論文の概要: CRISS: A Retrieval-Augmented AI Chatbot for Assisting Cancer Registrars

• arxiv url: http://arxiv.org/abs/2609.29075v1
• Date: Thu, 24 Sep 2026 06:05:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 21:10:09.744723
• Title: CRISS: A Retrieval-Augmented AI Chatbot for Assisting Cancer Registrars
• Title（参考訳）: CRISS:がん登録者を支援するための検索AIチャットボット
• Abstract要約: CRISSは、検索強化世代(RAG)会話アシスタントで、迅速な引用支援によるレジストリガイダンスへのアクセスを提供する。 本研究は, CRISSが(1) 正確かつ引用支援された応答をサポートできるか, (2) 関連ガイダンスのアクセスと解釈を改善し, (3) 学習・ヘルプデスクの活用を支援するかを検討した。
• 参考スコア（独自算出の注目度）: 2.932949319852336
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cancer registrars, including Oncology Data Specialists (ODSs), must interpret complex and frequently updated coding and staging standards. We developed CRISS (Cancer Registry Intelligent Support System), a retrieval-augmented generation (RAG) conversational assistant that provides rapid, citation-supported access to registry guidance. This study evaluated whether CRISS could (1) support accurate and citation-supported responses, (2) improve access to and interpretation of relevant guidance, and (3) support training/helpdesk use while preserving human oversight of final abstraction decisions. We built a domain-specific knowledge base from national cancer registry standards, segmented into metadata-tagged passages and indexed as dense embeddings. Retrieved passages were used to generate citation-grounded responses through a large language model (LLM). Open-weight, proprietary, and non-RAG baseline models across Gemini and GPT families were evaluated on easy, medium, and hard registry questions using an LLM-as-a-Judge protocols. RAG configurations consistently outperformed non-RAG approaches, especially as question difficulty increased. Mean grounding scores for RAG were 0.62/0.56/0.59 across easy/medium/hard tiers versus 0.29/0.26/0.29 for non-RAG. RAG models also achieved higher semantic-similarity scores overall. Proprietary RAG models performed strongest on easy and medium questions, while local RAG models ranked highest on hard questions and proprietary models were generally more cautious. Domain-specific RAG improved evidence grounding and response quality for cancer registry questions while enabling citation-supported assistance across complexity levels. CRISS demonstrates the potential of human-centered, citation-grounded AI to support cancer registrars while preserving human oversight for final coding decisions.
• Abstract（参考訳）: Oncology Data Specialists (ODSs)を含むがん登録者は、複雑で頻繁に更新されるコーディングとステージング標準を解釈しなければならない。 我々は,検索強化世代(RAG)対話アシスタントであるCRISS(Cancer Registry Intelligent Support System)を開発した。 本研究は, CRISSが(1)正確かつ引用支援された応答をサポートするか, (2) 関連ガイダンスへのアクセスと解釈を改善するか, (3) 最終抽象化決定の人的監督を維持しつつ, トレーニング/ヘルプデスクの活用を支援するかを検討した。 ドメイン固有の知識ベースを,国立がん登録基準から構築し,メタデータタグ付きパスに区分し,濃密な埋め込みとしてインデクシングした。 検索されたパスは、大きな言語モデル(LLM)を通して引用地上応答を生成するために使用された。 オープンウェイト,プロプライエタリ,非RAGベースラインモデルは,LPM-as-a-Judgeプロトコルを用いて,容易,中,ハードレジストリの質問に対して評価した。 RAG構成は、特に質問の難しさが増大するにつれて、非RAGアプローチよりも一貫して優れていた。 RAGの平均グラウンドスコアは0.62/0.56/0.59で、非RAGは0.29/0.26/0.29であった。 RAGモデルは全体的な意味類似性スコアも向上した。 プロプライエタリなRAGモデルは、簡単な質問と中程度の質問で最善を尽くし、ローカルなRAGモデルは、ハードな質問で最高にランクされ、プロプライエタリなモデルは概して慎重であった。 ドメイン固有のRAGは、複雑性レベルを越えた引用支援を可能にしながら、がん登録問題に対する根拠と応答品質を改善した。 CRISSは、最終的なコーディング決定のために人間の監督を保ちながら、がん登録者をサポートするために、人間中心の、引用ベースAIの可能性を実証している。

