論文の概要: ASCRIBE: Atomic and Significance-Based Reasoning for Thai Clinical SOAP Note Generation

• arxiv url: http://arxiv.org/abs/2610.01234v1
• Date: Thu, 01 Oct 2026 07:35:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:23.969433
• Title: ASCRIBE: Atomic and Significance-Based Reasoning for Thai Clinical SOAP Note Generation
• Title（参考訳）: ASCRIBE:タイ臨床SOAPノート生成のための原子と意義に基づく推論
• Abstract要約: ASCRIBEは、医師にインスパイアされた推論フレームワークであり、抽出された各原子事実に臨床的意義レベルを割り当てる。 タイ・クリニックベンチ(Thai ClinicBench)は、タイ初の未確認臨床要約ベンチマークである。
• 参考スコア（独自算出の注目度）: 2.4037543881175063
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Automatic SOAP note generation can ease the documentation burden on physicians, but existing reasoning methods often omit clinically important information and generate unsupported content. Progress in Thai is further hindered by the lack of publicly available datasets. We propose ASCRIBE, a physician-inspired reasoning framework that ascribes a clinical-significance level to each extracted atomic fact in the conversation before summarization, making a general-purpose LLM a more reliable scribe. We also release ThaiClinicBench, the first de-identified Thai clinical summarization benchmark of real encounters, together with a synthetic training corpus derived from real clinical notes. As a prompt, ASCRIBE outperforms chain-of-thought prompting on GPT-5.4 and Gemini 3.1 Pro across the physician-aligned LLM-judge metrics and improves on standard prompting by up to 10.3 points on the completeness LLM-judge metric. As a GRPO reward, it enables a Gemma-4-E4B model trained solely on synthetic data to match Gemini 3.1 Pro in factual precision and surpass it in completeness. Code and data can be found at https://github.com/loolootech/ascribe.
• Abstract（参考訳）: 自動SOAPノート生成は、医師のドキュメンテーションの負担を軽減することができるが、既存の推論手法では、臨床上重要な情報を省略し、サポートされていないコンテンツを生成することが多い。 タイの進歩は、公開データセットの欠如によってさらに妨げられている。 ASCRIBEは医師にインスパイアされた推論フレームワークで、要約前の会話において、抽出された原子的事実に臨床上の意義レベルを割り当てる。 我々はまた、タイ初の未確認臨床要約ベンチマークであるThaiClinicBenchと、実際の臨床ノートから得られた合成トレーニングコーパスもリリースした。 プロンプトとして、ASCRIBE は GPT-5.4 と Gemini 3.1 Pro のチェーン・オブ・シークレット・プロンプトを医師が調整した LLM-judge の指標で上回り、完全性 LLM-judge の基準である 10.3 ポイントまで改善している。 GRPOの報酬として、Gemma-4-E4Bモデルは合成データのみに基づいて訓練され、実際の精度でGemini 3.1 Proと整合し、完全性でそれを上回ることができる。 コードとデータはhttps://github.com/loolootech/ascribe.comにある。

関連論文リスト

• MedArena: Comparing LLMs for Medicine-in-the-Wild Clinician Preferences [50.71326426975699]
  MedArenaは医療用大規模言語モデル(LLM)のためのインタラクティブな評価プラットフォームである。 MedArenaは、2つのランダムに選択されたモデルからの応答を表示し、ユーザが好みのレスポンスを選択するように要求する。 2025年11月1日までに12台のLLMで収集された1571の選好のうち、ジェミニ2.0フラッシュシンキング、ジェミニ2.5プロ、GPT-4oがブラッドリー・テリーのレーティングで上位3モデルとなった。
  論文  参考訳（メタデータ） (2026-03-13T22:30:26Z)
• A Federated and Parameter-Efficient Framework for Large Language Model Training in Medicine [59.78991974851707]
  大規模言語モデル(LLM)は、質問応答や診断など、医療ベンチマークにおいて強力なパフォーマンスを示している。 ほとんどの医療用LDMは、異種システムの一般化性と安全性の制限に直面している単一の機関のデータに基づいて訓練されている。 本稿では, LLMを医療応用に適用するためのモデルに依存しない, パラメータ効率のよいフェデレーション学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-29T18:48:21Z)
• MedPAO: A Protocol-Driven Agent for Structuring Medical Reports [0.13029689752120577]
  我々は、精度と検証可能な推論を保証する新しいエージェントフレームワークであるMedPAOを紹介する。 MedPAOは、レポート構造化タスクをPlan-Act-Observe (PAO)ループと特殊なツールによって管理される透明なプロセスに分解する。 MedPAOは概念分類の重要なサブタスクに対して0.96のF1スコアを達成する。
  論文  参考訳（メタデータ） (2025-10-06T09:32:23Z)
• LLMEval-Med: A Real-world Clinical Benchmark for Medical LLMs with Physician Validation [58.25892575437433]
  医学における大規模言語モデル (LLMs) の評価は, 医療応用には精度が高く, 誤差の少ないため重要である。 LLMEval-Medは、5つの中核医療領域をカバーする新しいベンチマークであり、現実の電子健康記録から得られた2,996の質問と専門家が設計した臨床シナリオを含む。
  論文  参考訳（メタデータ） (2025-06-04T15:43:14Z)
• Towards Evaluating and Building Versatile Large Language Models for Medicine [57.49547766838095]
  MedS-Benchは大規模言語モデル(LLM)の性能を臨床的に評価するためのベンチマークである。 MedS-Benchは、臨床報告の要約、治療勧告、診断、名前付きエンティティ認識、医療概念説明を含む、11のハイレベルな臨床タスクにまたがる。 MedS-Insは58の医療指向言語コーパスで構成され、112のタスクで1350万のサンプルを収集している。
  論文  参考訳（メタデータ） (2024-08-22T17:01:34Z)
• Towards Adapting Open-Source Large Language Models for Expert-Level Clinical Note Generation [19.08691249610632]
  本研究では,オープンソースのLLaMA-213億パラメータモデルに対する包括的ドメイン・タスク特化プロセスを提案する。 我々のプロセスには、AIと人間のフィードバックの両方から、継続的な事前トレーニング、教師付き微調整、強化学習が組み込まれています。 得られたLLaMA-Clinicは,医師が作成したものと同等の精度で臨床記録を作成できる。
  論文  参考訳（メタデータ） (2024-04-25T15:34:53Z)
• SoftTiger: A Clinical Foundation Model for Healthcare Workflows [5.181665205189493]
  医療基盤モデルとして設計された臨床用大規模言語モデル(CLaM)であるSoftTigerを紹介する。 我々は,3つのサブタスク,すなわち国際患者要約,臨床印象,医療的出会いのデータを収集し,注釈する。 公立および認証臨床データを用いて,最先端のLCMの微調整を指導した。
  論文  参考訳（メタデータ） (2024-03-01T04:39:16Z)
• FactPICO: Factuality Evaluation for Plain Language Summarization of Medical Evidence [46.71469172542448]
  本稿では,医療用テキストのプレーン言語要約のためのファクトPICOを提案する。 3つのランダム化制御試験(RCT)から生成される抽象語の345のプレーン言語要約で構成されている。 本研究は,これらのサマリーにおけるRCTの重要要素の事実と,それらに関する報告された知見について評価する。
  論文  参考訳（メタデータ） (2024-02-18T04:45:01Z)

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。