論文の概要: TRACE: Deployable Tree-Relational Structure Enhancement for Oncology LLMs

• arxiv url: http://arxiv.org/abs/2609.35810v1
• Date: Sun, 20 Sep 2026 07:37:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:46.846452
• Title: TRACE: Deployable Tree-Relational Structure Enhancement for Oncology LLMs
• Title（参考訳）: TRACE:オンコロジーLLMのための展開可能な木関係構造拡張
• Abstract要約: TRACE は、オンコロジー LLM のためのデプロイ可能なツリー-リレーショナル拡張フレームワークである。 オフライン構造学習と軽量オンライン推論を分離する。 教師付きラベルを必要としないタスク適応型エビデンス選択をサポートする。
• 参考スコア（独自算出の注目度）: 3.1271064197924052
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Large language models are increasingly used in oncology applications, but their predictions are often weakly grounded in explicit medical structure. We present TRACE, a deployable tree-relational enhancement framework for oncology LLMs. TRACE separates expensive offline structure learning from lightweight online inference: oncology concepts and relations are organized into an updatable tree-relational structure, refined using LM-loss-derived evidence, and retrieved at inference time as compact prompt evidence. This design supports task-adaptive evidence selection without requiring supervised labels in the zero-shot setting. Across ten oncology classification tasks and one MedQuAD CancerGov QA benchmark, TRACE improves both label-free evaluation and supervised fine-tuning. Additional analyses show that TRACE improves over vanilla RAG and generic GraphRAG, remains useful under leakage-controlled METABRIC inputs, and produces interpretable evidence paths aligned with clinical reasoning. These results suggest that explicit, updatable medical structure is a practical path toward more accurate and auditable oncology LLM deployment.
• Abstract（参考訳）: 大規模な言語モデルは、腫瘍学の応用においてますます使われてきているが、その予測は明示的な医学構造に弱く根ざされていることが多い。 腫瘍学 LLM のためのツリーリレーショナル拡張フレームワーク TRACE について述べる。 TRACEは、高価なオフライン構造学習を軽量なオンライン推論から切り離し、オンコロジーの概念と関係性は、更新可能なツリー関係構造に組織化され、LMロスによる証拠を用いて洗練され、推論時にコンパクトなプロンプト証拠として検索される。 この設計はゼロショット設定で教師付きラベルを必要とせずにタスク適応型エビデンス選択をサポートする。 10のオンコロジー分類タスクと1つのMedQuAD CancerGov QAベンチマークにおいて、TRACEはラベルのない評価と教師付き微調整の両方を改善している。 さらなる分析により、TRACEはバニラRAGおよびGraphRAGよりも改善し、漏洩制御されたMeTABRIC入力の下では有用であり、臨床理由に沿った解釈可能なエビデンスパスを生成することが示されている。 以上の結果から, 明示的, 起立可能な医療構造は, より正確で, 監査可能な腫瘍学 LLM の展開に向けての実践的な道筋であることが示唆された。

