論文の概要: Towards Fully Automated Medical Imaging Code Generation via Validation-based Context Engineering
- arxiv url: http://arxiv.org/abs/2608.29016v1
- Date: Sat, 29 Aug 2026 03:10:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-01 18:31:30.816455
- Title: Towards Fully Automated Medical Imaging Code Generation via Validation-based Context Engineering
- Title（参考訳）: 検証に基づくコンテキスト工学による医用画像コード生成の完全自動化に向けて
- Abstract要約: AutoMedImgは、完全に自動化された医用画像処理コード生成のためのマルチエージェントフレームワークである。
セマンティックおよびフォーマルな検証を伴うデータセット分析とアーキテクチャ設計を行うプランニングフェーズと、静的チェック、実行テスト、アセンブリバリデーションと並行してモジュールを生成するコーディングフェーズである。
人間の介入はゼロであり、Diceのスコアはセグメンテーションタスクが最大0.90、分類が99%である。
- 参考スコア（独自算出の注目度）: 19.965191998381794
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Large language models (LLMs) have demonstrated considerable promise in program generation for small-scale and conventional application development; however, they remain limited when applied to complex, domain-specific tasks such as medical image processing. General-purpose models lack explicit domain knowledge and robust validation mechanisms to ensure correctness, often requiring substantial human intervention to produce reliable processing pipelines. To address these limitations, we propose AutoMedImg, a multi-agent framework for fully automated medical image processing code generation. AutoMedImg orchestrates specialised agents across two phases: a Planning Phase that performs dataset analysis and architecture design with semantic and formal verification, and a Coding Phase that generates modules in parallel with static checking, execution testing, and assembly validation. This multi-stage validation mitigates error propagation throughout generation, while comprehensive auto-context engineering combining domain-specific knowledge bases, shared memory, and validation feedback automates context construction without manual prompting. A cross-project adaptive pipeline synthesis mechanism further accumulates validated pipelines and retrieves proven components for new tasks based on project similarity, enhancing generation efficiency through cross-project learning. Extensive evaluation across six diverse and well-established medical imaging datasets with five backbone LLMs demonstrates that AutoMedImg achieves zero human intervention, with Dice scores of up to 0.90 for segmentation tasks and 99% accuracy for classification.
- Abstract（参考訳）: 大規模言語モデル (LLM) は、小規模で従来型のアプリケーション開発において、プログラム生成においてかなりの可能性を証明しているが、医療画像処理のような複雑なドメイン固有のタスクに適用する場合は限定的である。
汎用モデルは、正確性を保証するために明確なドメイン知識と堅牢な検証メカニズムを欠いている。
これらの制約に対処するため,完全に自動化された医用画像処理コード生成のためのマルチエージェントフレームワークであるAutoMedImgを提案する。
AutoMedImgは、セマンティックおよびフォーマルな検証を伴うデータセット分析とアーキテクチャ設計を行うプランニングフェーズと、静的チェック、実行テスト、アセンブリバリデーションと並行してモジュールを生成するコーディングフェーズという、2つのフェーズにわたる特殊なエージェントをオーケストレーションする。
ドメイン固有の知識ベース、共有メモリ、バリデーションフィードバックを組み合わせた包括的な自動コンテキストエンジニアリングは、手動によるプロンプトなしでコンテキスト構築を自動化する。
