論文の概要: ActiveMedAgent: Cost-Aware Trajectory Learning for Multimodal Medical Diagnosis
- arxiv url: http://arxiv.org/abs/2610.11140v1
- Date: Thu, 08 Oct 2026 03:06:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-10 02:36:53.754298
- Title: ActiveMedAgent: Cost-Aware Trajectory Learning for Multimodal Medical Diagnosis
- Title（参考訳）: ActiveMedAgent:マルチモーダル医療診断のためのコストを考慮した軌道学習
- Abstract要約: 医療用AIにコスト対応シーケンシャルロジックを提供するフレームワークであるActiveMedAgentを紹介する。
トラジェクトリに基づく政策学習は、無誘導とフルモダリティの両方のベースラインを一貫して上回っていることを示す。
175の症例では、フルモダリティのベースラインが失敗している間に、より少ないチャンネルで正しい診断を行い、何を学ぶかを学ぶのと同じくらい、何を学ぶかを学ぶことが重要であることを示す。
- 参考スコア（独自算出の注目度）: 28.41523447601867
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Clinical diagnosis is inherently sequential: clinicians escalate from cheap to costly tests only when additional evidence is expected to resolve diagnostic uncertainty. We present ActiveMedAgent, a framework that brings this cost-aware sequential logic to multimodal medical AI. Given a frozen, API-accessed vision-language model, ActiveMedAgent tracks probability distributions over candidate diagnoses and scores each acquisition by its per-step diagnostic utility minus cost. A lightweight MLP controller is then trained offline on these scored trajectories, learning when to request additional evidence and when to commit. Across three commonly used benchmarks, trajectory-based policy learning consistently outperforms both unguided acquisition and full-modality baselines. Notably, we identify an information overload effect. In 175 cases, the agent produces a correct diagnosis with fewer channels while the full-modality baseline fails, showing that learning what to omit can be as important as learning what to acquire.
- Abstract（参考訳）: 臨床医は、診断の不確実性を解決するために追加の証拠が期待されている場合にのみ、安価から高価な検査へとエスカレートする。
我々は、このコスト対応シーケンシャルロジックをマルチモーダル医療AIにもたらすフレームワークであるActiveMedAgentを紹介する。
ActiveMedAgentは、凍結したAPIアクセス型視覚言語モデルによって、候補診断上の確率分布を追跡し、ステップ毎の診断ユーティリティのコストをマイナスにすることで、各取得をスコア付けする。
軽量のMLPコントローラは、これらのトラジェクトリでオフラインでトレーニングされ、いつ追加のエビデンスとコミットを要求するかを学ぶ。
一般的に使用されている3つのベンチマークでは、トラジェクトリベースのポリシー学習は、非ガイド獲得と完全なモダリティベースラインの両方を一貫して上回っている。
特に、情報過負荷効果を同定する。
175の症例では、フルモダリティのベースラインが失敗している間に、より少ないチャンネルで正しい診断を行い、何を学ぶかを学ぶのと同じくらい、何を学ぶかを学ぶことが重要であることを示す。
関連論文リスト
- CDPR: Counterfactual Advantage-based Credit Assignment for Cost-Aware Sequential Medical Diagnosis [28.56605391853806]
我々は、診断をコストを意識したシーケンシャルな意思決定プロセスとしてモデル化する。
本稿では,CDPR (Counterfactual Diagnostic Process Reward) を提案する。
論文 参考訳（メタデータ） (2026-06-27T05:12:52Z) - MedCTA: A Benchmark for Clinical Tool Agents [47.47354499871572]
MedCTA(MedCTA)は,臨床医が有する段階的作業における医療ツールエージェントの評価のためのベンチマークである。
MedCTAは、実世界の107の臨床的タスクと、臨床者が検証した5つのデプロイツール以上の実行可能な軌道から構成される。
我々は18のオープンソースおよびクローズドソースマルチモーダルモデルをベンチマークし、フロンティアシステムでさえもマルチステップ臨床ツールの使用において脆弱であることを発見した。
論文 参考訳（メタデータ） (2026-06-10T06:26:52Z) - MedAction: Towards Active Multi-turn Clinical Diagnostic LLMs [11.709211007913803]
既存の医療訓練データは、モデルに完全な情報から推論するように教えるが、進化した部分的な証拠の下では行動しない。
木構造蒸留パイプラインであるMedActionを導入し,多変量かつ高品質な多ターン診断軌道を合成する。
このパイプラインを用いて、2,896件のPMC症例から32,681件のトラジェクトリのデータセットであるMedAction-32Kを構築した。
論文 参考訳（メタデータ） (2026-05-08T06:15:24Z) - MedClarify: An information-seeking AI agent for medical diagnosis with case-specific follow-up questions [26.936554184582096]
我々は,情報探索のためのAIエージェントであるMedClarifyを紹介し,反復推論のためのフォローアップ質問を生成する。
具体的には、MedClarifyは、鑑別診断に類似した候補診断のリストを計算し、積極的にフォローアップ質問を生成する。
論文 参考訳（メタデータ） (2026-02-19T12:19:12Z) - EvoClinician: A Self-Evolving Agent for Multi-Turn Medical Diagnosis via Test-Time Evolutionary Learning [72.70291772077738]
エージェントのマルチターン診断能力を評価するためのベンチマークであるMed-Inquireを提案する。
次に、テスト時に効率的な診断戦略を学ぶ自己進化エージェントであるEvoClinicianを紹介する。
実験の結果,EvoClinicianは連続学習ベースラインや,メモリエージェントなどの自己進化エージェントよりも優れていた。
論文 参考訳（メタデータ） (2026-01-30T13:26:18Z) - MedForget: Hierarchy-Aware Multimodal Unlearning Testbed for Medical AI [66.0701326117134]
MedForgetは、階層型を意識したマルチモーダルなアンラーニングテストベッドで、準拠する医療AIシステムを構築する。
既存の手法は,診断性能を低下させることなく,完全かつ階層性に配慮した忘れの解決に苦慮していることを示す。
階層レベルのコンテキストをプロンプトに徐々に追加する再構成攻撃を導入する。
論文 参考訳（メタデータ） (2025-12-10T17:55:06Z) - Timely Clinical Diagnosis through Active Test Selection [49.091903570068155]
本稿では,現実の診断推論をよりうまくエミュレートするためのACTMED (Adaptive Clinical Test selection via Model-based Experimental Design)を提案する。
LLMは柔軟なシミュレータとして機能し、構造化されたタスク固有のトレーニングデータを必要とせずに、患者状態のもっともらしい分布を生成し、信念の更新をサポートする。
我々は、実世界のデータセット上でACTMEDを評価し、診断精度、解釈可能性、リソース使用量を改善するためにテスト選択を最適化できることを示す。
論文 参考訳（メタデータ） (2025-10-21T18:10:45Z) - A Progressive Single-Modality to Multi-Modality Classification Framework for Alzheimer's Disease Sub-type Diagnosis [40.838012045852]
現在のアルツハイマー病(AD)の診断には、複数の診断段階から取得した複数のモダリティがあり、それぞれが異なる使用法とコストを持っている。
そこで本研究では,早期の低コスト段階におけるアクセシビリティに基づく診断結果の提供を目的とした,新たな進歩型ADサブタイプ診断フレームワークを提案する。
提案手法を多種多様な公用および家庭内データセット上で評価し,最先端の手法よりも優れた性能を実現する。
論文 参考訳（メタデータ） (2024-07-26T02:25:45Z)
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。