論文の概要: ConsultMind:Towards Automated Diagnostic Consultation via Uncertainty-Aware Reasoning
- arxiv url: http://arxiv.org/abs/2609.30796v1
- Date: Fri, 25 Sep 2026 04:20:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-28 18:27:51.228019
- Title: ConsultMind:Towards Automated Diagnostic Consultation via Uncertainty-Aware Reasoning
- Title（参考訳）: ConsultMind:不確実性認識推論による診断コンサルティングの自動化に向けて
- Abstract要約: 本稿では,診断知識と臨床物語を統合する自動パイプラインであるAutoDisymを紹介する。
本稿では,各応答後の障害後部を更新する不確実性対応フレームワークであるConsultMindを提案する。
その結果,AutoDisymは高品質なDSBNを自動構築でき,ConsultMindは診断性能と説明音質を一貫して改善できることがわかった。
- 参考スコア（独自算出の注目度）: 30.944387330832445
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Diagnostic consultation is an online sequential decision-making process in which clinicians gather evidence through patient interaction until a diagnosis is sufficiently supported. Automating this process requires adaptive inquiry and interpretable decisions. Bayesian networks offer a natural foundation by updating diagnostic posteriors as evidence accumulates, but their use in open-ended consultation raises two challenges: linking diagnostic hypotheses to potential inquiries and translating evolving posteriors into consultation decisions. We introduce AutoDisym, an automated pipeline that integrates diagnostic knowledge with heterogeneous diagnosis-labeled clinical narratives to construct a Disorder--Symptom Bayesian Network (DSBN). Building on the DSBN, we propose ConsultMind, an uncertainty-aware framework that updates disorder posteriors after each response and uses posterior uncertainty to guide inquiry and diagnosis. We evaluate both methods across psychiatry, respiratory medicine, fever clinics, and three public datasets. The results show that AutoDisym can automatically construct high-quality DSBNs and that ConsultMind consistently improves diagnostic performance and explanation soundness. For example, AutoDisym achieves macro-averaged F1 scores of 81.37 for canonical symptoms and 72.19 for manifestations using GPT-5.6-Sol. ConsultMind improves Top-1 and Top-3 diagnostic accuracy by up to 22.15 and 37.89 percentage points, respectively. Physician evaluation further shows that ConsultMind improves the quality of ranking explanations, differential diagnoses, and diagnosis rationales across LLMs of different scales. This work offers a promising approach to automatic diagnostic consultation.
- Abstract（参考訳）: 診断コンサルテーションは、診断が十分に支持されるまで、医師が患者の相互作用を通じて証拠を収集するオンラインのシーケンシャルな意思決定プロセスである。
このプロセスを自動化するには、適応的な調査と解釈可能な決定が必要です。
ベイジアンネットワークは、証拠が蓄積するにつれて診断後部を更新することで自然な基盤を提供するが、オープンなコンサルテーションでの使用は、診断仮説を潜在的な問合せにリンクすることと、進化後部をコンサルテーション決定に翻訳することの2つの課題を提起する。
我々は、診断知識と異種診断ラベル付き臨床物語を統合する自動パイプラインであるAutoDisymを導入し、障害型ベイズネットワーク(DSBN)を構築する。
DSBN上に構築したConsultMindは,各応答後の障害後部を更新し,後部不確実性を用いて調査と診断をガイドする不確実性認識フレームワークである。
精神医学, 呼吸器医学, 発熱クリニック, および3つの公開データセットの2つの方法について検討した。
その結果,AutoDisymは高品質なDSBNを自動構築でき,ConsultMindは診断性能と説明音質を一貫して改善できることがわかった。
例えば、AutoDisymは標準症状に81.37点、GPT-5.6-Solに72.19点のマクロ平均F1スコアを達成している。
