論文の概要: EMR: Self-Evolving Medical Multi-Agent System via Experience Mining and Reuse
- arxiv url: http://arxiv.org/abs/2609.15161v1
- Date: Mon, 14 Sep 2026 07:41:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 07:15:06.17124
- Title: EMR: Self-Evolving Medical Multi-Agent System via Experience Mining and Reuse
- Title（参考訳）: EMR: 経験的マイニングと再利用による自己進化型医療マルチエージェントシステム
- Abstract要約: 大規模言語モデル(LLM)によるマルチエージェントシステムは、複雑な臨床推論において有望であることを示す。
経験的マイニングと再利用による自己進化型医療マルチエージェントシステムであるEMMについて紹介する。
- 参考スコア（独自算出の注目度）: 16.25658951326869
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Large language model (LLM) driven multi-agent systems have shown promise in complex clinical reasoning, yet existing approaches rely on static strategies and lack persistent clinical memory, preventing self-evolving from prior diagnostic successes and failures. We present EMR, a self-evolving medical multi-agent system via Experience Mining and Reuse. EMR introduces a hierarchical clinical experience library that organizes accumulated knowledge into three levels: clinical principles, diagnostic patterns, and representative cases. During inference, EMR emulates multidisciplinary consultation: a planner agent coordinates domain-specific department agents for specialized reasoning, while a summary agent synthesizes their analyses into a final decision. Critically, EMR automatically extracts correct diagnostic insights and failure-related warnings from multi-agent reasoning trajectories, incrementally updating the experience library to guide future cases. Experiments on medical reasoning benchmarks demonstrate that EMR consistently outperforms state-of-the-art medical multi-agent baselines. Further analysis reveals that the hierarchical experience enables cross-specialty generalization and transfer across diverse LLM backbones, offering a scalable and in
- Abstract（参考訳）: 大規模言語モデル(LLM)を駆動するマルチエージェントシステムは、複雑な臨床推論において有望であるが、既存のアプローチは静的戦略に依存し、持続的な臨床記憶を欠いている。
経験的マイニングと再利用による自己進化型医療マルチエージェントシステムであるEMMについて紹介する。
EMRは、蓄積された知識を臨床原則、診断パターン、代表例の3つのレベルにまとめる階層的な臨床経験ライブラリを導入している。
プランナーエージェントは特定の推論のためにドメイン固有の部門エージェントをコーディネートし、サマリエージェントは分析結果を最終決定に合成する。
批判的に、EMRは、マルチエージェント推論トラジェクトリから、適切な診断洞察と障害関連警告を自動的に抽出し、将来のケースをガイドするためにエクスペリエンスライブラリを漸進的に更新する。
医学推論ベンチマークの実験は、EMRが最先端の医療マルチエージェントベースラインを一貫して上回っていることを示している。
さらなる分析により、階層的経験により、多種多様なLCMバックボーンをまたいだクロス特殊性一般化と転送が可能となり、スケーラブルでインラインを提供することが明らかとなった。
関連論文リスト
- Concept-Grounded Reasoning with Prompt-Driven Localization for Interpretable Structured Report Generation [66.62662330558906]
CORALは、空間的接地と概念レベルの監督を統一的な推論プロセスに統合するマルチモーダルフレームワークである。
コーラルは、疾患の局所化とコンセプション・ボトルネックモジュールによる多クラス臨床属性の予測のために、プロンプト駆動型医療セグメンテーションモデルを採用している。
BUS-CoTとIU X線データセットの実験では、診断精度、概念整合性、報告品質が強力な汎用および医療MLLMよりも一貫した改善が示されている。
論文 参考訳（メタデータ） (2026-09-14T10:21:23Z) - MSM-Mem: A Universal Medical Structured Multimodal Memory Framework for Medical AI Agents [7.072210444087386]
本稿では,医療用AIエージェントを蓄積した臨床経験を通じて進化させるためのエージェントメモリフレームワークであるMSM-Memを提案する。
MSM-Memは、異種の臨床経験をセマンティック、エピソード、視覚記憶に整理し、推論中に徐々に更新する。
