用いて、DeepSeek R1の専門的パターンに対する医学的推論を評価する。
このモデルは、診断精度93%を達成し、鑑別診断、ガイドラインに基づく治療選択、患者固有の因子の統合を通じて、体系的な臨床的判断を実証した。
誤り分析では, バイアスのアンカー, 競合するデータの整合性の課題, 代替案の探索不足, 過剰思考, 知識ギャップ, 中間的治療に対する決定的治療の早期優先順位付けなど, 持続的な限界が認められた。
論文 参考訳（メタデータ） (2025-03-27T09:18:08Z) - Uncertainty-aware abstention in medical diagnosis based on medical texts [87.88110503208016]
本研究は,AI支援医療診断における信頼性の重要課題について論じる。
本研究は,診断に自信がなければ,診断システムによる意思決定の回避を可能にする選択予測手法に焦点をあてる。
我々は、選択予測タスクにおける信頼性を高めるための新しい最先端手法であるHUQ-2を紹介する。
論文 参考訳（メタデータ） (2025-02-25T10:15:21Z) - Uncertainty of Thoughts: Uncertainty-Aware Planning Enhances Information Seeking in Large Language Models [73.79091519226026]
Uncertainty of Thoughts (UoT) は、大きな言語モデルを拡張するアルゴリズムであり、効果的な質問をすることで積極的に情報を求めることができる。
医療診断、トラブルシューティング、および20の質問ゲームに関する実験において、UoTは、タスク完了の成功率において平均38.1%のパフォーマンス向上を達成した。
論文 参考訳（メタデータ） (2024-02-05T18:28:44Z) - Diagnosis Uncertain Models For Medical Risk Prediction [80.07192791931533]
本研究は, 患者の診断にはアクセスできない, バイタルサイン, 検査値, 既往歴にアクセス可能な患者リスクモデルについて考察する。
このようなすべての原因のリスクモデルが、診断全体にわたって良い一般化を持つが、予測可能な障害モードを持つことが示される。
患者診断の不確実性から生じるリスク予測の不確実性を明示的にモデル化し,この問題に対する対策を提案する。
論文 参考訳（メタデータ） (2023-06-29T23:36:04Z) - Towards Causality-Aware Inferring: A Sequential Discriminative Approach
for Medical Diagnosis [142.90770786804507]
医学診断アシスタント(MDA)は、疾患を識別するための症状を逐次調査する対話型診断エージェントを構築することを目的としている。
この研究は、因果図を利用して、MDAにおけるこれらの重要な問題に対処しようとする。
本稿では,他の記録から知識を引き出すことにより,非記録的調査に効果的に答える確率に基づく患者シミュレータを提案する。
論文 参考訳（メタデータ） (2020-03-14T02:05:54Z)
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。