関連論文リスト

• AgenticRAGTracer: A Hop-Aware Benchmark for Diagnosing Multi-Step Retrieval Reasoning in Agentic RAG [7.139631028105273]
  本稿ではエージェントベースのマルチホップ推論のベンチマークである AgenticRAGTracer を紹介する。 主に大きな言語モデルで構築され、ステップバイステップの検証をサポートするように設計されている。 我々のベンチマークは、複数のドメインにまたがり、1,305のデータポイントを含み、既存の主流ベンチマークと重複しない。
  論文  参考訳（メタデータ） (2026-02-22T10:55:21Z)
• RAGalyst: Automated Human-Aligned Agentic Evaluation for Domain-Specific RAG [0.0]
  Retrieval-Augmented Generation (RAG) は、LLM(Large Language Models)を実際に証明するための重要な手法である。 既存の評価フレームワークは多くの場合、ドメイン固有のニュアンスをキャプチャできないメトリクスに依存します。 本稿では,RAGalystについて紹介する。RAGalystは,ドメイン固有のRAGシステムの厳密な評価を目的とした,人力による自動エージェントフレームワークである。
  論文  参考訳（メタデータ） (2025-11-06T16:22:52Z)
• MARAG-R1: Beyond Single Retriever via Reinforcement-Learned Multi-Tool Agentic Retrieval [50.30107119622642]
  大規模言語モデル(LLM)は推論と生成において優れているが、本質的には静的事前学習データによって制限されている。 Retrieval-Augmented Generation (RAG)は、LLMを外部知識に基盤を置くことでこの問題に対処する。 MarAG-R1は、LLMが複数の検索機構を動的に調整できる強化学習型マルチツールRAGフレームワークである。
  論文  参考訳（メタデータ） (2025-10-31T15:51:39Z)
• GRADE: Generating multi-hop QA and fine-gRAined Difficulty matrix for RAG Evaluation [5.002953635224383]
  Retrieval-Augmented Generation (RAG) システムは知識集約型NLPタスクに広く採用されている。 現在の評価は、実世界のシナリオで必要とされる構造的な複雑さと多段階の推論を見落としていることが多い。 タスクの難易度を2次元でモデル化する新しい評価フレームワークであるtextscGRADEを提案する。
  論文  参考訳（メタデータ） (2025-08-23T11:26:41Z)
• Towards Agentic RAG with Deep Reasoning: A Survey of RAG-Reasoning Systems in LLMs [69.10441885629787]
  Retrieval-Augmented Generation (RAG) は、外部知識を注入することによって、Large Language Models (LLM) の事実性を高める。 逆に、純粋に推論指向のアプローチは、しばしば幻覚的あるいは誤った事実を必要とする。 この調査は両鎖を統一的推論-検索の観点から合成する。
  論文  参考訳（メタデータ） (2025-07-13T03:29:41Z)
• Retrieval is Not Enough: Enhancing RAG Reasoning through Test-Time Critique and Optimization [58.390885294401066]
  Retrieval-augmented Generation (RAG) は知識基底型大規模言語モデル(LLM)を実現するためのパラダイムとして広く採用されている。 RAGパイプラインは、モデル推論が得られた証拠と整合性を維持するのに失敗することが多く、事実上の矛盾や否定的な結論につながる。 批判駆動アライメント(CDA)に基づく新しい反復的枠組みであるAlignRAGを提案する。 AlignRAG-autoは、動的に洗練を終了し、批判的な反復回数を事前に指定する必要がなくなる自律的な変種である。
  論文  参考訳（メタデータ） (2025-04-21T04:56:47Z)
• From RAG to QA-RAG: Integrating Generative AI for Pharmaceutical Regulatory Compliance Process [0.0]
  製薬業界における規制の遵守は、複雑で明るいガイドラインを通じてナビゲートする必要がある。 これらの課題に対処するため,本研究では,生成型AIと検索型拡張生成(RAG)手法を紹介する。 本稿では,QA-RAGの構造と性能評価について詳述し,規制コンプライアンス領域の可能性を強調した。
  論文  参考訳（メタデータ） (2024-01-26T08:23:29Z)
• Prompt-RAG: Pioneering Vector Embedding-Free Retrieval-Augmented Generation in Niche Domains, Exemplified by Korean Medicine [5.120567378386615]
  ニッチドメインにおける生成型大規模言語モデル(LLM)の性能を高めるために,自然言語プロンプトに基づく検索拡張(Prompt-RAG)を提案する。 我々は,韓国医学(KM)および標準医学(CM)文書のベクトル埋め込みを比較し,KM文書埋め込みがトークン重複とより相関し,人為的な文書関連性が低いことを見出した。 その結果,Prompt-RAG は ChatGPT や従来のベクトル埋め込み型RAG などの既存モデルよりも関連性,情報性に優れていた。
  論文  参考訳（メタデータ） (2024-01-20T14:59:43Z)

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。