論文の概要: MedSNIP: Building and Benchmarking Snippet-Level Granularity for Medical Fact Verification
- arxiv url: http://arxiv.org/abs/2609.12884v1
- Date: Fri, 11 Sep 2026 14:08:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-15 07:38:31.770368
- Title: MedSNIP: Building and Benchmarking Snippet-Level Granularity for Medical Fact Verification
- Title（参考訳）: MedSNIP:医療ファクト検証のためのスニペットレベル粒度の構築とベンチマーク
- Abstract要約: 我々はスニペットレベルの医療事実検証のベンチマークであるMedSNIP-Benchを紹介する。
また,自動スニペット生成パイプラインであるMedSNIPを導入する。
MedSNIP-Bench、HealthFC、MedHallu全体で、スニペットレベルの検証は偽クラスF1を保存または改善する。
- 参考スコア（独自算出の注目度）: 50.13873960887466
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A medical claim's correctness often depends not on the claim alone, but on the clinical structure around it. A claim may require a lab reference range, a causal or conditional link, or patient-specific details to be judged correctly, and atom-level decomposition can fragment these dependencies, leaving the verifier with clinically incomplete claims. We reformulate medical fact-checking around snippet-level verification, where clause-grouped units preserve local clinical structure. We introduce MedSNIP-Bench, a human-annotated benchmark for snippet-level medical fact verification, and MedSNIP, an automatic snippet-generation pipeline. MedSNIP-Bench covers 276 consumer-health and clinical-vignette responses, segmented into 2,524 snippets with dual in-general and in-patient-context labels and six structural pattern codes. MedSNIP is evaluated against human snippet boundaries on MedSNIP-Bench and then used to generate snippet-level units for external corpora. Across MedSNIP-Bench, HealthFC, and MedHallu, snippet-level verification preserves or improves false-class F1, with gains concentrated where answers are long enough to fragment and where the verifier is strong enough to exploit the recovered structure. The largest merge-pattern gain is on causal-conditional clinical chains. It also reduces verifier calls by 24-73%, though the saving survives end-to-end only when decomposition is cheap, which an open-weight decomposer makes possible at no loss of chunking fidelity.
- Abstract（参考訳）: 医学的クレームの正しさは、クレームだけでなく、その周りの臨床構造にも依存することが多い。
クレームは、検査基準範囲、因果関係または条件リンク、または患者固有の詳細を正しく判断する必要がある場合があり、原子レベルの分解はこれらの依存関係を断片化し、検証者は臨床的に不完全なクレームを残せる。
本研究は, 局所的な臨床構造を保ちつつ, スニペットレベルの検証を中心に, 医療ファクトチェックを再構築する。
我々は,スニペットレベルの医療事実検証のための人手によるベンチマークであるMedSNIP-Benchと,自動スニペット生成パイプラインであるMedSNIPを紹介する。
MedSNIP-Benchは276のコンシューマー・ヘルスおよび臨床・ヴィニネット・レスポンスをカバーし、2,524のスニペットと2つのインジェネラル・コンテクスト・ラベルと6つの構造パターンコードで構成されている。
MedSNIPは、MedSNIP-Bench上の人間のスニペット境界に対して評価され、次いで外部コーパス用のスニペットレベルユニットを生成する。
MedSNIP-Bench、HealthFC、MedHallu全体で、スニペットレベルの検証は偽クラスF1を保存または改善する。
マージパターンの最大の増加は、因果条件の臨床連鎖である。
また、バリデーションコールを24-73%削減するが、分解が安価である場合にのみ、保存は終端から終端まで持続する。
関連論文リスト
- Configurable Semantic Chunking for Biomedical Information Extraction in Retrieval-Augmented Generation [0.0]