ConsultMindはTop-1とTop-3の診断精度を最大22.15と37.89ポイント改善している。
医学的評価はさらに、ConsultMindは、異なるスケールのLSMにおけるランキング説明、差分診断、診断の合理性を改善していることを示している。
この研究は、自動診断コンサルティングへの有望なアプローチを提供する。
関連論文リスト
- Evaluating Multi-Turn Multimodal Diagnostic Reasoning on Challenging Real-World Clinical Cases [59.5328455571863]
ClinMM-Benchは、これまでで最大のマルチターンマルチモーダル臨床診断評価ベンチマークである。
実際の患者は1,089件、医療画像は3,760件、専門は8件。
プロプライエタリモデルでは診断精度が最も高かったが、正確な診断の割合は限られていた。
論文 参考訳（メタデータ） (2026-07-28T16:19:03Z) - MultiDx: A Multi-Source Knowledge Integration Framework towards Diagnostic Reasoning [66.94527468532843]
2段階の診断推論フレームワークであるMultiDxを提案する。
まず Web 検索,SOAP 形式の症例,臨床症例データベースから知識を活用することにより,疑わしい診断と推論経路を生成する。
そして、マッチング、投票、および差分診断を通じて、複数のパースペクティブエビデンスを統合し、最終的な予測を生成する。
論文 参考訳（メタデータ） (2026-04-27T08:46:29Z) - Improving Clinical Diagnosis with Counterfactual Multi-Agent Reasoning [16.709358805587506]
臨床診断は、臨床医が証拠を集め、仮説を定め、代替的な説明に対してそれらをテストする複雑な推論プロセスである。
本稿では, 仮説テストの明確化とエビデンス・グラウンド化を図った臨床研修に触発された, 対物的マルチエージェント診断フレームワークを提案する。
論文 参考訳（メタデータ） (2026-03-29T19:14:26Z) - Thinking Like a Doctor: Conversational Diagnosis through the Exploration of Diagnostic Knowledge Graphs [12.612647781309098]
本稿では,2段階の推論を行うための診断知識グラフを探索する対話型診断システムを提案する。
システムの質問に応答する現実的な患者シミュレータを使用します。
実験では、強いベースラインよりも診断精度と効率が向上した。
論文 参考訳（メタデータ） (2026-02-02T11:56:36Z) - Evolving Diagnostic Agents in a Virtual Clinical Environment [75.59389103511559]
本稿では,大規模言語モデル(LLM)を強化学習を用いた診断エージェントとして訓練するためのフレームワークを提案する。
本手法は対話型探索と結果に基づくフィードバックによって診断戦略を取得する。
DiagAgentはDeepSeek-v3やGPT-4oなど、最先端の10のLLMを著しく上回っている。
論文 参考訳（メタデータ） (2025-10-28T17:19:47Z) - Simulating Viva Voce Examinations to Evaluate Clinical Reasoning in Large Language Models [51.91760712805404]
大規模言語モデル(LLM)におけるシーケンシャルな臨床推論を評価するためのベンチマークであるVivaBenchを紹介する。
本データセットは,医療訓練における(口頭)検査をシミュレートする対話的シナリオとして構成された1762名の医師による臨床ヴィグネットから構成される。
本分析では,臨床における認知的誤りを反映するいくつかの障害モードを同定した。
論文 参考訳（メタデータ） (2025-10-11T16:24:35Z) - Sequential Diagnosis with Language Models [21.22416732642907]
本稿では,304症例を段階的に診断するシークエンシャル診断ベンチマークを紹介する。
成績は、診断精度だけでなく、医師の診察や検査の費用によって評価される。
また,医師のパネルを模擬したモデル診断オーケストレータであるMAI診断オーケストレータ(MAI-DxO)についても紹介する。
論文 参考訳（メタデータ） (2025-06-27T17:27:26Z) - Beyond Direct Diagnosis: LLM-based Multi-Specialist Agent Consultation
for Automatic Diagnosis [30.943705201552643]
本研究では,潜在的な疾患に対するエージェントの確率分布を適応的に融合させることにより,現実世界の診断過程をモデル化する枠組みを提案する。
提案手法では,パラメータ更新とトレーニング時間を大幅に短縮し,効率と実用性を向上する。
論文 参考訳（メタデータ） (2024-01-29T12:25:30Z) - Towards the Identifiability and Explainability for Personalized Learner
Modeling: An Inductive Paradigm [36.60917255464867]
本稿では,エンコーダ・デコーダモデルにインスパイアされた新しい応答効率応答パラダイムに基づく,識別可能な認知診断フレームワークを提案する。
診断精度を損なうことなく,ID-CDFが効果的に対処できることが示唆された。
論文 参考訳（メタデータ） (2023-09-01T07:18:02Z) - Towards Causality-Aware Inferring: A Sequential Discriminative Approach
for Medical Diagnosis [142.90770786804507]
医学診断アシスタント(MDA)は、疾患を識別するための症状を逐次調査する対話型診断エージェントを構築することを目的としている。
この研究は、因果図を利用して、MDAにおけるこれらの重要な問題に対処しようとする。
本稿では,他の記録から知識を引き出すことにより,非記録的調査に効果的に答える確率に基づく患者シミュレータを提案する。
論文 参考訳（メタデータ） (2020-03-14T02:05:54Z)
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。