論文の概要: MedRouter: Demystifying Knowledge Differences Across Medical LLMs for Routing-Based Reasoning

• arxiv url: http://arxiv.org/abs/2609.33119v1
• Date: Sun, 27 Sep 2026 02:39:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 10:18:24.350979
• Title: MedRouter: Demystifying Knowledge Differences Across Medical LLMs for Routing-Based Reasoning
• Title（参考訳）: MedRouter: ルーティングに基づく推論のための医療用LLM間の知識の相違
• Abstract要約: 医学的な答えは様々な専門性やモダリティにまたがる。 個々の医学的大規模言語モデル(LLM)は、タスクやドメイン間で異なる強みを示す。 我々は,組込み型マルチラベルルータを用いたエージェントシステムであるMedを導入し,専門家のLSMを選定・クエリする。
• 参考スコア（独自算出の注目度）: 6.555630970453318
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Medical question answering spans diverse specialties and modalities, and individual medical large language models (LLMs) exhibit distinct strengths across tasks and domains. This heterogeneity suggests that combining specialists may enable broader coverage of medical questions than relying on any single model. However, existing LLM routing methods primarily seek to balance answer quality and inference cost, leaving open how to exploit differences in specialist competence to improve medical reasoning. In this paper, we introduce MedRouter, an agentic system that uses an embedding-based multi-label router to select and query specialist LLMs, then passes their responses to a generator to produce the final answer. We further propose SCALE (Specialist Competence-Aware Learning), a two-stage training framework that first trains the Router with specialist correctness supervision and then optimizes its selections through reinforcement learning. The second stage uses a Performance Gain Reward (PGR) that measures how specialist information affects the generator's answer correctness relative to answering without that information. Experiments on eight text-based and multimodal medical QA benchmarks show that MedRouter outperforms the strongest routing baseline by 8% in average accuracy. Our analysis of specialist outputs further reveals distinct strengths and complementary question-level coverage, motivating learned routing to combine these capabilities for more comprehensive medical reasoning.
• Abstract（参考訳）: 医学的質問応答は様々な専門性やモダリティにまたがっており、個々の医学的大規模言語モデル(LLM)はタスクやドメインにまたがる異なる強みを示す。 この異質性は、統合の専門家が単一のモデルに頼らずに医学的問題の範囲を広げることができることを示唆している。 しかし、既存のLSMルーティング手法は、主に回答の品質と推論コストのバランスをとることを目的としており、医療推論を改善するために専門家の能力の違いをどう活用するかをオープンにしている。 本稿では,組込み型マルチラベルルータを用いてスペシャリストLLMを選択・クエリするエージェントシステムであるMedRouterを紹介し,その応答をジェネレータに渡して最終回答を生成する。 SCALE(Specialist Competence-Aware Learning)も提案する。この2段階の学習フレームワークは、まずレギュラーを専門的正当性監視で訓練し、強化学習を通じて選択を最適化する。 第2段階では、PGR(Performance Gain Reward)を使用して、スペシャリスト情報がどのようにジェネレータの回答の正しさに影響を与えるかを測定する。 8つのテキストベースおよびマルチモーダル医療QAベンチマークの実験では、MedRouterが最強のルーティングベースラインを平均精度で8%上回っている。 専門的なアウトプットの分析により、より包括的な医学的推論にこれらの能力を組み合わせるために、学習されたルーティングを動機付け、異なる強みと相補的な質問レベルのカバレッジを明らかにした。

関連論文リスト

• MedRoute: RL-Based Dynamic Specialist Routing in Multi-Agent Medical Diagnosis [49.78267008828593]
  臨床実践では、複数の専門医が診断を行い、それぞれが専門分野に特化している。 この新興分野の現在のアプローチは、通常、様々な専門家の静的または事前定義された選択に依存しており、現実的なシナリオの変化に適応できない。 LMMエージェントの協調システムからなる柔軟で動的なマルチエージェントフレームワークであるMedRouteを提案する。
  論文  参考訳（メタデータ） (2026-02-05T19:50:04Z)
• 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)
• Doctor-R1: Mastering Clinical Inquiry with Experiential Agentic Reinforcement Learning [13.39086276169509]
  AIのドクターエージェントであるDoctor-R1は、高利回りの質問をしたり、戦略的多ターン調査を行うことで、両方の能力を習得するよう訓練されている。 我々は,OpenAIのHealthBenchとMAQuEでDoctor-R1を評価し,コミュニケーション品質,ユーザエクスペリエンス,タスク精度などの多面的指標を評価した。
  論文  参考訳（メタデータ） (2025-10-05T16:54:02Z)
• MMedAgent-RL: Optimizing Multi-Agent Collaboration for Multimodal Medical Reasoning [63.63542462400175]
  医療エージェント間の動的に最適化された協調を可能にする強化学習に基づくマルチエージェントフレームワークMMedAgent-RLを提案する。 具体的には、Qwen2.5-VLに基づく2つのGPエージェントをRLを介して訓練する: トリアージ医師は患者を適切な専門分野に割り当てることを学ぶ一方、主治医はマルチスペシャリストの判断を統合する。 5つのVQAベンチマークの実験では、MMedAgent-RLはオープンソースおよびプロプライエタリなMed-LVLMよりも優れており、人間のような推論パターンも示している。
  論文  参考訳（メタデータ） (2025-05-31T13:22:55Z)
• LLM-MedQA: Enhancing Medical Question Answering through Case Studies in Large Language Models [18.6994780408699]
  大規模言語モデル (LLM) は、医学的質問応答において重大な課題に直面している。 マルチエージェント医療質問応答システムに類似の事例生成を取り入れた新しい手法を提案する。 本手法は, モデル固有の医療知識と推論能力を活用し, 追加のトレーニングデータの必要性を解消する。
  論文  参考訳（メタデータ） (2024-12-31T19:55:45Z)
• Med-MoE: Mixture of Domain-Specific Experts for Lightweight Medical Vision-Language Models [17.643421997037514]
  差別的, 生成的両マルチモーダル医療課題に対処する新しい枠組みを提案する。 Med-MoEの学習は、マルチモーダル医療アライメント、命令チューニングとルーティング、ドメイン固有のMoEチューニングの3つのステップで構成されている。 我々のモデルは最先端のベースラインに匹敵する性能を達成できる。
  論文  参考訳（メタデータ） (2024-04-16T02:35:17Z)
• Towards Medical Artificial General Intelligence via Knowledge-Enhanced Multimodal Pretraining [121.89793208683625]
  医療人工知能(MAGI)は、1つの基礎モデルで異なる医療課題を解くことができる。 我々は、Micical-knedge-enhanced mulTimOdal pretRaining (motoR)と呼ばれる新しいパラダイムを提案する。
  論文  参考訳（メタデータ） (2023-04-26T01:26:19Z)

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。