論文 参考訳（メタデータ） (2026-08-22T07:17:10Z) - MARCH: Multi-Agent Radiology Clinical Hierarchy for CT Report Generation [20.858060411945438]
自動3Dラジオロジーレポート生成は、しばしば臨床幻覚と、人間の実践で見られる反復的検証の欠如に悩まされる。
我々は,放射線学部門の専門的階層をエミュレートするマルチエージェントフレームワークであるMARCHを提案し,個別のエージェントに専門的な役割を割り当てる。
RadGenome-ChestCTデータセットでは、MARCHは臨床の忠実度と言語学的精度の両方において最先端のベースラインを著しく上回っている。
論文 参考訳（メタデータ） (2026-04-17T15:42:03Z) - ClinicalAgents: Multi-Agent Orchestration for Clinical Decision Making with Dual-Memory [17.805771452487612]
専門医の認知ワークフローをシミュレートする新しいマルチエージェントフレームワークであるCrysicalAgentsを紹介する。
厳密なシーケンシャルチェーンとは異なり、CricerAgentsはモンテカルロ木探索(MCTS)プロセスとしてモデル化された動的オーケストレーション機構を採用している。
これにより、Orchestratorは仮説を反復的に生成し、証拠を積極的に検証し、重要な情報が欠落した時にバックトラッキングをトリガーすることができる。
論文 参考訳（メタデータ） (2026-03-27T08:52:19Z) - MedCoRAG: Interpretable Hepatology Diagnosis via Hybrid Evidence Retrieval and Multispecialty Consensus [24.19892707167392]
臨床診断のための既存のAIアプローチは、透明性、構造化推論、デプロイ性に欠けることが多い。
標準化された異常所見から診断仮説を生成するエンド・ツー・エンドのフレームワークであるMedCoRAGを提案する。
その後、UMLS知識グラフパスと臨床ガイドラインを共同で検索し、解析することで、患者固有のエビデンスパッケージを構築する。
論文 参考訳（メタデータ） (2026-03-05T12:58:45Z) - MedRoute: RL-Based Dynamic Specialist Routing in Multi-Agent Medical Diagnosis [49.78267008828593]
臨床実践では、複数の専門医が診断を行い、それぞれが専門分野に特化している。
この新興分野の現在のアプローチは、通常、様々な専門家の静的または事前定義された選択に依存しており、現実的なシナリオの変化に適応できない。
LMMエージェントの協調システムからなる柔軟で動的なマルチエージェントフレームワークであるMedRouteを提案する。
論文 参考訳（メタデータ） (2026-02-05T19:50:04Z) - MMedExpert-R1: Strengthening Multimodal Medical Reasoning via Domain-Specific Adaptation and Clinical Guideline Reinforcement [63.82954136824963]
医療ビジョンランゲージモデルでは、現実世界のシナリオで必要とされる複雑な臨床推論を伴う知覚タスクが優れている。
本稿ではドメイン固有の適応とガイドライン強化を通じてこれらの課題に対処する新しい推論MedVLMを提案する。
論文 参考訳（メタデータ） (2026-01-16T02:32:07Z) - SurvAgent: Hierarchical CoT-Enhanced Case Banking and Dichotomy-Based Multi-Agent System for Multimodal Survival Prediction [49.355973075150075]
マルチモーダルサバイバル予測のための最初の階層的チェーン・オブ・シント(CoT)強化マルチエージェントシステムであるSurvAgentを紹介する。
SurvAgentは2つの段階から構成される: WSI-Gene CoT-Enhanced Case Bank Constructionは、低磁化スクリーニング、クロスモーダル類似性-アウェアパッチマイニング、および病理画像に対する信頼-アウェアパッチマイニングを通じて階層解析を使用する。
二分法に基づくMulti-Expert Agent Inferenceは、RAGを介して類似の事例を検索し、段階的間隔改善による専門家予測とマルチモーダルレポートを統合する。
論文 参考訳（メタデータ） (2025-11-20T18:41:44Z) - RAD: Towards Trustworthy Retrieval-Augmented Multi-modal Clinical Diagnosis [56.373297358647655]
Retrieval-Augmented Diagnosis (RAD)は、下流タスクで直接マルチモーダルモデルに外部知識を注入する新しいフレームワークである。
RADは、複数の医療ソースからの疾患中心の知識の検索と改善、ガイドライン強化コントラスト損失トランスフォーマー、デュアルデコーダの3つの主要なメカニズムで機能する。
論文 参考訳（メタデータ） (2025-09-24T10:36:14Z) - A Knowledge-driven Adaptive Collaboration of LLMs for Enhancing Medical Decision-making [49.048767633316764]
KAMACは知識駆動のAdaptive Multi-Agent Collaborationフレームワークである。
エージェントは進化する診断コンテキストに基づいて、専門家チームを動的に形成および拡張することができる。
2つの実世界の医療ベンチマーク実験により、KAMACはシングルエージェント法と高度なマルチエージェント法の両方を著しく上回っていることが示された。
論文 参考訳（メタデータ） (2025-09-18T14:33:36Z) - A Multimodal Multi-Agent Framework for Radiology Report Generation [2.1477122604204433]
放射線診断レポート生成(RRG)は、医療画像から診断レポートを自動生成することを目的としている。
本稿では,段階的臨床推論ワークフローに適合するRRG用マルチモーダルマルチエージェントフレームワークを提案する。
論文 参考訳（メタデータ） (2025-05-14T20:28:04Z)
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。