論文の概要: DrGait: Biomechanically Grounded Visual Reasoning for Interpretable Clinical Gait Analysis
- arxiv url: http://arxiv.org/abs/2609.28796v1
- Date: Wed, 23 Sep 2026 21:19:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-25 21:10:09.563102
- Title: DrGait: Biomechanically Grounded Visual Reasoning for Interpretable Clinical Gait Analysis
- Title（参考訳）: DrGait: 臨床歩行解析のためのバイオメカニカルグラウンドビジュアル推論
- Abstract要約: DrGaitは、Vision-Language Modelsの役割を直接的な視覚的推論から臨床プランナーにシフトさせる、トレーニングフリーのエージェントフレームワークである。
検証可能な幾何学的および時間的測定におけるVLMの推論を固定することにより、DrGaitは幻覚を減らし、競合する診断精度を達成する。
- 参考スコア（独自算出の注目度）: 12.666160735147656
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Current automated gait analysis for clinical applications relies on uninterpretable black-box classifiers. Although Vision-Language Models (VLMs) offer strong reasoning capabilities, applying them directly to gait videos often leads to hallucinations, because they struggle to measure subtle geometric deviations from raw visual contexts. To address this, we introduce DrGait, a training-free agentic framework that shifts the VLM's role from a direct visual reasoner to a clinical planner. DrGait decouples semantic reasoning from geometric perception through a structured Triage-Verification-Synthesis (TVS) workflow. Given an input video and a set of basic spatiotemporal metrics, the DrGait agent first performs a heuristic triage to propose diagnostic hypotheses, which are then verified by autonomously calling deterministic biomechanical tools that operate on reconstructed 3D mesh trajectories, segmented 2D pose tracks, and event-centered video evidence. Finally, a closed-loop mechanism recursively updates the agent's reasoning context based on the feedback. By anchoring VLM's reasoning in verifiable geometric and temporal measurements, DrGait reduces hallucinations, achieving competitive diagnostic accuracy while generating transparent and audit-ready clinical reports.
- Abstract（参考訳）: 臨床応用における現在の自動歩行分析は、解釈不能なブラックボックス分類器に依存している。
Vision-Language Models (VLM) は強力な推論機能を提供するが、視線ビデオに直接適用すると、生の視覚的文脈からの微妙な幾何学的偏差を測定するのに苦労するため、幻覚につながることが多い。
そこで我々は,VLMの役割を直接的な視覚的推論から臨床プランナーにシフトさせる,トレーニングフリーなエージェントフレームワークであるDrGaitを紹介した。
DrGaitは、構造化された三元検証合成(TVS)ワークフローを通して、幾何学的知覚から意味論的推論を分離する。
入力ビデオと基本的な時空間メトリクスのセットが与えられた後、DrGaitエージェントはまずヒューリスティックなトリアージを実施して診断仮説を提案し、次に、再構成された3Dメッシュ軌跡、セグメント化された2Dポーズトラック、イベント中心のビデオエビデンスを自律的に呼び出す決定論的バイオメカニクスツールによって検証される。
最後に、クローズドループ機構がフィードバックに基づいてエージェントの推論コンテキストを再帰的に更新する。
検証可能な幾何学的および時間的測定におけるVLMの推論を固定することにより、DrGaitは幻覚を減少させ、透明で監査可能な臨床報告を生成しながら、競合する診断精度を達成する。
関連論文リスト
- Synergistic Perception-Reasoning Governance: Grounding Medical MLLMs with Verifiable Anatomical Evidence [45.78409219344429]
