論文の概要: templar: agentic induction and evolution of standardized radiology reporting templates from large-scale clinical corpora
- arxiv url: http://arxiv.org/abs/2610.05247v1
- Date: Sun, 04 Oct 2026 14:25:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-10 22:18:17.370135
- Title: templar: agentic induction and evolution of standardized radiology reporting templates from large-scale clinical corpora
- Title（参考訳）: 大規模臨床コーパスからの標準化された放射線診断用テンプレートの経時的誘導と進化
- Abstract要約: TEMPLARは、大規模臨床コーパスから標準化された放射線学レポートテンプレートを誘導し、進化させるためのフレームワークである。
4つのデータセットで、TEMPLARはASTAR、3つの医療用LSM、および6つの汎用LSMより優れており、カバー範囲、情報忠実度、診断忠実度が優れている。
- 参考スコア（独自算出の注目度）: 27.645644448573012
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Structured radiology reporting mitigates the heterogeneity of free-text reports, yet its benefits depend on high-quality reporting templates. In practice, such templates are conventionally built through labor-intensive expert consensus and therefore vary across institutions and lag behind evolving clinical practice. Large language models (LLMs) enable automated template induction, but existing approaches remain limited: single-LLM induction is constrained by context length, and the corpus-scale method ASTAR produces a static, closed-corpus template without external grounding or downstream adaptation. To address these limitations, we propose TEMPLAR, a TEMPLate-centric Agentic framework for inducing and evolving standardized Radiology reporting templates from large-scale clinical corpora. TEMPLAR treats the template as a persistent central state maintained alongside two provenance-aware knowledge graphs, namely an anatomical graph that constrains template construction and a diagnostic graph that supports finding-to-diagnosis reasoning. Three agents operate on this state. The Induction Agent derives canonical clinical slots from anatomy-constrained Span-Triple atoms via dual-view similarity clustering; the Evolution Agent then assembles these slots into a hierarchical template and revises it under consistency constraints, external clinical evidence, and downstream structuring feedback; and the Clinical Agent applies the evolved template to report structuring, reconstruction, and diagnostic reasoning. Across four datasets, TEMPLAR outperforms ASTAR, three medical LLMs, and six general-purpose LLMs in coverage, information fidelity, and diagnostic fidelity, while achieving the highest or tied-highest LLM-rated template quality. Its fidelity advantages over ASTAR persist under cross-dataset transfer, and cumulative ablations support complementary contributions of its key components.
- Abstract（参考訳）: 構造化ラジオロジーレポートは、自由テキストレポートの不均一性を緩和するが、その利点は高品質なレポートテンプレートに依存する。
実際には、そのようなテンプレートは伝統的に労働集約的な専門家の合意によって構築され、それゆえ、臨床実践の進展の遅れや機関によって異なる。
大きな言語モデル(LLM)はテンプレートの自動誘導を可能にするが、既存のアプローチは限定的であり、単一LLM誘導はコンテキスト長によって制約される。
これらの制約に対処するために,TEMPLate中心のエージェントフレームワークであるTEMPLARを提案する。
TEMPLARはテンプレートを、2つの既知知識グラフ、すなわちテンプレート構築を制約する解剖学的グラフと、診断と診断の推論をサポートする診断グラフとと共に維持される永続的な中央状態として扱う。