クロスプロジェクト適応パイプライン合成機構は、検証済みパイプラインをさらに蓄積し、プロジェクト類似性に基づいた新しいタスクの実証済みコンポーネントを検索し、クロスプロジェクト学習による生成効率を向上させる。
5つのバックボーンLLMを持つ6つの多様な、確立された医療画像データセットの大規模な評価は、AutoMedImgが人間の介入をゼロにすることを示し、Diceのスコアはセグメンテーションタスクで最大0.90、分類で99%の精度である。
関連論文リスト
- DoctorAgents: an agentic framework to iteratively refine AutoML pipeline for small clinical temporal data [13.533048301319218]
我々は、エンドツーエンドの機械学習パイプラインを自律的に構築し、最適化するエージェントAIフレームワークであるDoctorAgentsを提案する。
DoctorAgentsは、テキストの勾配降下によって自然言語フィードバックをバックプロパゲートし、徹底的な検索なしでターゲット更新を実行する。
実験によると、DoctorAgentsはAutoMLベースラインを一貫して上回り、より解釈可能なタスク固有の表現を生成する。
論文 参考訳（メタデータ） (2026-08-05T19:52:55Z) - Automated Hardware Validation Test Plan Generation for Large Scale AI Datacenter Platforms Using a Generative AI Multi-Agents Architecture [4.668322408437681]
本稿では,構造化ハードウェア検証テスト計画の生成を自動化する,生成型AIマルチエージェントアーキテクチャを提案する。
手動のベースラインに対して2つのプロダクションプラットフォームで評価され、74.2%と51.4%のカバレッジ拡張を実現し、著者を数日から数時間に短縮した。
論文 参考訳（メタデータ） (2026-07-17T17:41:33Z) - 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) - ComAgent: Multi-LLM based Agentic AI Empowered Intelligent Wireless Networks [62.031889234230725]
6Gネットワークは複雑な層間最適化に依存している。
数学の定式化に高レベルの意図を手動で翻訳することは、まだボトルネックである。
我々はマルチLLMエージェントAIフレームワークであるComAgentを紹介する。
論文 参考訳（メタデータ） (2026-01-27T13:43:59Z) - 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) - Code-in-the-Loop Forensics: Agentic Tool Use for Image Forgery Detection [59.04089915447622]
ForenAgentはインタラクティブなIFDフレームワークで、MLLMが検出対象に関するPythonベースの低レベルツールを自律的に生成、実行、洗練することができる。
人間の推論にインスパイアされた我々は、グローバルな認識、局所的な焦点、反復的探索、そして全体論的偏見を含む動的推論ループを設計する。
実験の結果,ForenAgent は IFD 課題に対する創発的なツール利用能力と反射的推論を示すことがわかった。
論文 参考訳（メタデータ） (2025-12-18T08:38:44Z) - Automatic Building Code Review: A Case Study [6.530899637501737]
建設担当者は、プロジェクトのサイズと複雑さが増大するにつれて、労働集約的で、エラーを起こし、コストがかかる設計文書のレビューに直面します。
本研究では,BIMに基づくデータ抽出と自動検証を統合したエージェント駆動型フレームワークを提案する。
論文 参考訳（メタデータ） (2025-10-03T00:30:14Z) - Agent4FaceForgery: Multi-Agent LLM Framework for Realistic Face Forgery Detection [108.5042835056188]
この作業では,2つの基本的な問題に対処するため,Agent4FaceForgeryを導入している。
人間の偽造の多様な意図と反復的なプロセスを捉える方法。
ソーシャルメディアの偽造に付随する複雑な、しばしば敵対的な、テキストと画像のインタラクションをモデル化する方法。
論文 参考訳（メタデータ） (2025-09-16T01:05:01Z) - DetectAnyLLM: Towards Generalizable and Robust Detection of Machine-Generated Text Across Domains and Models [60.713908578319256]
タスク指向の知識で検出器を最適化するために,DDL(Direct Discrepancy Learning)を提案する。
そこで本研究では,最新のMGTD性能を実現する統合検出フレームワークであるTectAnyLLMを紹介する。
MIRAGEは5つのテキストドメインにまたがる10のコーパスから人書きテキストをサンプリングし、17個の最先端のLLMを使用して再生成または修正する。
論文 参考訳（メタデータ） (2025-09-15T10:59:57Z) - ToolACE-MT: Non-Autoregressive Generation for Agentic Multi-Turn Interaction [84.90394416593624]
大規模言語モデル(LLM)によるエージェント的タスク解決には,多ターン・マルチステップインタラクションが必要である。
既存のシミュレーションベースのデータ生成手法は、複数のエージェント間のコストのかかる自己回帰的相互作用に大きく依存している。
本稿では,高品質なマルチターンエージェント対話を構築するための非自己回帰反復生成フレームワークであるToolACE-MTを提案する。
論文 参考訳（メタデータ） (2025-08-18T07:38:23Z)
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。