論文の概要: Coverage-Aware Reasoning with Medical Tokens for Diagnosis Prediction

• arxiv url: http://arxiv.org/abs/2610.10641v1
• Date: Wed, 07 Oct 2026 14:39:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:53.595708
• Title: Coverage-Aware Reasoning with Medical Tokens for Diagnosis Prediction
• Title（参考訳）: 診断のための医療トークンを用いたカバーアウェア推論
• Abstract要約: 次回の視線診断予測では、複数の診断を同時に行うことができるが、軌跡ごとに個別に報いると、異なる診断のカバレッジから繰り返しヒットを区別しない。 一方、LCMトークンーはICDコードをいくつかの一般的なトークンに分割して臨床的な意味を限定し、個々の診断を予測し、大きな疾患の語彙に対する推論を妨げる複数のデコードステップを必要とする。 CARingは,合成セマンティックID(SID)による診断を表現し,多ラベルカバレッジのための推論トラジェクトリを最適化するフレームワークである。
• 参考スコア（独自算出の注目度）: 7.328870011176673
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language models (LLMs) offer promising potential for next-visit diagnosis prediction, owing to their ability to integrate longitudinal clinical evidence and reason over it in natural language. However, reinforcement learning for LLM reasoning commonly rewards each trajectory according to the correctness of its final answer. In next-visit diagnosis prediction, multiple diagnoses can be simultaneously valid, but independently rewarding one diagnosis per trajectory does not distinguish repeated hits from coverage of different diagnoses. The policy can therefore concentrate on a few correct diagnoses, leaving others uncovered. Meanwhile, LLM tokenizers can split ICD codes into several generic tokens with limited clinical meaning, requiring multiple decoding steps to predict each diagnosis and hindering reasoning over a large disease vocabulary. To address both challenges, we propose CARing, a framework that represents diagnoses with compositional Semantic IDs (SIDs) and optimizes reasoning trajectories for multi-label coverage. Concretely, we first encode ontology-enriched disease semantics into compact SIDs through residual quantization, and ground the resulting SID tokens in natural language and longitudinal EHR contexts through multi-task alignment and reasoning-enriched training to unlock transferable LLM reasoning. CARing further improves unordered multi-label prediction through a coverage reward for reinforcement learning and multi-positive supervision. At inference time, the model supports both efficient direct constrained decoding and multi-chain reasoning with rank fusion. On MIMIC-III and MIMIC-IV, CARing exceeds all EHR-trained baselines in weighted F1 and attains the highest top-k recall at every reported cutoff, including R@30 of 46.04% and 46.52% in reasoning mode. Our codes and logs are available at https://github.com/zmlxzyh/CARing-Codes-Logs.
• Abstract（参考訳）: 大規模言語モデル(LLMs)は、縦断的な臨床証拠とそれに対する推論を自然言語で統合する能力により、次世代の診断予測に有望な可能性を秘めている。 しかし、LLM推論のための強化学習は、最終回答の正しさに応じて、各軌道に通常報酬を与える。 次回の視線診断予測では、複数の診断が同時に有効であるが、個別に1つの診断に報いることは、異なる診断のカバレッジから繰り返しのヒットを区別しない。 そのため、この方針はいくつかの正しい診断に集中でき、他の診断は未発見のままである。 一方、LCMトークンーはICDコードをいくつかの一般的なトークンに分割して臨床的な意味を限定し、個々の診断を予測し、大きな疾患の語彙に対する推論を妨げる複数のデコードステップを必要とする。 両課題に対処するために,合成セマンティックID(SID)による診断を表現し,多ラベルカバレッジのための推論トラジェクトリを最適化するフレームワークであるCARingを提案する。 具体的には、まずオントロジーに富んだ病気のセマンティクスを、残留量子化によりコンパクトなSIDにエンコードし、マルチタスクアライメントと推論強化トレーニングにより、自然言語および長手EHRコンテキストのSIDトークンを基底として、トランスファー可能なLCM推論をアンロックする。 CARingはさらに、強化学習と多陽性監視のためのカバレッジ報酬を通じて、非順序付きマルチラベル予測をさらに改善する。 推論時に、モデルは効率的な直接制約付き復号化と階数融合によるマルチチェーン推論の両方をサポートする。 MIMIC-IIIとMIMIC-IVでは、CARingは重み付きF1のEHR訓練ベースラインを全て越え、R@30の46.04%、推論モードの46.52%を含む報告されたカットオフで最高kリコールを達成した。 私たちのコードとログはhttps://github.com/zmlxzyh/CARing-Codes-Logs.orgで公開されています。

関連論文リスト

• COTCAgent: Preventive Consultation via Probabilistic Chain-of-Thought Completion [1.3891530345631953]
  The Probabilistic Chain-of-Thought Completion Agent (COTCAgent)は、縦断的な電子健康記録のための階層的推論フレームワークである。 COTCAgentは、自作データセットで90.47%、HealthBenchで70.41%の精度を達成し、既存の医療エージェントや主流の大規模言語モデルを上回っている。
  論文  参考訳（メタデータ） (2026-05-14T16:17:35Z)
• MultiDx: A Multi-Source Knowledge Integration Framework towards Diagnostic Reasoning [66.94527468532843]
  2段階の診断推論フレームワークであるMultiDxを提案する。 まず Web 検索,SOAP 形式の症例,臨床症例データベースから知識を活用することにより,疑わしい診断と推論経路を生成する。 そして、マッチング、投票、および差分診断を通じて、複数のパースペクティブエビデンスを統合し、最終的な予測を生成する。
  論文  参考訳（メタデータ） (2026-04-27T08:46:29Z)
• M3CoTBench: Benchmark Chain-of-Thought of MLLMs in Medical Image Understanding [66.78251988482222]
  CoT(Chain-of-Thought)推論は、ステップバイステップの中間推論を奨励することによって、大規模言語モデルの強化に有効であることが証明されている。 医用画像理解のための現在のベンチマークでは、推論パスを無視しながら最終回答に重点を置いている。 M3CoTBenchは、透明で信頼性が高く、診断的に正確な医療用AIシステムの開発を促進することを目的としている。
  論文  参考訳（メタデータ） (2026-01-13T17:42:27Z)
• Uncertainty-aware Medical Diagnostic Phrase Identification and Grounding [72.18719355481052]
  MRG(Messical Report Grounding)と呼ばれる新しい課題について紹介する。 MRGは医療報告から診断フレーズとその対応する接地箱を直接エンドツーエンドで識別することを目的としている。 マルチモーダルな大規模言語モデルを用いて診断フレーズを予測する,堅牢で信頼性の高いフレームワークである uMedGround を提案する。
  論文  参考訳（メタデータ） (2024-04-10T07:41:35Z)
• PneumoLLM: Harnessing the Power of Large Language Model for Pneumoconiosis Diagnosis [16.90918546157292]
  大規模言語モデル(LLM)は対話において複数のタスクを実行する際、前例のない能力を示す。 学習可能なパラメータの少ない診断において,LSMを効果的に活用する手法を提案する。 本稿では,コンテキスト型マルチトークンエンジンと情報エミッタモジュールを紹介する。
  論文  参考訳（メタデータ） (2023-12-06T13:31:52Z)
• Inheritance-guided Hierarchical Assignment for Clinical Automatic Diagnosis [50.15205065710629]
  臨床診断は、臨床ノートに基づいて患者に診断符号を割り当てることを目的としており、臨床意思決定において重要な役割を担っている。 本稿では,臨床自動診断のための継承誘導階層と共起グラフの伝播を組み合わせた新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2021-01-27T13:16:51Z)

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。