関連論文リスト

• Tool-Augmented On-Policy Distillation for LLM Domain Adaptation in Sequence-Based Omics Tasks [72.97315136048122]
  マルチオミクスシーケンスの最初の推論ベンチマークであるOmicsBenchを紹介する。 予測と科学的推論の両方を評価することが重要です ツール強化型オン・ポリケーション (TA-OPD) を導入し, シークエンス予測とエビデンス基底の生物学的推論を一致させる。
  論文  参考訳（メタデータ） (2026-09-20T08:08:34Z)
• 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)
• DrugReason: Dynamic Multi-View Reasoning over Knowledge Graph and Language Evidence for Drug Repurposing [55.45112712244231]
  DrugReasonはマルチビュー推論フレームワークであり、LLMが生成する薬物再精製の機械的推論と接地KG推論を統合している。 PharmaDB, DDInter, DrugBankの実験によると、DragonReasonは強力な単一ビュー推論ベースラインよりも平均的なパフォーマンスを向上させる。
  論文  参考訳（メタデータ） (2026-09-06T18:54:26Z)
• 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)
• MED-COPILOT: A Medical Assistant Powered by GraphRAG and Similar Patient Case Retrieval [12.265116154395434]
  MED-COPILOTは,臨床医と研修医を対象としたインタラクティブな臨床意思決定支援システムである。 このシステムはWHOとNICEのガイドラインから構造化知識グラフを構築し、効率的な検索にコミュニティレベルの要約を適用し、36,000ケースの類似患者データベースを維持している。
  論文  参考訳（メタデータ） (2026-02-28T04:32:03Z)
• PathReasoner-R1: Instilling Structured Reasoning into Pathology Vision-Language Model via Knowledge-Guided Policy Optimization [6.821738567680833]
  PathReasonerは,WSI推論の最初の大規模データセットである。 PathReasoner-R1は、教師付き微調整と推論指向の強化学習を相乗し、構造化されたチェーン・オブ・シント機能を注入する。 実験により、PathReasoner-R1はPathReasonerと公開ベンチマークの両方で、様々な画像スケールで最先端のパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2026-01-29T12:21:16Z)
• Aligning Findings with Diagnosis: A Self-Consistent Reinforcement Learning Framework for Trustworthy Radiology Reporting [37.57009831483529]
  MLLM(Multimodal Large Language Models)は放射線学レポート生成に強い可能性を示している。 本フレームワークは, より詳細な発見のための思考ブロックと, 構造化された疾患ラベルに対する回答ブロックという, 生成を2つの異なる構成要素に再構成する。
  論文  参考訳（メタデータ） (2026-01-06T14:17:44Z)
• Clinical Knowledge Graph Construction and Evaluation with Multi-LLMs via Retrieval-Augmented Generation [1.155620308725562]
  大規模言語モデル(LLM)は、構造化されていない臨床物語から知識グラフを構築する新しい機会を提供する。 既存のアプローチは、しばしば構造化された入力に依存し、事実の正確さと意味的な一貫性の堅牢な検証が欠如している。 マルチエージェントプロンプトとスキーマ制約付き検索・拡張生成戦略を用いた臨床用KG構築のためのエンドツーエンドフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-05T07:16:29Z)
• Self-Supervised Anatomical Consistency Learning for Vision-Grounded Medical Report Generation [61.350584471060756]
  医用画像の臨床的に正確な記述を作成することを目的とした医用レポート生成。 本稿では, 自己監督型解剖学的一貫性学習(SS-ACL)を提案し, 生成された報告を対応する解剖学的領域と整合させる。 SS-ACLは、ヒト解剖学の不変のトップダウン包摂構造にインスパイアされた階層的な解剖学的グラフを構築する。
  論文  参考訳（メタデータ） (2025-09-30T08:59:06Z)
• Interpretable Clinical Classification with Kolgomorov-Arnold Networks [70.72819760172744]
  Kolmogorov-Arnold Networks (KAN) は、透明で象徴的な表現を通じて固有の解釈能力を提供する。 Kansは、組み込みの患者レベルの洞察、直感的な可視化、最寄りの患者の検索をサポートする。 これらの結果は、カンを、臨床医が理解し、監査し、行動できる信頼できるAIへの有望なステップと位置づけている。
  論文  参考訳（メタデータ） (2025-09-20T17:21:58Z)
• CANDLE: A Cross-Modal Agentic Knowledge Distillation Framework for Interpretable Sarcopenia Diagnosis [3.0245458192729466]
  CANDLEは、解釈可能性と性能のトレードオフを緩和し、予測精度を高め、高い決定一貫性を維持する。 このフレームワークは、TMLモデルの知識アセット化に対するスケーラブルなアプローチを提供し、サルコピアおよび潜在的に広い医療領域における解釈可能、再現可能、および臨床的に整合した意思決定支援を可能にする。
  論文  参考訳（メタデータ） (2025-07-26T15:50:08Z)

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。