論文の概要: EmoMed: An Emotionally-Aware Agent for Multimodal Medical Support with Real-Time Information Retrieval

• arxiv url: http://arxiv.org/abs/2609.07194v1
• Date: Mon, 07 Sep 2026 08:19:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.386638
• Title: EmoMed: An Emotionally-Aware Agent for Multimodal Medical Support with Real-Time Information Retrieval
• Title（参考訳）: EmoMed:リアルタイム情報検索によるマルチモーダル医療支援のための感情認識エージェント
• Abstract要約: EmoMedはマルチモーダル医療相談エージェントであり、ユーザーの感情状態に基づいて応答を適応する。 システムは、テキストと医療画像を処理し、ユーザ入力から影響指標(不安、混乱、緊急性)を検出し、それに応じて応答音、構造、詳細度を調整する。
• 参考スコア（独自算出の注目度）: 3.9733561504368136
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present EmoMed - a multimodal medical consultation agent that adapts its responses based on users' emotional states while maintaining clinical accuracy. The system processes text and medical images, detects affect indicators (anxiety, confusion, urgency) from user input, and adjusts response tone, structure, and detail level accordingly. To ensure factual reliability, the agent grounds clinical information through a dual retrieval mechanism: web-based fact-checking and an API-connected, continuously updated medical knowledge base. We evaluate our approach across seven state-of-the-art language models (GPT-4/5, Qwen3, Llama 4, Gemini 2.5, Grok4, Claude3) using comprehensive metrics including LLM-as-judge assessments, MedQA style accuracy tests, BERT Score, safety/helpfulness ratings, and multimodal medical benchmarks. The results demonstrate that emotionally adaptive responses consistently outperform neutral baseline across evaluation dimensions, without compromising clinical accuracy. A controlled user study validated these findings, with participants reporting improved perceived empathy and communication clarity, while maintaining trust in factual accuracy. Source code: https://github.com/NasonovIvan/EmoMed-Agent
• Abstract（参考訳）: EmoMed - 臨床精度を維持しつつ、ユーザの感情状態に基づいて応答を適応するマルチモーダル医療相談エージェント。 システムは、テキストと医療画像を処理し、ユーザ入力から影響指標(不安、混乱、緊急性)を検出し、それに応じて応答音、構造、詳細度を調整する。 事実の信頼性を確保するため、Webベースのファクトチェックと、APIに接続された継続的に更新された医療知識ベースという、二重検索機構を通じて臨床情報を基盤とする。 我々は,7つの最先端言語モデル(GPT-4/5,Qwen3,Llama 4, Gemini 2.5,Grok4,Claude3)に対するアプローチを,LCM-as-judgeアセスメント,MedQAスタイルの精度テスト,BERTスコア,安全性/ヘルパフルネス評価,マルチモーダル医療ベンチマークなどの総合的な指標を用いて評価した。 その結果, 感情適応応答は, 臨床的精度を損なうことなく, 評価次元において中性ベースラインを一貫して上回ることがわかった。 コントロールされたユーザスタディでは、事実の正確性を維持しながら、共感とコミュニケーションの明確さを改善したと報告され、これらの知見が検証された。 ソースコード:https://github.com/NasonovIvan/EmoMed-Agent

