論文の概要: From Given to Gathered Evidence: Agentic Learning for Longitudinal Medical Reasoning

• arxiv url: http://arxiv.org/abs/2609.39566v1
• Date: Wed, 30 Sep 2026 12:01:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:27.636853
• Title: From Given to Gathered Evidence: Agentic Learning for Longitudinal Medical Reasoning
• Title（参考訳）: 縦断的医学的推論のためのエージェントラーニング
• Abstract要約: 基礎モデルは、ツール使用ハーネスを介して臨床薬として機能することができる。 本研究は,エビデンスを検索するための一連の役割特異的臨床エージェントを提案する。 判例は、質問・回答の模倣を越えて、転送可能な調査ポリシーへと移行する。
• 参考スコア（独自算出の注目度）: 42.74871555080072
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Foundation models can serve as clinical agents through tool-use harnesses. However, conventional medical benchmarks assess reasoning over preselected evidence rather than the ability to seek it across clinical records and longitudinal imaging. We propose CASE: a series of role-specific Clinical Agents for Seeking Evidence, together with a tool-use harness and an agentic post-training framework for compact vision-language policy models. We further introduce a longitudinal multimodal benchmark built on UK Biobank, comprising 50,401 clinical questions derived from real-world ICD-10-coded diagnoses of 4,739 participants. Each question links to a patient-specific environment containing clinical context and multi-sequence MRI from baseline and follow-up visits, where agents autonomously select which visits, organs, modalities, slices, and specialist tools to inspect and compare. Supervised fine-tuning transfers evidence-seeking workflows from 14,734 frontier-model interaction trajectories, followed by agentic reinforcement learning on the learner's own environment interactions. Privileged on-policy self-distillation and rubric-based LLM feedback refine evidence-to-conclusion reasoning without prescribing tool sequences. Experiments show that CASE moves beyond question-answer imitation toward transferable investigation policies, strengthening evidence-grounded longitudinal reasoning. Under matched evaluation conditions, our Qwen3-VL-8B based agent achieves over 16% and 10% relative improvements in answer accuracy over GPT-5.4 and Claude Opus 4.8. Code will be available at https://github.com/VinyehShaw/CASE.
• Abstract（参考訳）: 基礎モデルは、ツール使用ハーネスを介して臨床薬として機能することができる。 しかし、従来の医療ベンチマークでは、臨床記録や縦断的画像の検索よりも、事前選択された証拠に対する推論が評価されている。 Case: a series of role-specific Clinical Agents for Seeking Evidence, with a tool-use harness and an agentic post-training framework for compact vision- language policy model。 さらに,英国バイオバンクを基盤として,実世界のICD-10コード診断4,739人の患者から得られた50,401人の臨床質問をまとめた縦型マルチモーダル・ベンチマークを導入する。 それぞれの質問は、臨床コンテキストを含む患者固有の環境と、ベースラインおよびフォローアップビジターからのマルチシーケンスMRIと関連付けられ、エージェントは、どの訪問、臓器、モダリティ、スライス、および検査および比較を行う専門的ツールを自律的に選択する。 改良された微調整転送は、14,734のフロンティア-モデル相互作用軌跡からエビデンス-探索ワークフローを抽出し、続いて学習者の環境相互作用に関するエージェント強化学習を行う。 独占的な自己蒸留とルーブリックに基づくLLMフィードバックは、ツールシーケンスを規定することなく、エビデンスとコンクルージョンの推論を洗練させる。 実験の結果,CASEは疑わしい疑わしい模倣を越えて,証拠を根拠とした縦断的推論を強化することが示唆された。 一致した評価条件下では,我々のQwen3-VL-8B 系エージェントは GPT-5.4 および Claude Opus 4.8 よりも回答精度が 16% 以上10% 向上した。 コードはhttps://github.com/VinyehShaw/CASE.comから入手できる。