BioMedRAGは、バイオメディカル情報抽出のための学習チャンクスコアラーを備えた検索拡張生成を導入した。
本稿では,エンティティ保存ウィンドウ,トリガ中心チャンキング,命題優先抽出,タインドトリガ優先化,階層的関係解決を組み合わせたセマンティックチャンキングフレームワークを提案する。
バイオメディカル関係抽出ベンチマーク(GM-CIHT, DDI, ChemProt)と有害事象分類(ADE)の枠組みを評価する。
論文 参考訳（メタデータ） (2026-08-31T17:44:54Z) - Beyond Endpoint Gains: A Weight-Delta Audit of Medical Specialization [2.782879873824998]
重み付きデルタパス監査法を提案し,これを2つの一般・一般・医療・専門のチェックポイントペアに適用する。
その主張は、臨床的検証、修復、サーキットレベルのメカニズムではなく、テキストのみの多重選択ベンチマークの動きに関するものである。
論文 参考訳（メタデータ） (2026-08-21T06:15:43Z) - FedPref: Federated Preference Learning for Structured Radiology Report Extraction [69.11739400975445]
ラジオロジーレポートでは、自由テキストで発見と位置を記述しているが、下流の検索と分析では、これらの関係を固定スキーマで記述する必要がある。
我々はFedPrefを紹介します: 凍結した公開言語モデルは代替の抽出を提案し、ローカルアノテーションはそれらをランク付けし、サイトはプールされたコンパクトQwen3-8Bアダプタを協調訓練します。
不平等なデータ量と病気の有病率を持つ6つのシミュレートされた病院の開発データに基づき、FedPrefはクライアント平均F1を2.49ポイント、最悪のサイトF1を9.10ポイント改善する。
論文 参考訳（メタデータ） (2026-08-17T12:29:42Z) - MedHal-Loc: Are "Explainable-by-Architecture" Medical Hallucination Detectors Faithful Localizers? A Localization Benchmark [3.738942365298833]
MedHal-Locは、局所化忠実度のためのベンチマークとメトリクスである。
NLI-per-clause, consistency-per-sentence, and the dedicated span detector FAVA are all localize of chance。
論文 参考訳（メタデータ） (2026-06-19T15:11:37Z) - Beyond Scalar Scores: Exploring LLM-based Metrics for Clinical Significance Evaluation in Radiology Reports [49.5225801722164]
既存のメトリクスは、医学的に根拠のないスカラーにレポートの品質を低下させることによって、この要件を曖昧にしている。
テストベッドとしてReEvalMedベンチマークを用いて,この境界について検討し,計量レベルの臨床的意義を評価する。
論文 参考訳（メタデータ） (2026-06-17T08:10:30Z) - 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) - MedVeriSeg: Teaching MLLM-Based Medical Segmentation Models to Verify Query Validity Without Extra Training [20.87443071413578]
MedVeriSeg は LISA ライクな医療セグメンテーションモデルのトレーニング不要な検証フレームワークである。
我々のキーとなる観察は、[SEG]トークン特徴とMLLMイメージ特徴との類似性マップは、真と偽のクエリに対して顕著に異なる分布パターンを示すことである。
SA-Med2D-20Mによる小規模なベンチマーク実験により、MedVeriSegは偽クエリのセグメンテーション要求を効果的に拒否することを示した。
論文 参考訳（メタデータ） (2026-04-11T14:47:32Z) - MedRAGChecker: Claim-Level Verification for Biomedical Retrieval-Augmented Generation [8.37586466142299]
バイオメディカルRAGのためのクレームレベル検証および診断フレームワークであるMedRAGCheckerを紹介する。
MedRAGCheckerは、質問、証拠の回収、そして生成された回答を与えられた上で、答えを原子的クレームに分解し、クレームのサポートを見積もる。
我々は、MedRAGCheckerが確実にフラグを解除し、主張を否定し、ジェネレータ間で異なるリスクプロファイルを明らかにしていることを示す。
論文 参考訳（メタデータ） (2026-01-10T10:40:42Z) - MedREK: Retrieval-Based Editing for Medical LLMs with Key-Aware Prompts [70.64143198545031]
本稿では,情報誘導のための注目型プロンプトエンコーダと正確なマッチングのための共有クエリキーモジュールを統合した検索ベースの編集フレームワークであるMedREKを提案する。
各種医用ベンチマークの結果から,MedREKは異なるコアメトリクス間で優れた性能を発揮することが示された。
論文 参考訳（メタデータ） (2025-10-15T12:50:33Z) - MedScore: Generalizable Factuality Evaluation of Free-Form Medical Answers by Domain-adapted Claim Decomposition and Verification [51.82420076479152]
MedScoreは、医学的回答を条件対応の有効な事実に分解し、ドメイン内コーパスに対する検証を行うための新しいパイプラインである。
提案手法は,既存の方法に比べて最大3倍有効な事実を抽出し,幻覚や曖昧な参照を低減し,事実の条件依存性を維持する。
論文 参考訳（メタデータ） (2025-05-24T01:23:09Z)
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。