論文の概要: SentryLine: Evidence-Grounded Question Answering over Evolving Documents in Oncology Care

• arxiv url: http://arxiv.org/abs/2609.08364v1
• Date: Tue, 08 Sep 2026 07:33:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-11 16:47:43.263923
• Title: SentryLine: Evidence-Grounded Question Answering over Evolving Documents in Oncology Care
• Title（参考訳）: SentryLine: オンコロジーケアにおける文書の進化に関するエビデンスを取り巻く質問
• Abstract要約: 生活指導要領を意識した臨床質問応答システムであるSENTRYLINEについて紹介する。 ASCOBENCH(ASCOBENCH)は、4つの質問カテゴリにまたがる405の3ターン会話のベンチマークである。 3世代にわたる実験では、4つの検索ベースラインとASCOのガイドラインアシスタントよりも一貫した改善が見られた。
• 参考スコア（独自算出の注目度）: 5.871683154602689
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Oncology care operates at constant pressure of absorbing rapidly evolving evidence base in biomedicine. The American Society of Clinical Oncology (ASCO) addresses this through living guidelines, but the format introduces a new burden: any recommendation can change at any point, across multiple versioned documents. We present SENTRYLINE, a living guideline-aware clinical question answering system. SENTRYLINE retrieves guideline passages through a vectorless hierarchical RAG pipeline and returns a role-specific answer with inline citations, factual and temporal verification reports, and drift detection notes that surface when a guideline has been updated. We construct ASCOBENCH, a benchmark of 405 three-turn conversations across four question categories with gold answers from expert annotators(clinicians), and use test set to evaluate SENTRYLINE against five baselines under an LLM-as-judge framework. Experiments across three generation backbones show consistent improvements over four retrieval baselines and ASCO's guideline assistant, with particularly strong gains on Reasoning and Role-Specific questions where multi-hop synthesis and register adaptation are required
• Abstract（参考訳）: オンコロジーケアは、生物医学において急速に進化するエビデンスを吸収する一定の圧力で作用する。 ASCO(American Society of Clinical Oncology)は生活ガイドラインを通じてこの問題に対処しているが、このフォーマットには新たな負担が伴う。 生活指導要領を意識した臨床質問応答システムであるSENTRYLINEについて紹介する。 SENTRYLINEは、ベクトルのない階層的なRAGパイプラインを通してガイドラインの経路を検索し、インラインの引用、事実および時間的検証レポート、ガイドラインが更新された時に表面上のドリフト検出ノートでロール固有の回答を返す。 ASCOBENCHは4つの質問カテゴリにまたがる405の3ターン会話のベンチマークで、専門家アノテータ(クリニシアン)から金の回答を得た上で、SENTRYLINEをLLM-as-judgeフレームワークの下で5つのベースラインに対して評価するテストセットを使用する。 3世代のバックボーンを用いた実験では、4つの検索ベースラインとASCOのガイドラインアシスタントに対して一貫した改善がみられ、特にマルチホップ合成とレジスタ適応が必要なReasoningとRole-Specificの疑問に強い影響を与えている。

