論文の概要: MedRSI: Recursive Self-Improvement for Medical Agents via Clinically Aligned Self-Evolution
- arxiv url: http://arxiv.org/abs/2609.24838v1
- Date: Mon, 21 Sep 2026 16:19:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-23 18:04:04.015249
- Title: MedRSI: Recursive Self-Improvement for Medical Agents via Clinically Aligned Self-Evolution
- Title（参考訳）: MedRSI: 臨床適応型自己進化による薬剤の再帰的自己改善
- Abstract要約: 再帰的自己改善(RSI)は、エージェントが自身の失敗から学び、自律的に能力を拡張する、異なるパラダイムを提供する。
MedRSIを導入し,診断障害を新たな臨床機能に継続的に変換する。
以上の結果から, 医療機関は, 展開前に特定された能力に制約を課す必要はないことが示唆された。
- 参考スコア（独自算出の注目度）: 25.076838954854964
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Medical agents increasingly combine general reasoning models with specialized clinical tools, yet their capabilities remain largely fixed by what clinicians and engineers design before deployment. Recursive self-improvement (RSI) offers a different paradigm in which agents learn from their own failures and autonomously expand their capabilities, but directly applying RSI to medicine introduces fundamental safety challenges. We introduce MedRSI, the first recursive self-improvement framework for medicine, which continuously transforms diagnostic failures into new clinical capabilities through tool composition and task-specific model training. Inspired by clinical practice, MedRSI introduces two mechanisms for clinically aligned self-evolution. Clinical-cost-aware failure prioritization directs improvement toward errors according to their potential clinical consequences rather than frequency alone. Fast discovery with slow registration separates rapid capability invention from conservative adoption, allowing new tools to enter the persistent agent only after demonstrating sustained benefit across subsequent patient cohorts. Across public glaucoma and heart disease benchmarks and two private clinical tasks, MedRSI progressively develops segmentation, measurement, prediction, multimodal reasoning, and generative capabilities, surpasses manually engineered medical agents, and autonomously discovers solutions to clinical problems not anticipated by its original designers. Our results show that medical agents need not remain constrained by capabilities specified before deployment: with clinically grounded mechanisms governing what to improve and what to retain, they can continuously construct, validate, and accumulate new capabilities from diagnostic experience. Code is available at https://github.com/ImprintLab/MedRSI.
- Abstract（参考訳）: 医療エージェントは、一般的な推論モデルと専門的な臨床ツールを組み合わせる傾向にあるが、その能力は、展開前に臨床医や技術者が設計したものによって大きく固定されている。
再帰的自己改善(RSI)は、エージェントが自身の失敗から学び、その能力を自律的に拡張する異なるパラダイムを提供するが、RSIを直接医療に適用することは、基本的な安全上の課題をもたらす。
MedRSIは、診断障害をツール構成とタスク固有のモデルトレーニングを通じて、継続的に新しい臨床能力に変換する医療のための最初の再帰的自己改善フレームワークである。
臨床実践に触発されて、MedRSIは臨床的に整合した自己進化の2つのメカニズムを導入した。
臨床コストに配慮した失敗優先順位付けは、周波数のみではなく、潜在的な臨床結果に応じて改善をエラーに向ける。
遅い登録による迅速な発見は、迅速な能力の発明を保守的な採用から切り離し、新しいツールが続く患者コホート間で持続的な利益を示した後だけ永続的なエージェントに入ることを可能にする。
公共の緑内障と心臓病のベンチマークと2つのプライベートな臨床タスクの中で、MedRSIは、セグメンテーション、測定、予測、マルチモーダル推論、生成能力を徐々に発展させ、手作業による医療エージェントを超越し、オリジナルのデザイナーが予想しなかった臨床問題の解決策を自律的に発見する。
以上の結果から, 医療エージェントは, 治療前に規定された能力によって制約される必要はなく, 臨床的根拠が保たれているため, 診断経験から新たな能力を継続的に構築し, 検証し, 蓄積することが可能であることが示唆された。
コードはhttps://github.com/ImprintLab/MedRSIで入手できる。
関連論文リスト
- EMR: Self-Evolving Medical Multi-Agent System via Experience Mining and Reuse [16.25658951326869]
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。
論文 参考訳（メタデータ） (2026-09-14T07:41:56Z) - 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) - 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) - ReMedi: Reasoner for Medical Clinical Prediction [70.84466325266068]
EHRによる臨床結果予測を改善するためのフレームワークであるReMediを提案する。
ReMediは、複雑な臨床問題に対する挑戦的なサンプル再生機構を用いて有理応答対を生成する。
複数のEHR予測タスクの実験では、F1スコアで最先端のベースラインを19.9%上回った。
論文 参考訳（メタデータ） (2026-05-02T14:44:49Z) - 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) - Beyond Medical Chatbots: Meddollina and the Rise of Continuous Clinical Intelligence [0.0]
臨床コンテキストインテリジェンス(CCI)を実世界の臨床に必要とされる能力クラスとして定式化する。
本稿では,言語の実現前に推論を制約するガバナンスファーストな臨床インテリジェンスシステムであるMeddollinaを紹介する。
16,412以上のヘテロジニアスな医療クエリを対象とした行動優先型システムを用いてMeddollinaの評価を行った。
論文 参考訳（メタデータ） (2026-01-30T07:05:14Z) - 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) - Medchain: Bridging the Gap Between LLM Agents and Clinical Practice with Interactive Sequence [68.05876437208505]
臨床ワークフローの5つの重要な段階をカバーする12,163の臨床症例のデータセットであるMedChainを提示する。
フィードバック機構とMCase-RAGモジュールを統合したAIシステムであるMedChain-Agentも提案する。
論文 参考訳（メタデータ） (2024-12-02T15:25:02Z) - Towards Next-Generation Medical Agent: How o1 is Reshaping Decision-Making in Medical Scenarios [46.729092855387165]
本稿では,医療用AIエージェントのバックボーンLSMの選択について検討する。
我々の研究結果は、o1の診断精度と一貫性を高める能力を示し、よりスマートでより応答性の高いAIツールへの道を開いた。
論文 参考訳（メタデータ） (2024-11-16T18:19:53Z) - Natural Language Programming in Medicine: Administering Evidence Based Clinical Workflows with Autonomous Agents Powered by Generative Large Language Models [29.05425041393475]
ジェネレーティブ・大型言語モデル(LLM)は医療において大きな可能性を秘めている。
本研究は, シミュレーション3次医療センターにおいて, 自律型エージェントとして機能するLSMの可能性を評価した。
論文 参考訳（メタデータ） (2024-01-05T15:09:57Z)
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。