論文の概要: MedTRACE: Tool-Augmented Multimodal Clinical Reasoning Agents for Evidence-Grounded Decision-Making
- arxiv url: http://arxiv.org/abs/2609.14823v1
- Date: Sun, 13 Sep 2026 22:32:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 07:15:05.996127
- Title: MedTRACE: Tool-Augmented Multimodal Clinical Reasoning Agents for Evidence-Grounded Decision-Making
- Title（参考訳）: MedTRACE:Evidence-Grounded Decision-Makingのためのマルチモーダル・クリニカル・推論・エージェント
- Abstract要約: 本稿では,エビデンスに基づく意思決定のための多モード臨床推論剤であるMedTRACEについて述べる。
視覚的グラウンドディング、エビデンス検索、構造化解析ツールを動的に起動し、診断関連領域を特定する。
証拠の裏付け、聴取可能な推論の痕跡、信頼性の校正などと共に診断を行う。
- 参考スコア（独自算出の注目度）: 13.499477476787602
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multimodal clinical decision-making requires reliable reasoning over heterogeneous evidence from electronic health records, medical images, and physiological signals. Existing models typically map these inputs directly to diagnoses without explicitly assessing evidence sufficiency, tool-use requirements, or diagnostic uncertainty. This paper presents MedTRACE, a tool-augmented multimodal clinical reasoning agent for evidence-grounded decision-making. MedTRACE uses modality-specific encoders to construct a unified patient-state representation and performs an iterative loop of hypothesis formation, toolaware deliberation, and evidence verification. It dynamically invokes visual grounding, evidence retrieval, and structured parsing tools to locate diagnosis-relevant regions, retrieve clinical knowledge and similar cases, and extract structured findings. The acquired evidence enters an evidence memory, where a consistency verifier confirms or revises the current hypothesis. MedTRACE outputs a diagnosis together with supporting evidence, an auditable reasoning trace, and calibrated confidence. Experiments on multiple multimodal clinical diagnosis benchmarks show that MedTRACE improves diagnostic accuracy by 5.4% and AUROC by 4.7 percentage points over the strongest baseline. It also improves evidenceselection F1 by 8.2 percentage points and visual-grounding IoU by 6.5 percentage points, reduces expected calibration error by 31.6%, and decreases unsupported diagnostic errors by 27.8%. These results demonstrate that active evidence acquisition and verification improve the accuracy, interpretability, and reliability of multimodal clinical decisionmaking.
- Abstract（参考訳）: マルチモーダルな臨床的意思決定には、電子的健康記録、医療画像、生理的信号からの不均一な証拠に対する信頼できる推論が必要である。
既存のモデルは通常、これらの入力を直接診断にマッピングするが、証拠の十分性、ツールの使用要件、診断の不確実性を明確に評価する必要はない。
本稿では,エビデンスに基づく意思決定のための多モード臨床推論剤であるMedTRACEについて述べる。
MedTRACEは、モダリティ固有のエンコーダを使用して、統一された患者状態表現を構築し、仮説形成の反復ループ、Toolaware Deliberation、エビデンス検証を実行する。
視覚的接地、エビデンス検索、構造化解析ツールを動的に起動し、診断関連領域を特定し、臨床知識や類似の症例を検索し、構造化された所見を抽出する。
得られた証拠はエビデンスメモリに入り、一貫性検証器が現在の仮説を確認または修正する。
MedTRACEは、証拠、監査可能な推論トレース、信頼性の校正とともに診断を出力する。
複数のマルチモーダルな臨床診断ベンチマークの実験では、MedTRACEは診断精度を5.4%改善し、AUROCは4.7%向上した。
また、エビデンス選択F1を8.2ポイント、視覚接地IoUを6.5ポイント改善し、キャリブレーション誤差を31.6%削減し、診断誤差を27.8%削減する。
これらの結果から,多段階臨床意思決定の精度,解釈可能性,信頼性の向上が示唆された。
関連論文リスト
- CDEG: Learning Decision-Critical Evidence for Long-Horizon Diagnostic Agents [21.40725112789917]