マルチモーダル大言語モデル (MLLM) は, 臨床VQAと放射線学報告の生成に強い期待を示すが, 推測時幻覚は信頼性を損なう。
本稿では,両面のエビデンス注入による幻覚を系統的に緩和する,総合的かつトレーニング不要なエビデンス注入フレームワークを提案する。
textttLLaVA-1.5-7B, texttLLaVA-Med-1.5-7B, texttQwen3-VL-8B/32B, textttInternVL を用いた2つのタスクと5つのデータセットの系統的評価を行った。
論文 参考訳（メタデータ） (2026-06-30T08:07:25Z) - Regulating Anatomy-Aware Rewards via Trajectory-Integral Feedback for Volumetric Computed Tomography Analysis [30.439440028190944]
我々は,放射線学報告を検証可能な臨床的意味単位に分解する構造化システムであるtextbfClinical Abnormality Benchmarking Substrate (CABS) を導入する。
制御理論の原理を政策最適化に組み込んだ新しいフレームワークである textbfTrajectory-Integral FeedbackO (TIF-GRPO) を提案する。
論文 参考訳（メタデータ） (2026-05-19T04:33:27Z) - MedScribe: Clinically Grounded CT Reporting through Agentic Workflows [13.40306812882295]
視覚言語モデル(VLM)は、自動放射線診断レポート生成の可能性を示している。
我々は,仮説駆動型フレームワークであるMedScribeを紹介し,レポート生成を反復的証拠取得プロセスとして再構築する。
論文 参考訳（メタデータ） (2026-05-03T08:32:40Z) - DepthPilot: From Controllability to Interpretability in Colonoscopy Video Generation [22.17232304282025]
大腸内視鏡画像生成のための最初の解釈可能なフレームワークであるDepthPilotを提案する。
明示的な幾何学的グラウンドを達成するために、DepthPilot氏は、事前の分布アライメント戦略を考案した。
奥行き制約は、パラメータ効率の良い微調整によってバックボーン拡散に注入され、解剖学的な忠実さが保証される。
論文 参考訳（メタデータ） (2026-04-29T02:24:28Z) - Anatomy of a Lie: A Multi-Stage Diagnostic Framework for Tracing Hallucinations in Vision-Language Models [62.932580559941414]
VLM(Vision-Language Models)は、しばしば「ハロシン化(hallucinate)」する。
本稿では,静的な出力誤差からモデル計算認知の動的病理へ再キャストし,幻覚を診断するための新しいパラダイムを提案する。
論文 参考訳（メタデータ） (2026-03-16T17:20:38Z) - MedScope: Incentivizing "Think with Videos" for Clinical Reasoning via Coarse-to-Fine Tool Calling [51.31633278218137]
MedScope(メドスコープ)は、ロングフォームなプロシージャを追求する粗大な証拠を実行する、ツールを用いた臨床ビデオ推論モデルである。
ClinVideoSuiteは、エビデンス中心の、きめ細かい臨床ビデオスイートだ。
フルできめ細かいビデオ理解ベンチマークでは、MedScopeは最先端のパフォーマンスを実現している。
論文 参考訳（メタデータ） (2026-02-11T09:47:02Z) - EchoAgent: Guideline-Centric Reasoning Agent for Echocardiography Measurement and Interpretation [23.197431495208672]
EchoAgentは、心エコービデオ解析のための構造化、解釈可能な自動化を可能にするフレームワークである。
LLM(Large Language Model)コントロールの下で特殊な視覚ツールを編成し、時間的局所化、空間計測、臨床解釈を行う。
時間的ビデオ解析の複雑さが増したにもかかわらず、正確で解釈可能な結果が得られる。
論文 参考訳（メタデータ） (2025-11-17T22:06:12Z) - MIRNet: Integrating Constrained Graph-Based Reasoning with Pre-training for Diagnostic Medical Imaging [67.74482877175797]
MIRNetは、自己教師付き事前学習と制約付きグラフベースの推論を統合する新しいフレームワークである。
TongueAtlas-4Kは,22の診断ラベルを付した4,000枚の画像からなるベンチマークである。
論文 参考訳（メタデータ） (2025-11-13T06:30:41Z) - Dr-LLaVA: Visual Instruction Tuning with Symbolic Clinical Grounding [53.629132242389716]
VLM(Vision-Language Models)は、医用画像を分析し、自然言語の相互作用に関与することによって、臨床医を支援する。
VLMはしばしば「幻覚的」な振る舞いを示し、文脈的マルチモーダル情報に基づかないテキスト出力を生成する。
本稿では,臨床推論の象徴的表現を用いて医療知識にVLMを基盤とする新たなアライメントアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-05-29T23:19:28Z)
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。