3人のエージェントがこの状態で動作します。
誘導剤は、二重ビュー類似性クラスタリングを介して解剖学的に制約されたスパントリプル原子から標準的な臨床スロットを導出し、進化剤は、これらのスロットを階層的なテンプレートに組み立て、整合性制約、外部臨床証拠、下流構造フィードバックの下で修正し、臨床薬は、進化したテンプレートを適用して、構造化、再構築、診断の理由を報告する。
4つのデータセットでTEMPLARはASTAR, 3つの医療用LDM, 6つの汎用LSMを網羅し, 情報忠実度, 診断精度を向上し, 最高または最高級のLCMテンプレート品質を達成している。
ASTARに対するその忠実さの優位性は、クロスデータセット転送の下で持続し、累積的なアブレーションは、その主要なコンポーネントの補完的な貢献をサポートする。
関連論文リスト
- 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) - ASTAR: Automated induction of STAndardized radiology Reporting templates from large-scale clinical free-text corpora [23.461234173597433]
構造化レポートは、フリーテキストのラジオグラフィー物語をクエリ可能なデータキーに変換し、コホートアセンブリ、縦方向追跡、医療AIのためのトレーニングラベル生成を容易にする。
大規模臨床自由テキストコーパスからSTAndardized Radiologyを自動誘導するためのLLMベースのフレームワークであるtextbftextttASTARを紹介した。
論文 参考訳（メタデータ） (2026-06-19T04:38:00Z) - Generating Reports or Repeating Templates? Measuring and Mitigating Template Collapse in 3D CT Report Generation [13.471480514512157]
3次元医用視覚言語モデル(VLM)は、非常に低い病理検出と出力の多様性を示しながら、流線型な放射線学スタイルのテキストを生成することができる。
この障害モードをテンプレート崩壊と認識します。
CLarGenは,言い方と言い方(言語合成)を区別するフレームワークである。
論文 参考訳（メタデータ） (2026-05-29T08:21:00Z) - Graph-Augmented Topological Internalization with Dual-Stream Classifiers for Medical Report Generation [3.3887144970801555]
トポロジカル内部化を用いたグラフ拡張型デュアルストリーム医療レポート生成法(GDMRG)を提案する。
本フレームワークでは,グローバルな疾患の共起を前提としたパラメータ化重み行列を生成するトポロジカル・ナレッジ・インサイナライゼーション・モジュールであるTKIを導入する。
MIMIC-CXRデータセットの実験は、GDMRGが自然言語の流速を維持しながら競争力のある臨床効果CEを達成することを示した。
論文 参考訳（メタデータ） (2026-05-04T09:17:27Z) - MedScribe: Clinically Grounded CT Reporting through Agentic Workflows [13.40306812882295]
視覚言語モデル(VLM)は、自動放射線診断レポート生成の可能性を示している。
我々は,仮説駆動型フレームワークであるMedScribeを紹介し,レポート生成を反復的証拠取得プロセスとして再構築する。
論文 参考訳（メタデータ） (2026-05-03T08:32:40Z) - Clinical Cognition Alignment for Gastrointestinal Diagnosis with Multimodal LLMs [63.535652574541764]
MLLM(Multimodal Large Language Models)は医用画像解析において顕著な可能性を示した。
消化器内視鏡におけるそれらの応用は、現在、2つの重要な限界によって妨げられている。
本稿では,これらの課題に対処する新しい臨床認知アライメント(CogAlign)フレームワークを提案する。
論文 参考訳（メタデータ） (2026-03-21T07:47:37Z) - A Semantically Enhanced Generative Foundation Model Improves Pathological Image Synthesis [82.01597026329158]
本稿では,組織合成のための相関調整フレームワーク(CRAFTS)について紹介する。
CRAFTSは、生物学的精度を確保するためにセマンティックドリフトを抑制する新しいアライメント機構を組み込んでいる。
本モデルは,30種類の癌にまたがる多彩な病理像を生成する。
論文 参考訳（メタデータ） (2025-12-15T10:22:43Z) - Refine Medical Diagnosis Using Generation Augmented Retrieval and Clinical Practice Guidelines [16.56254046507092]
GARMLE-Gは、医療用言語モデルの出力を権威的ガイドラインに根拠づけた、世代別検索フレームワークである。
従来のRetrieval-Augmented Generationベースのアプローチとは異なり、GARMLE-Gは権威的なガイドラインコンテンツを直接検索することで幻覚のない出力を可能にする。
高血圧診断のためのプロトタイプシステムを開発し, 検索精度, 意味的関連性, 臨床ガイドラインの適合性を実証した。
論文 参考訳（メタデータ） (2025-06-22T11:31:13Z) - PathLDM: Text conditioned Latent Diffusion Model for Histopathology [62.970593674481414]
そこで我々は,高品質な病理像を生成するためのテキスト条件付き遅延拡散モデルPathLDMを紹介した。
提案手法は画像とテキストデータを融合して生成プロセスを強化する。
我々は,TCGA-BRCAデータセット上でのテキスト・ツー・イメージ生成において,SoTA FIDスコア7.64を達成し,FID30.1と最も近いテキスト・コンディショナブル・コンペティタを著しく上回った。
論文 参考訳（メタデータ） (2023-09-01T22:08:32Z)
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。