論文の概要: From Analytics to Tumor Boards: An Evidence-Linked Multi-Agent Workflow for Oncology Feature Extraction
- arxiv url: http://arxiv.org/abs/2608.28974v1
- Date: Sat, 29 Aug 2026 00:51:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-01 18:31:30.799538
- Title: From Analytics to Tumor Boards: An Evidence-Linked Multi-Agent Workflow for Oncology Feature Extraction
- Title（参考訳）: 分析から腫瘍ボードへ:オンコロジーの特徴抽出のためのエビデンスリンク型マルチエージェントワークフロー
- Authors: Daniel Kang, Michelle Hu, Soorya Ram Shimgekar, Shayan Vassef, Yufan Wang, Anit Kumar Sahu, Munmun De Choudhury, Vedant Das Swain, Christian Poellabauer, Li Yan Khor, Koustuv Saha, Robert Wojciechowski, Elliot Kidd, Piyum Zonooz, Navin Kumar,
- Abstract要約: 我々は,Ninmblemind Multi-Agent System (nMAS)を評価し,断片化オンコロジー文書から臨床的に関連のある構造化領域を抽出した。
nMASは、臨床が定義したフィールド仕様とモデル実行を分離し、レポートレベルの統合とソース基底検証を組み合わせる。
結果: nMASは階級重み付き値レベルの精度82.6%、リコール87.5%、F185.0%を達成し、独立に実装されたUMAスタイルのミニマックスM2.5コンパレータではF166.4%であった。
- 参考スコア（独自算出の注目度）: 24.52832312973969
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Clinically relevant oncology information is distributed across heterogeneous, longitudinal documentation, creating substantial abstraction burden and requiring accurate attribution across specimens, tumors, biomarkers, and time points, while manual cancer-registry abstraction can require 27.2 minutes per case, highlighting the need for scalable methods that preserve clinical context while converting documentation into structured data. We evaluate the Nimblemind Multi-Agent System (nMAS), a configurable oncology information-extraction workflow which extracts clinically relevant structured fields from fragmented oncology documentation. The extraction task uses a clinician-informed schema of 328 attributes spanning report metadata, diagnosis, staging, and cancer-type-specific information. nMAS separates clinician-defined field specifications from model execution and combines complexity-aware extraction, report-level consolidation, and source-grounded validation. The retrospective evaluation included 230 de-identified oncology documents from 40 patients and 418 clinician-reviewed document-field pairs containing 1,126 non-empty reference values. Evaluation focused on fields identified by clinicians as present in the source documents rather than exhaustively annotating all 328 schema fields. nMAS achieved a rank-weighted value-level precision of 82.6%, recall of 87.5%, and F1 of 85.0%, compared with an F1 of 66.4% for an independently implemented UMA-style MiniMax M2.5 comparator. These findings support the feasibility of using a configurable, source-grounded extraction workflow to convert fragmented oncology documentation into reusable structured data.
- Abstract（参考訳）: 臨床的に関連のある腫瘍学情報は、異種、縦断的なドキュメントに分散し、実質的な抽象化の負担を発生させ、標本、腫瘍、バイオマーカー、タイムポイントに正確な属性を必要とする。
我々は、断片化オンコロジー文書から臨床的に関連のある構造化領域を抽出する構成可能なオンコロジー情報抽出ワークフローであるNimmblemind Multi-Agent System (nMAS)を評価した。
抽出タスクは、レポートメタデータ、診断、ステージング、がんタイプ固有の情報にまたがる328の属性のクリニックインフォームドスキーマを使用する。
nMASは、臨床が定義したフィールド仕様とモデル実行を分離し、複雑さを認識した抽出、レポートレベルの統合、およびソース基底検証を組み合わせる。
振り返り評価では,40例の未確認腫瘍学文書230件と,非空白基準値1,126例のクリニカルレビュードキュメンテーションフィールドペア418件を含む。
328のスキーマフィールドを徹底的に注釈付けするのではなく、ソースドキュメントにあるように、臨床医が特定したフィールドに焦点をあてた。
nMASは階級重み付き値レベルの精度82.6%、リコール87.5%、F185.0%を達成し、独立に実装されたUMAスタイルのミニマックスM2.5コンパレータではF166.4%を達成した。