筆者らは,過去の診断軌跡から再利用可能な決定クリティカルな証拠を学習するグラフベースのフレームワークCDEGを紹介する。
我々はCDEGが診断性能を継続的に改善し、バニラ剤よりも11.5%の精度向上を実現していることを示す。
論文 参考訳（メタデータ） (2026-08-24T07:30:22Z) - MedReaMM: Evaluating Large Multimodal Models on Expert-Level Clinical Diagnostic Synthesis [61.266743965495884]
異種臨床証拠を合成するモデルの能力を評価するためのベンチマークであるMedReaMMを紹介する。
MedReaMMは625の専門患者と、平均2.79の医療画像と、ICD-11コードで注釈付けされた1,042の標準診断を含む。
23大マルチモーダルモデル (LMM) を評価し, 診断精度が50%未満であることが確認された。
論文 参考訳（メタデータ） (2026-08-23T09:37:53Z) - Evaluating Multi-Turn Multimodal Diagnostic Reasoning on Challenging Real-World Clinical Cases [59.5328455571863]
ClinMM-Benchは、これまでで最大のマルチターンマルチモーダル臨床診断評価ベンチマークである。
実際の患者は1,089件、医療画像は3,760件、専門は8件。
プロプライエタリモデルでは診断精度が最も高かったが、正確な診断の割合は限られていた。
論文 参考訳（メタデータ） (2026-07-28T16:19:03Z) - MAGIS: Evidence-Based Multi-Agent Reasoning for Interpretable Strabismus Clinical Decision-Making [18.234379859242406]
ストラビスムス(Strabismus)は、個々の治療計画に詳細なサブタイプ診断を必要とする一般的な眼疾患である。
本稿では,Multi-AGent reasoning for Interpretable Strabismus diagnosis frameworkを提案する。
論文 参考訳（メタデータ） (2026-06-08T09:21:53Z) - Active Evidence-Seeking and Diagnostic Reasoning in Large Language Models for Clinical Decision Support [20.0177310948999]
我々はOSCEにインスパイアされた標準化された患者シミュレータと能動的診断のための制御された再現可能なベンチマークを導入する。
本プロトコルでは,468症例と15モデルに対して,診断精度を12.75%低下させ,サポートエビデンス品質を24.36%低下させるマルチターンエビデンスを観察した。
論文 参考訳（メタデータ） (2026-05-21T06:34:50Z) - MultiDx: A Multi-Source Knowledge Integration Framework towards Diagnostic Reasoning [66.94527468532843]
2段階の診断推論フレームワークであるMultiDxを提案する。
まず Web 検索,SOAP 形式の症例,臨床症例データベースから知識を活用することにより,疑わしい診断と推論経路を生成する。
そして、マッチング、投票、および差分診断を通じて、複数のパースペクティブエビデンスを統合し、最終的な予測を生成する。
論文 参考訳（メタデータ） (2026-04-27T08:46:29Z) - Benchmarking Multi-turn Medical Diagnosis: Hold, Lure, and Self-Correction [72.89352076103889]
大規模言語モデル (LLM) は, 臨床情報がすべて一ターンで提供される場合に, 高い精度で診断を行う。
1,035例からなる高忠実多ターン診断ベンチマークであるMINTを導入する。
診断決定に大きな影響を及ぼす3つの永続的な行動パターンを明らかにする。
論文 参考訳（メタデータ） (2026-04-06T00:23:10Z) - Improving Clinical Diagnosis with Counterfactual Multi-Agent Reasoning [16.709358805587506]
臨床診断は、臨床医が証拠を集め、仮説を定め、代替的な説明に対してそれらをテストする複雑な推論プロセスである。
本稿では, 仮説テストの明確化とエビデンス・グラウンド化を図った臨床研修に触発された, 対物的マルチエージェント診断フレームワークを提案する。
論文 参考訳（メタデータ） (2026-03-29T19:14:26Z) - Guideline-Grounded Evidence Accumulation for High-Stakes Agent Verification [60.18369393468405]
既存の検証器は通常、ドメイン知識の欠如と限られた校正のために性能が劣る。
GLEANは専門家によって計算されたプロトコルをトラジェクトリインフォームされ、よく校正された正当性信号にコンパイルする。
我々は,MIMIC-IVデータセットから得られた3つの疾患の薬物的臨床診断でGLEANを実証的に検証した。
論文 参考訳（メタデータ） (2026-03-03T09:36:43Z) - Evolving Diagnostic Agents in a Virtual Clinical Environment [75.59389103511559]
本稿では,大規模言語モデル(LLM)を強化学習を用いた診断エージェントとして訓練するためのフレームワークを提案する。
本手法は対話型探索と結果に基づくフィードバックによって診断戦略を取得する。
DiagAgentはDeepSeek-v3やGPT-4oなど、最先端の10のLLMを著しく上回っている。
論文 参考訳（メタデータ） (2025-10-28T17:19:47Z) - Enhancing Diagnostic Accuracy through Multi-Agent Conversations: Using Large Language Models to Mitigate Cognitive Bias [5.421033429862095]
臨床的意思決定における認知的バイアスは、診断の誤りや患者下結果に大きく寄与する。
本研究では,多エージェントフレームワークの利用を通じて,これらのバイアスを軽減するために,大規模言語モデルが果たす役割について検討する。
論文 参考訳（メタデータ） (2024-01-26T01:35:50Z)
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。