論文の概要: Propagating construction-time knowledge quality into medical question answering: A framework grounded in clinical guidelines
- arxiv url: http://arxiv.org/abs/2608.28360v1
- Date: Fri, 28 Aug 2026 14:11:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-31 17:16:04.347502
- Title: Propagating construction-time knowledge quality into medical question answering: A framework grounded in clinical guidelines
- Title（参考訳）: 建設時知識質の医療質問応答への展開:臨床ガイドラインに基づく枠組み
- Abstract要約: 建設時の3重品質が下流の証拠選択と提示のための永続的な信号として機能するかどうかを考察する。
構造的(Conf)と明示的(EvidScore)を相補的な次元としてモデル化し,これらを3重品質信号Q(t)に融合する品質認識フレームワークを提案する。
中国糖尿病臨床ガイドラインの実験では、品質信号の有用性が分布に依存していることが示されている。
- 参考スコア（独自算出の注目度）: 19.37240845977001
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Large language models have facilitated knowledge graph (KG) construction from clinical guidelines, but extracted triples vary in structural validity and evidential support. Meanwhile, graph-augmented question answering (QA) systems typically optimize query relevance during retrieval, with limited reuse of quality information produced during KG construction. This creates a disconnect between construction-time quality control and inference-time evidence use. We investigate whether construction-time triple quality can serve as a persistent signal for downstream evidence selection and presentation. We propose a quality-aware framework that models structural conformance (SchemaConf) and evidential support (EvidScore) as complementary dimensions and fuses them into a per-triple quality signal, Q(t). Rather than using quality solely for filtering, the framework retains Q(t) and derived quality tiers as graph attributes and propagates them into quality-weighted subgraph retrieval and tier-conditioned evidence prompting, while preserving passage-level provenance. Experiments on Chinese diabetes clinical guidelines show that the utility of the quality signal is distribution dependent. Under cross-version and cross-model shift, the fused Q(t) provides stronger triple-quality discrimination than either component alone (AUC 0.748 vs. 0.703 for EvidScore and 0.645 for SchemaConf). In guideline-grounded QA, propagating construction-time quality reduces required-knowledge omission from 16.3% to 5.3% and conflicting outputs from 16.3% to 2.7%, with an evidence-grounded precision of 81.6% and near-zero invalid citations. Blinded clinician ratings favor the full framework over no retrieval (4.68 vs. 4.21 on a five-point scale) and approach the oracle condition (4.80), while cross-generator experiments show consistent trends.
- Abstract（参考訳）: 大規模言語モデルは、臨床ガイドラインから知識グラフ(KG)の構築を促進するが、抽出された3つのトリプルは、構造的妥当性と明らかなサポートにおいて異なる。
一方、グラフ拡張質問応答(QA)システムは、通常、検索中のクエリ関連性を最適化し、KG構築時に生成された品質情報の限定的な再利用を行う。
これにより、建設時品質制御と推論時エビデンス利用の接続が切断される。
建設時の3重品質が下流の証拠選択と提示のための永続的な信号として機能するかどうかを考察する。
本稿では,構造適合性(SchemaConf)と明示的サポート(EvidScore)を相補的な次元としてモデル化し,これらを3つの品質信号Q(t)に融合する品質認識フレームワークを提案する。
フレームワークは、フィルタリング専用に品質を使用するのではなく、Q(t)と派生品質階層をグラフ属性として保持し、パスレベルの証明を保持しながら、それらを品質重み付きサブグラフ検索と階層条件付きエビデンスに伝達する。
中国糖尿病臨床ガイドラインの実験では、品質信号の有用性が分布に依存していることが示されている。
クロスバージョンとクロスモデルシフトの下では、融合Q(t) はどちらのコンポーネントよりも強い三次品質の差別を提供する(AUC 0.748 対 EvidScore 0.703 対 SchemaConf 0.645)。
ガイドラインに基づくQAでは、建設時品質の伝播により、必要知識の欠落が16.3%から5.3%に減少し、出力が16.3%から2.7%に矛盾する。