関連論文リスト

• PaperDoctor: Evidence-Grounded and Actionable Feedback for Scientific Papers in Progress [130.58520199343707]
  PaperDoctorは,3つの重要なイノベーションを備えた,サブミッション前のフィードバックのためのエージェントフレームワークである。 まず、全体論的階層的なフレームワークは、書き込み、レイアウト、参照、コード、理論、先行作業、実験を評価します。 第二に、各発見には、観察、文、方程式、コードラインなどの特定の証拠へのポインタ、修正提案が含まれる。 第3に、PaperDoctorはクレームの重要性と計算予算に基づいて実験を選択的に再構築し、再実行する。
  論文  参考訳（メタデータ） (2026-09-15T11:08:11Z)
• Case2Flow: Bridging Patient Cases and Guideline Flowcharts through Multimodal Retrieval [65.99409194536337]
  Case2Flowは、患者に対して最も関連性の高いガイドラインフローチャートを取得するために設計されたタスクである。 FlowAtlasは、2,080の医療ガイドラインから抽出された202のフローチャートのキュレートコーパスである。 CRISPは、非形式的パッチを抑えることで遅延相互作用検索を鋭くする訓練不要スコアリング手法である。
  論文  参考訳（メタデータ） (2026-08-26T21:27:22Z)
• Grounded in Consensus, In Step With Emerging Science: A Consensus-Anchored Multi-Corpus Clinical Chatbot for Long COVID [1.8229646064376668]
  関連する証拠は、異なる更新サイクル、明らかな役割、臨床成熟度を持つソースに分散しているため、Long COVID (LC) は臨床上の意思決定支援に挑戦する。 本稿では,検索ワークフロー内で4つのソースを編成する臨床用ロボットを提案する。
  論文  参考訳（メタデータ） (2026-07-27T19:57:23Z)
• Hierarchical Evidence-Driven Reasoning for Long Document Understanding [95.51688464037096]
  閉領域文書理解のための階層的・エビデンス駆動型マルチモーダルRAGフレームワークであるHIEVI-RAGを紹介する。 我々のフレームワークは、既存のオープンソースベースラインを著しく上回り、最強の報告ベースラインを平均8.05%の精度で上回ります。
  論文  参考訳（メタデータ） (2026-07-06T03:08:28Z)
• When Cases Get Rare: A Retrieval Benchmark for Off-Guideline Clinical Question Answering [10.478229476671949]
  ほとんどの医学大言語モデル(LLM)は、共通のガイドラインに焦点を絞った医療知識をそれらのパラメータにエンコードするように訓練されている。 OGCaReBenchは,典型的ガイドラインを超越した臨床質問に答えるためのLCMの評価を目的とした,フリーフォーム検索中心のベンチマークである。 我々の実験によると、最高のパフォーマンスベースライン(GPT-5.2)でさえ、我々のベンチマークの56%しか正しく答えていない。
  論文  参考訳（メタデータ） (2026-05-20T23:04:48Z)
• HealthNLP_Retrievers at ArchEHR-QA 2026: Cascaded LLM Pipeline for Grounded Clinical Question Answering [4.835744579415159]
  本稿では,HealthNLP_Retrieversチームが開発したシステムについて述べる。 提案手法では,Gemini 2.5 Proの大規模言語モデルを利用した多段階カスケードパイプラインを使用する。 本アーキテクチャは,(1)患者問合せを要約する数発の問合せ修正ユニット,(2)臨床文章をリコールする動詞ベースのエビデンススコアラ,(3)専門職の回答を合成する接地応答生成器の4つの統合モジュールから構成される。
  論文  参考訳（メタデータ） (2026-04-29T16:47:20Z)
• EviSearch: A Human in the Loop System for Extracting and Auditing Clinical Evidence for Systematic Reviews [7.325762712182949]
  EviSearchは臨床エビデンステーブルのためのマルチエージェント抽出システムである。 パイプラインはマルチモーダルエビデンスソース間の高精度抽出のために設計されている。 EviSearchは、生きた体系的なレビューを加速し、手作業によるキュレーションの負担を軽減し、LCMベースの抽出をエビデンス合成パイプラインに統合するための安全で監査可能なパスを提供することを目的としている。
  論文  参考訳（メタデータ） (2026-03-23T22:36:54Z)
• Demo: Guide-RAG: Evidence-Driven Corpus Curation for Retrieval-Augmented Generation in Long COVID [3.716027375029187]
  慢性期慢性期慢性期慢性期慢性期慢性期慢性期慢性期慢性期慢性期慢性期慢性期慢性期慢性期慢性期慢性期慢性期慢性期慢性期慢性期慢性期慢性期慢性期慢性期における慢性期慢性期慢性期慢性期慢性期慢性期慢性期慢性期慢性期慢性期慢性期慢性期慢性期慢性期慢性期慢性期慢性期慢性期慢性期慢性期慢性期慢性期慢性期慢性期慢性期慢性期慢性期慢性期慢性期における6症例 臨床ガイドラインと高品質な体系的レビューを併用したRAGコーパスの構成は,狭い単一ガイドラインアプローチと大規模文献データベースの両方で一貫して優れていた。
  論文  参考訳（メタデータ） (2025-10-17T16:05:52Z)
• ELOQ: Resources for Enhancing LLM Detection of Out-of-Scope Questions [52.33835101586687]
  本研究では,検索した文書が意味的に類似しているように見えるスコープ外質問について検討するが,答えるために必要な情報がない。 本稿では,閉経後の文書から多様なスコープ外質問を自動的に生成するための,幻覚に基づくELOQを提案する。
  論文  参考訳（メタデータ） (2024-10-18T16:11:29Z)
• Iterative Utility Judgment Framework via LLMs Inspired by Relevance in Philosophy [66.95501113584541]
  ITEM(Iterative utiliTy judgm fraEntMework)を提案する。 RAGの3つの中核的構成要素は、検索モデル、ユーティリティ判断、回答生成から導かれる関連性ランキングであり、シューツの哲学的関連性体系と一致している。 実効性判定, ランキング, 回答生成におけるITEMの顕著な改善が, 代表ベースラインに基づいて示された。
  論文  参考訳（メタデータ） (2024-06-17T07:52:42Z)
• Self-supervised Answer Retrieval on Clinical Notes [68.87777592015402]
  本稿では,ドメイン固有パスマッチングのためのトランスフォーマー言語モデルをトレーニングするためのルールベースのセルフスーパービジョンであるCAPRを紹介する。 目的をトランスフォーマーベースの4つのアーキテクチャ、コンテキスト文書ベクトル、ビ-、ポリエンコーダ、クロスエンコーダに適用する。 本稿では,ドメイン固有パスの検索において,CAPRが強いベースラインを上回り,ルールベースおよび人間ラベル付きパスを効果的に一般化することを示す。
  論文  参考訳（メタデータ） (2021-08-02T10:42:52Z)
• Learning Contextualized Document Representations for Healthcare Answer Retrieval [68.02029435111193]
  コンテキスト談話ベクトル(英: Contextual Discourse Vectors、CDV)は、長文からの効率的な回答検索のための分散文書表現である。 本モデルでは,階層型LSTMレイヤとマルチタスクトレーニングを併用したデュアルエンコーダアーキテクチャを用いて,臨床エンティティの位置と文書の談話に沿った側面をエンコードする。 我々の一般化モデルは、医療パスランキングにおいて、最先端のベースラインを著しく上回っていることを示す。
  論文  参考訳（メタデータ） (2020-02-03T15:47:19Z)

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。