論文の概要: Lingdan-V2: Large language models for clinically grounded reasoning in traditional Chinese medicine

• arxiv url: http://arxiv.org/abs/2610.14705v1
• Date: Sat, 10 Oct 2026 08:22:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.0927
• Title: Lingdan-V2: Large language models for clinically grounded reasoning in traditional Chinese medicine
• Title（参考訳）: Lingdan-V2:中国伝統医学における臨床基礎推論のための大規模言語モデル
• Abstract要約: 我々は40億、80億、140億のパラメータを持つモデルからなるTCM言語モデルファミリを開発する。 工学的応用はTCM臨床決定支援、特に草本処方薬の推奨である。
• 参考スコア（独自算出の注目度）: 23.430542058500034
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language models have advanced medical reasoning, but clinically grounded reasoning in traditional Chinese medicine (TCM) remains challenging because prescription decisions require integrating domain knowledge, syndrome differentiation, treatment principles, herbal prescription composition, and dosage determination. We develop a TCM language model family comprising models with 4 billion, 8 billion, and 14 billion parameters. The artificial intelligence contribution is a staged clinical alignment framework integrating large scale continued pretraining on TCM and clinical records, complementary reasoning supervision, and prescription-centered reinforcement learning (RL). We further formulate herbal prescription generation as a structured RL problem with prescription-level feedback, enabling direct optimization of clinical decision outputs beyond knowledge reproduction and generic instruction following. The engineering application is TCM clinical decision support, particularly herbal prescription recommendation. We evaluate the models on a public benchmark containing 25,620 expert-verified items across 13 TCM knowledge and clinical reasoning tasks and on a private retrospective dataset of 4,348 spleen and stomach disease prescription cases. The 14 billion parameter reinforcement aligned model achieves a prescription generation F1 of 37.0 on the public benchmark, compared with 32.3 for DeepSeek-R1 with 671 billion total parameters, and a herb-level F1 of 52.8 on the clinical dataset with improved dosage agreement. Reinforcement post-training consistently improves prescription recommendation across all scales, while physician-source analysis shows that expert heterogeneity affects reward stability. These findings demonstrate a scalable pathway from domain grounding and reasoning supervision to clinically oriented prescription decision support.
• Abstract（参考訳）: 大規模言語モデルには先進的な医学的推論があるが、漢方医学(TCM)における臨床基礎的推論は、ドメイン知識の統合、症候群の分化、治療原則、ハーブ処方薬の構成、服薬判定を必要とするため、依然として困難である。 我々は40億、80億、140億のパラメータを持つモデルからなるTCM言語モデルファミリを開発する。 人工知能コントリビューション(AI Contribution)は、TCMと臨床記録、補完的推論監督、処方薬中心の強化学習(RL)に基づいて、大規模に継続した事前トレーニングを組み込んだ、段階的な臨床アライメントフレームワークである。 さらに,本論文では,知識再現以上の臨床判定出力の直接最適化と,それに続く汎用的な指導を可能にするために,処方薬レベルのフィードバックによる構造的RL問題としてハーブ処方薬の生成を定式化する。 工学的応用はTCM臨床決定支援、特に草本処方薬の推奨である。 我々は,13のTCM知識および臨床推論タスクにわたる25,620のエキスパート認定項目と,4,348の脾臓および胃疾患処方薬の個人振り返りデータセットを用いて,パブリックベンチマークでモデルを評価した。 14億のパラメータ強化アライメントモデルでは、DepSeek-R1の32.3と671億の合計パラメータ、および臨床データセットのハーブレベルF1の52.8に対して、公開ベンチマークでは37.0の処方薬生成F1が達成される。 強化後の強化はあらゆる尺度における処方を継続的に改善する一方、専門的な異質性は報酬の安定性に影響を及ぼす。 これらの知見は, 領域の接地と推論の監督から, 臨床指向の処方則決定支援まで, スケーラブルな経路を示すものである。