ブラインドされた臨床評価は、検索なし(5点スケールで4.68対4.21)の完全な枠組みを好んでおり、オラクル状態(4.80)に近づき、クロスジェネレータ実験は一貫性のある傾向を示している。
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) - HiEviDR-Bench: A Benchmark for Hierarchical Evidence Aggregation in Deep Research [52.87128503345243]
我々は,Deep Researchにおける階層的エビデンス・アグリゲーションを評価するためのベンチマークであるHiEviDR-Benchを紹介する。
HiEviDR-Benchは、エビデンスの選択、クロスソースリンク、アグリゲーションをキャプチャする明示的なエビデンスグラフを持つ各インスタンスを表す。
報告品質,エビデンストレーサビリティ,引用精度,クレーム検証,回答正当性という5次元のトレーサビリティ指向評価フレームワークを開発した。
論文 参考訳（メタデータ） (2026-07-27T23:50:46Z) - PointQ-Bench: Benchmarking Diagnostic and Interpretable Point Cloud Quality Assessment [28.88904276309088]
ポイントクラウドの品質は、3D取得、再構築、レンダリング、知覚において重要な役割を果たす。
本稿では,PCQAをスカラースコアから包括的品質理解へ拡張するベンチマークであるPointQ-Benchを紹介する。
PointQ-Benchは,3,083のポイントクラウドで構成されている。
論文 参考訳（メタデータ） (2026-05-27T09:56:36Z) - ClinSeekAgent: Automating Multimodal Evidence Seeking for Agentic Clinical Reasoning [49.05361955143476]
ClinSeekAgentは動的マルチモーダルエビデンスのための自動エージェントフレームワークである。
ClinSeekAgentは、臨床クエリと生のデータソースへのアクセスのみを前提として、医療知識ベースへの問い合わせ、生のEHRのナビゲート、医療画像ツールの呼び出しによって証拠を集めている。
論文 参考訳（メタデータ） (2026-05-19T17:58:37Z) - Automating Clinical Information Retrieval from Finnish Electronic Health Records Using Large Language Models [0.0]
ローカルにデプロイ可能なフレームワークは、外部データ転送なしでEHRから直接臨床質問に答える。
オープンソースの大規模言語モデル(LLM)は、4Bから70Bまでのパラメータを完全にオフラインでベンチマークした。
論文 参考訳（メタデータ） (2026-03-27T14:03:51Z) - Quantized Vision-Language Models for Damage Assessment: A Comparative Study of LLaVA-1.5-7B Quantization Levels [0.0]
本稿では,自動橋梁損傷評価のためのVLM(Quantized Vision-Language Models)の総合的研究について述べる。
我々は、説明品質、推論速度、そしてリソース要求の間のトレードオフに焦点を当てます。
視覚的損傷解析,構造化抽出,ルールに基づく優先スコアリングのためのLLaVA-1.5-7Bを組み合わせたエンドツーエンドパイプラインを開発した。
論文 参考訳（メタデータ） (2026-03-24T12:33:18Z) - A DeepSeek-Powered AI System for Automated Chest Radiograph Interpretation in Clinical Practice [83.11942224668127]
Janus-Pro-CXR (1B) はDeepSeek Janus-Proモデルに基づく胸部X線解釈システムである。
本システムは, 自動レポート生成において, 最先端のX線レポート生成モデルより優れる。
論文 参考訳（メタデータ） (2025-12-23T13:26:13Z) - CONFIDE: Hallucination Assessment for Reliable Biomolecular Structure Prediction and Design [46.12506067241116]
本稿では,位相的フラストレーションを定量化する自己評価尺度であるCODE(Chain of Diffusion Embeddings)を提案する。
エネルギー的およびトポロジ的視点を組み合わせた統合評価フレームワークであるCONFIDEを提案する。
データ駆動の埋め込みと理論的な洞察を組み合わせることで、CODEとConFIDEは、幅広い生体分子システムで既存の指標より優れています。
論文 参考訳（メタデータ） (2025-11-20T03:38:46Z) - Continual Action Quality Assessment via Adaptive Manifold-Aligned Graph Regularization [53.82400605816587]
アクション品質アセスメント(AQA)は、ビデオにおける人間の行動を定量化し、スポーツスコアリング、リハビリテーション、スキル評価の応用を支援する。
大きな課題は、現実世界のシナリオにおける品質分布の非定常的な性質にある。
本稿では,進化する分布を扱うための連続学習機能を備えた連続AQA(Continuous AQA)を紹介する。
論文 参考訳（メタデータ） (2025-10-08T10:09:47Z) - Evaluating Large Language Models for Evidence-Based Clinical Question Answering [4.101088122511548]
大規模言語モデル (LLMs) は, 医学的, 臨床的応用において著しく進歩している。
Cochraneの体系的レビューと臨床ガイドラインから得られたベンチマークをキュレートする。
我々はソースと臨床領域間で一貫したパフォーマンスパターンを観察する。
論文 参考訳（メタデータ） (2025-09-13T15:03:34Z) - Quality Sentinel: Estimating Label Quality and Errors in Medical Segmentation Datasets [11.134987228105162]
医用セグメンテーションデータセットのマニュアルアノテーションと比較してラベル品質を推定するための回帰モデルであるQuality Sentinelを導入する。
この回帰モデルは、私たちが開発した400万以上の画像ラベルペアでトレーニングされました。
われわれの品質センサーは、142のボディ構造のラベル品質を予測できる。
論文 参考訳（メタデータ） (2024-06-01T07:03:15Z)
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。