論文の概要: MAC-RRG: Iterative Multi-Agent Collaboration for X-ray Radiology Report Generation

• arxiv url: http://arxiv.org/abs/2609.26124v1
• Date: Sun, 20 Sep 2026 02:10:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-23 18:04:04.349346
• Title: MAC-RRG: Iterative Multi-Agent Collaboration for X-ray Radiology Report Generation
• Title（参考訳）: MAC-RRG : X線ラジオグラフィーレポート作成のための反復的マルチエージェントコラボレーション
• Abstract要約: 本稿では,X線ラジオロジーレポート生成のための新しいマルチエージェント協調反復フレームワークを提案する。 マルチエージェント技術に触発されて,タスク分離と協調推論に基づくクローズドループ最適化のパラダイムを構築した。
• 参考スコア（独自算出の注目度）: 39.51984613123515
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Despite the remarkable progress of LLM-based and knowledge graph-augmented Radiology Report Generation (RRG) methods, existing techniques still suffer from inherent defects. Conventional LLM-only models lack structured medical prior knowledge, resulting in frequent medical hallucinations and low diagnostic interpretability. Current knowledge graph-enhanced schemes adopt static one-round knowledge fusion with single-source knowledge, incapable of dynamic knowledge updating according to generation feedback. This paper proposes a novel Multi-Agent Collaborative iterative framework for X-ray Radiology Report Generation, termed MAC-RRG. Inspired by multi-agent technology, our framework constructs a closed-loop optimization paradigm based on task decoupling and collaborative reasoning. Specifically, the framework first generates a preliminary radiology report from input X-ray images via a vision encoder and a basic LLM. Subsequently, a multimodal knowledge graph (MM-KG) agent mines structured disease correlation and anatomical knowledge from medical knowledge graphs, while an auxiliary knowledge agent extracts unstructured domain knowledge from public medical databases. The multi-source knowledge acquired by dual agents is fused and embedded to guide the LLM in iteratively refining the initial report. Extensive quantitative and qualitative experiments on mainstream X-ray RRG datasets, including IU X-ray, MIMIC, and CheXpert Plus, fully verify the superiority of our proposed method. The source code and pre-trained models have been released on https://github.com/Event-AHU/Medical_Image_Analysis
• Abstract（参考訳）: LLM法と知識グラフ強化ラジオロジーレポート生成法(RRG)の進歩にもかかわらず、既存の技術は依然として固有の欠陥に悩まされている。 従来のLSMのみのモデルでは、構造化された医学的事前知識が欠如しており、頻繁な医学的幻覚と診断可能性の低下をもたらす。 現在の知識グラフ強化スキームでは、単一ソースの知識と静的なワンラウンドの知識融合を採用しており、生成フィードバックに応じて動的知識の更新ができない。 本稿では, MAC-RRG と呼ばれる X-ray Radiology Report Generation のための, マルチエージェント協調型反復型フレームワークを提案する。 マルチエージェント技術に触発されて,タスク分離と協調推論に基づくクローズドループ最適化のパラダイムを構築した。 具体的には、まず、視覚エンコーダと基本LLMを介して入力されたX線画像から予備放射線学レポートを生成する。 その後、Multimodal knowledge graph(MM-KG)エージェントが、医療知識グラフから構造的疾患相関と解剖学的知識をマイニングし、補助的知識エージェントが公共医療データベースから非構造的ドメイン知識を抽出する。 二重エージェントが取得したマルチソースの知識を融合し、初期レポートを反復的に精査するためにLLMを誘導する。 IU X線、MIMIC、CheXpert Plusを含む主要なX線RRGデータセットの定量および定性的実験により、提案手法の優位性を十分に検証した。 ソースコードと事前トレーニングされたモデルはhttps://github.com/Event-AHU/Medical_Image_Analysisでリリースされた。

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)
• EMRRG: Efficient Fine-Tuning Pre-trained X-ray Mamba Networks for Radiology Report Generation [16.23892817333913]
  EMRRGは、トレーニング済みのMambaネットワークを微調整する新しいX線レポート生成フレームワークである。 ハイブリッドデコーダを備えたLCMは、医療レポートを生成し、エンドツーエンドのトレーニングを可能にし、ベンチマークデータセット上で強力な結果を得ることができる。
  論文  参考訳（メタデータ） (2025-10-19T09:54:36Z)
• 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)
• RADAR: Enhancing Radiology Report Generation with Supplementary Knowledge Injection [15.640187325451237]
  Radarは、補助的な知識注入による放射線学レポート生成を強化するためのフレームワークである。 まず、専門家のイメージベースの分類出力と整合したモデルから取得した知識を抽出する。 その後、関連する補足的知識を取得して、この情報をさらに強化する。
  論文  参考訳（メタデータ） (2025-05-20T13:05:41Z)
• VLM-KG: Multimodal Radiology Knowledge Graph Generation [3.6669792968901573]
  放射線学における知識グラフ生成のための新しい枠組みを提案する。 提案手法は,従来の手法より優れており,ラジオロジー知識グラフ生成のための最初のマルチモーダルソリューションを導入している。
  論文  参考訳（メタデータ） (2025-05-13T06:11:10Z)
• KARGEN: Knowledge-enhanced Automated Radiology Report Generation Using Large Language Models [39.831976458410864]
  本稿では,大規模言語モデルに基づく知識向上型自動放射線学レポートジェネレーションフレームワークであるKARGENについて述べる。 このフレームワークは、LLM内の胸部疾患関連知識を解き放つための知識グラフを統合し、生成された報告の臨床的有用性を高める。 提案手法はMIMIC-CXRとIU-Xrayのデータセットに対して有望な結果を示す。
  論文  参考訳（メタデータ） (2024-09-09T06:57:22Z)
• Dynamic Graph Enhanced Contrastive Learning for Chest X-ray Report Generation [92.73584302508907]
  コントラスト学習を用いた医療レポート作成を支援するために,動的構造とノードを持つ知識グラフを提案する。 詳しくは、グラフの基本構造は一般知識から事前構築される。 各イメージ機能は、レポート生成のためにデコーダモジュールに入力する前に、独自の更新グラフに統合される。
  論文  参考訳（メタデータ） (2023-03-18T03:53:43Z)
• Exploring and Distilling Posterior and Prior Knowledge for Radiology Report Generation [55.00308939833555]
  PPKEDには、Posterior Knowledge Explorer (PoKE), Prior Knowledge Explorer (PrKE), Multi-domain Knowledge Distiller (MKD)の3つのモジュールが含まれている。 PoKEは後部知識を探求し、視覚データのバイアスを軽減するために明確な異常な視覚領域を提供する。 PrKEは、以前の医学知識グラフ(医学知識)と以前の放射線学レポート(作業経験)から以前の知識を探り、テキストデータのバイアスを軽減する。
  論文  参考訳（メタデータ） (2021-06-13T11:10:02Z)
• Learning Invariant Feature Representation to Improve Generalization across Chest X-ray Datasets [55.06983249986729]
  我々は、トレーニングデータと同じデータセットでテストすると、ディープラーニングモデルが、異なるソースからデータセットでテストされると、パフォーマンスが低下し始めることを示す。 対戦型トレーニング戦略を用いることで、ネットワークはソース不変表現を学習せざるを得ないことを示す。
  論文  参考訳（メタデータ） (2020-08-04T07:41:15Z)

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。