関連論文リスト

• MedCTA: A Benchmark for Clinical Tool Agents [47.47354499871572]
  MedCTA(MedCTA)は,臨床医が有する段階的作業における医療ツールエージェントの評価のためのベンチマークである。 MedCTAは、実世界の107の臨床的タスクと、臨床者が検証した5つのデプロイツール以上の実行可能な軌道から構成される。 我々は18のオープンソースおよびクローズドソースマルチモーダルモデルをベンチマークし、フロンティアシステムでさえもマルチステップ臨床ツールの使用において脆弱であることを発見した。
  論文  参考訳（メタデータ） (2026-06-10T06:26:52Z)
• PubMed Reasoner: Dynamic Reasoning-based Retrieval for Evidence-Grounded Biomedical Question Answering [12.717987334814692]
  バイオメディカルQA剤PubMed Reasonerについて紹介する。 自己批判的なクエリ改善は、PubMedクエリを強化するために、カバレッジ、アライメント、冗長性に関するMeSH用語を評価する。 十分な証拠が収集されるまで 記事はバッチで処理される Evidence-grounded response generation(英語版)は明示的な引用を伴う回答を生成する。
  論文  参考訳（メタデータ） (2026-03-28T16:41:57Z)
• MedArena: Comparing LLMs for Medicine-in-the-Wild Clinician Preferences [50.71326426975699]
  MedArenaは医療用大規模言語モデル(LLM)のためのインタラクティブな評価プラットフォームである。 MedArenaは、2つのランダムに選択されたモデルからの応答を表示し、ユーザが好みのレスポンスを選択するように要求する。 2025年11月1日までに12台のLLMで収集された1571の選好のうち、ジェミニ2.0フラッシュシンキング、ジェミニ2.5プロ、GPT-4oがブラッドリー・テリーのレーティングで上位3モデルとなった。
  論文  参考訳（メタデータ） (2026-03-13T22:30:26Z)
• Towards Reliable Medical LLMs: Benchmarking and Enhancing Confidence Estimation of Large Language Models in Medical Consultation [97.36081721024728]
  本稿では,現実的な医療相談におけるマルチターンインタラクションの信頼性を評価するための最初のベンチマークを提案する。 本ベンチマークでは,3種類の医療データを統合し,診断を行う。 本稿では,エビデンスを基盤とした言語自己評価フレームワークであるMedConfを紹介する。
  論文  参考訳（メタデータ） (2026-01-22T04:51:39Z)
• DispatchMAS: Fusing taxonomy and artificial intelligence agents for emergency medical services [49.70819009392778]
  大規模言語モデル (LLM) とマルチエージェントシステム (MAS) は、ディスパッチを増強する機会を提供する。 本研究の目的は,現実的なシナリオをシミュレートする分類基盤型マルチエージェントシステムの開発と評価である。
  論文  参考訳（メタデータ） (2025-10-24T08:01:21Z)
• Enhancing Medical Dialogue Generation through Knowledge Refinement and Dynamic Prompt Adjustment [43.01880734118588]
  医療対話システム(MDS)は、患者とのマルチターン・コンテキスト対応の会話を可能にする重要なオンラインプラットフォームとして登場した。 本稿では,知識精製と動的プロンプト調整を取り入れた新しいMDSであるMedRefを提案する。 MedRefは、生成品質と医療機関の精度の両方において最先端のベースラインを上回っていることを示す。
  論文  参考訳（メタデータ） (2025-06-12T16:44:25Z)
• LLMEval-Med: A Real-world Clinical Benchmark for Medical LLMs with Physician Validation [58.25892575437433]
  医学における大規模言語モデル (LLMs) の評価は, 医療応用には精度が高く, 誤差の少ないため重要である。 LLMEval-Medは、5つの中核医療領域をカバーする新しいベンチマークであり、現実の電子健康記録から得られた2,996の質問と専門家が設計した臨床シナリオを含む。
  論文  参考訳（メタデータ） (2025-06-04T15:43:14Z)
• Improving Reliability and Explainability of Medical Question Answering through Atomic Fact Checking in Retrieval-Augmented LLMs [15.61511109105186]
  大型言語モデル (LLM) は医学的知識が豊富であるが、幻覚や不正確な引用の傾向にある。 Retrieval Augmented Generationのような現在の手法は、ソース文書の回答を根拠にすることで、これらの問題に部分的に対処する。 我々は,LLMの信頼性と説明可能性を高めるために,新しい原子ファクトチェックフレームワークを導入する。
  論文  参考訳（メタデータ） (2025-05-30T17:33:07Z)
• Ask Patients with Patience: Enabling LLMs for Human-Centric Medical Dialogue with Grounded Reasoning [25.068780967617485]
  大規模言語モデル(LLM)は潜在的な解決策を提供するが、現実の臨床的相互作用に苦慮する。 Ask patients with Patience (APP) は,基礎的推論,透明な診断,人間中心のインタラクションを目的とした多ターンLCMベースの医療アシスタントである。 APPは共感的対話を通じてユーザ症状を誘発することでコミュニケーションを強化し、アクセシビリティとユーザエンゲージメントを大幅に改善する。
  論文  参考訳（メタデータ） (2025-02-11T00:13:52Z)
• Which Client is Reliable?: A Reliable and Personalized Prompt-based Federated Learning for Medical Image Question Answering [51.26412822853409]
  本稿では,医学的視覚的質問応答(VQA)モデルのための,パーソナライズド・フェデレーションド・ラーニング(pFL)手法を提案する。 提案手法では,学習可能なプロンプトをTransformerアーキテクチャに導入し,膨大な計算コストを伴わずに,多様な医療データセット上で効率的にトレーニングする。
  論文  参考訳（メタデータ） (2024-10-23T00:31:17Z)

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。