これらの知見は、断片化オンコロジー文書を再利用可能な構造化データに変換するために、設定可能なソースグラウンド抽出ワークフローを使用することの実現性を支持する。
関連論文リスト
- Configurable Clinical Information Extraction with Agentic RAG: What Works, What Breaks, and Why [4.527967729863067]
患者コンテキストは、何百もの異種文書と何千もの構造化されたデータポイントにまたがる。
標準的な検索拡張生成は、このデータ、時間的推論、文書間の依存関係、メタデータの欠如に失敗する。
本稿では,ACIE (Agentic Clinical Information extract) を医科大学 Essen に導入する。
メタデータのギャップを定量化し、それが形成したアーキテクチャ上の決定をトレースし、独立した振り返りリンパ腫登録研究と共に抽出を評価する。
論文 参考訳（メタデータ） (2026-06-17T21:12:35Z) - CT-FineBench: A Diagnostic Fidelity Benchmark for Fine-Grained Evaluation of CT Report Generation [51.11942945171396]
従来の評価指標は、語彙重なり合いやエンティティマッチングの粗い尺度のみを提供する。
我々はCT-RATEとMerlinのベンチマークであるCT-FineBenchを提案し、CTレポートの微細な事実整合性を評価する。
我々のベンチマークは、綿密な質問回答(QA)ベースのプロセスによって構築されます。
論文 参考訳（メタデータ） (2026-04-27T03:32:46Z) - A Semi-Automated Annotation Workflow for Paediatric Histopathology Reports Using Small Language Models [0.0]
本研究では,小言語モデル(SLM)を用いた資源効率のよい半自動アノテーションワークフローを開発し,構造化EPRデータから構造化情報を抽出する。
概念実証として、本ワークフローを小児腎生検報告、その制約された診断範囲と明確に定義された基礎生物学に応用した領域に適用する。
SLMを用いた自動情報抽出手法を開発しながら,本ワークフローを3つの会議の臨床的監視とともに反復的に開発し,グレート・オーモンド・ストリート病院の2,111件のデータセットから400件の報告をゴールドスタンダードとして手動で注釈付けする。
論文 参考訳（メタデータ） (2026-04-05T16:15:39Z) - HARMON-E: Hierarchical Agentic Reasoning for Multimodal Oncology Notes to Extract Structured Data [4.776184995012808]
本稿では,複雑なオンコロジーデータ抽出をモジュール型適応タスクに分解するエージェントフレームワークを提案する。
がん患者2250名を対象に,400,000件以上の非構造的臨床記録とPDFをスキャンし,F1スコアの平均0.93を達成した。
論文 参考訳（メタデータ） (2025-12-22T20:38:30Z) - HySemRAG: A Hybrid Semantic Retrieval-Augmented Generation Framework for Automated Literature Synthesis and Methodological Gap Analysis [55.2480439325792]
HySemRAGは、Extract, Transform, Load (ETL)パイプラインとRetrieval-Augmented Generation (RAG)を組み合わせたフレームワークである。
システムは、マルチ層アプローチを通じて既存のRAGアーキテクチャの制限に対処する。
論文 参考訳（メタデータ） (2025-08-01T20:30:42Z) - Towards Unifying Anatomy Segmentation: Automated Generation of a
Full-body CT Dataset via Knowledge Aggregation and Anatomical Guidelines [113.08940153125616]
我々は533巻のボクセルレベルのラベルを142ドル(約1万2000円)で、全身CTスキャンのデータセットを作成し、解剖学的包括的カバレッジを提供する。
提案手法はラベル集約段階において手作業によるアノテーションに依存しない。
我々はCTデータに142ドルの解剖学的構造を予測できる統一解剖学的セグメンテーションモデルをリリースする。
論文 参考訳（メタデータ） (2023-07-25T09:48:13Z) - Detecting automatically the layout of clinical documents to enhance the
performances of downstream natural language processing [53.797797404164946]
我々は,臨床用PDF文書を処理し,臨床用テキストのみを抽出するアルゴリズムを設計した。
このアルゴリズムは、PDFを使った最初のテキスト抽出と、続いてボディテキスト、左書き、フッタなどのカテゴリに分類される。
それぞれのセクションのテキストから興味ある医学的概念を抽出し,医療的パフォーマンスを評価した。
論文 参考訳（メタデータ） (2023-05-23T08:38:33Z) - Development and validation of a natural language processing algorithm to
pseudonymize documents in the context of a clinical data warehouse [53.797797404164946]
この研究は、この領域でツールやリソースを共有する際に直面する困難を浮き彫りにしている。
臨床文献のコーパスを12種類に分類した。
私たちは、ディープラーニングモデルと手動ルールの結果をマージして、ハイブリッドシステムを構築します。
論文 参考訳（メタデータ） (2023-03-23T17:17:46Z) - Chest x-ray automated triage: a semiologic approach designed for
clinical implementation, exploiting different types of labels through a
combination of four Deep Learning architectures [83.48996461770017]
本研究では,異なる畳み込みアーキテクチャの後期融合に基づく深層学習手法を提案する。
公開胸部x線画像と機関アーカイブを組み合わせたトレーニングデータセットを4つ構築した。
4つの異なるディープラーニングアーキテクチャをトレーニングし、それらのアウトプットとレイトフュージョン戦略を組み合わせることで、統一されたツールを得ました。
論文 参考訳（メタデータ） (2020-12-23T14:38:35Z)
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。