関連論文リスト

• Sparse Multi-Stage Expert-Agent Routing for Complex Clinical Reasoning [8.604005197463147]
  Sparse Multi-Stage Expert-Agentは、段階的ルーティングプロセスとして診断をモデル化する言語ベースの臨床推論フレームワークである。 段階的に利用可能な臨床証拠が与えられ、このフレームワークは進化するケース状態を維持し、医療専門家のスパースセットを適応的に活性化する。 MAC および AgentClinic-NEJM から再構成した多段階の症例に対して,本フレームワークは,高いファクトレベルの診断品質を維持しつつ,アクティベートした専門家の平均数を 17.0 から 3.0 に削減する。
  論文  参考訳（メタデータ） (2026-08-22T13:23:30Z)
• MedRLM: Recursive Multimodal Health Intelligence for Long-Context Clinical Reasoning, Sensor-Guided Screening, Evidence-Grounded Decision Support, and Community-to-Tertiary Referral Optimization [0.0]
  実世界の臨床診断支援には、異種および縦断的な患者情報に対する推論が必要である。 MedRLMは、医療AIを静的な質問応答から、監査可能、マルチモーダル、ワークフロー対応の臨床的意思決定サポートに移行することを目指している。
  論文  参考訳（メタデータ） (2026-06-18T12:30:39Z)
• Evaluating Large Language Models in Dynamic Clinical Decision-Making with Standardized Patient Cases [71.12461204050985]
  MedSP1000 (MedSP1000) は、SP由来の臨床エージェント評価のための対話型ベンチマークである。 ピアレビューされたSPの授業ケースを、定義されたSPケーススクリプト、臨床環境コンテキスト、人為的な構造化ルーブリックで実行可能なシナリオに変換する。 MedSP1000を多種多様な汎用および医療用LLMに適用すると、静的ベンチマークの性能がそのような教育シナリオに確実に変換されないことが分かる。
  論文  参考訳（メタデータ） (2026-06-03T17:17:16Z)
• ClinicalAgents: Multi-Agent Orchestration for Clinical Decision Making with Dual-Memory [17.805771452487612]
  専門医の認知ワークフローをシミュレートする新しいマルチエージェントフレームワークであるCrysicalAgentsを紹介する。 厳密なシーケンシャルチェーンとは異なり、CricerAgentsはモンテカルロ木探索(MCTS)プロセスとしてモデル化された動的オーケストレーション機構を採用している。 これにより、Orchestratorは仮説を反復的に生成し、証拠を積極的に検証し、重要な情報が欠落した時にバックトラッキングをトリガーすることができる。
  論文  参考訳（メタデータ） (2026-03-27T08:52:19Z)
• CARE: Towards Clinical Accountability in Multi-Modal Medical Reasoning with an Evidence-Grounded Agentic Framework [29.22693846221723]
  マルチモーダル・メディカル・推論における,エビデンス・グラウンドド・エージェント・フレームワークによる臨床説明可能性の向上について紹介する。 CAREはタスクを調整されたサブモジュールに分解し、ショートカット学習と幻覚を減らす。 私たちのCARE-Flowは、同じサイズ(10B)のSOTA(State-of-the-art)よりも平均精度を10.9%向上させる
  論文  参考訳（メタデータ） (2026-03-02T08:38:37Z)
• MedCollab: Causal-Driven Multi-Agent Collaboration for Full-Cycle Clinical Diagnosis via IBIS-Structured Argumentation [6.334763475104128]
  本稿では,現代病院の階層的相談ワークフローを模倣する,新しいマルチエージェントフレームワークであるMedCollabを紹介する。 このフレームワークは、患者固有の症状や検査結果に応じて、臨床および検査薬を適応的に組み立てる、ダイナミックなスペシャリスト採用機構を備えている。
  論文  参考訳（メタデータ） (2026-03-01T14:25:58Z)
• 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)
• 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)
• Medchain: Bridging the Gap Between LLM Agents and Clinical Practice with Interactive Sequence [68.05876437208505]
  臨床ワークフローの5つの重要な段階をカバーする12,163の臨床症例のデータセットであるMedChainを提示する。 フィードバック機構とMCase-RAGモジュールを統合したAIシステムであるMedChain-Agentも提案する。
  論文  参考訳（メタデータ） (2024-12-02T15:25:02Z)

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。