関連論文リスト

• TCMClinicalReason-Bench: Can Language Models Reason from Pathogenesis to Prescription over Real-World Clinical Cases? [13.467418961332227]
  大きな言語モデル(LLM)は、患者固有の証拠に不十分な臨床物語を生成することができる。 TCMClinicalReason-Bench を用いた症例地上反応の診断と治療成績の鑑別を行った。
  論文  参考訳（メタデータ） (2026-10-03T02:05:17Z)
• Large Language Models Versus Physicians in Traditional Chinese Medicine: A Real-World Clinical Case Evaluation [20.307842378814435]
  大規模言語モデル (LLMs) は, 臨床応用に向けて研究が進んでいるが, 現実の漢方医学(TCM)の実践に対する評価は依然として限られている。 当院では, 62病院から349例の外来患者を同定し, 16例のLCMと60例のTCM医師のコンパレータコホートを作成した。 カットエッジ汎用LSMは、特に医療アドバイス、治療原則、選択された診断タスクにおいて、医師コンパレータよりも高い専門家スコアを得た。
  論文  参考訳（メタデータ） (2026-07-15T03:18:48Z)
• 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)
• Human-Level and Beyond: Benchmarking Large Language Models Against Clinical Pharmacists in Prescription Review [9.611501492890461]
  RxBenchは、一般的な処方薬レビューカテゴリをカバーし、14の頻繁な処方薬エラーを集約する包括的なベンチマークである。 1,150のシングルチョイス、230のマルチチョイス、879のショートアンサーアイテムで構成され、いずれも経験豊富な臨床薬剤師によってレビューされている。 Gemini-2.5-pro-preview-05-06、Grok-4-0709、DeepSeek-R1-0528は一貫して第1階層を形成し、精度と堅牢性の両方で他のモデルを上回った。
  論文  参考訳（メタデータ） (2025-11-17T08:36:53Z)
• Gazal-R1: Achieving State-of-the-Art Medical Reasoning with Parameter-Efficient Two-Stage Training [0.0]
  医学推論における最先端性能を実現する32ビリオンパラメータ言語モデルであるGazal-R1を提案する。 我々のモデルは、中規模のモデルが専門分野においてはるかに大きなモデルよりも優れた性能を発揮することを実証している。 Gazal-R1は、MedQAで87.1%、MMLU Proで81.6%、PubMedQAで79.6%、医療ベンチマークで例外的なパフォーマンスを達成した。
  論文  参考訳（メタデータ） (2025-06-18T09:44:21Z)
• ChestX-Reasoner: Advancing Radiology Foundation Models with Reasoning through Step-by-Step Verification [57.22053411719822]
  ChestX-Reasoner(チェストX-Reasoner)は、臨床報告から直接採掘されるプロセスの監督を活用するために設計された放射線診断MLLMである。 我々の2段階のトレーニングフレームワークは、モデル推論と臨床標準との整合性を高めるために、プロセス報酬によって指導された教師付き微調整と強化学習を組み合わせる。
  論文  参考訳（メタデータ） (2025-04-29T16:48:23Z)
• Natural Language-Assisted Multi-modal Medication Recommendation [97.07805345563348]
  NLA-MMR(Natural Language-Assisted Multi-modal Medication Recommendation)を紹介する。 NLA-MMRは、患者視点から知識を学習し、医薬視点を共同で学習するために設計されたマルチモーダルアライメントフレームワークである。 本稿では,プレトレーニング言語モデル(PLM)を用いて,患者や医薬品に関するドメイン内知識を抽出する。
  論文  参考訳（メタデータ） (2025-01-13T09:51:50Z)
• 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)
• RoKEPG: RoBERTa and Knowledge Enhancement for Prescription Generation of Traditional Chinese Medicine [2.1098688291287475]
  漢方薬の処方生成のためのRoBERTaと知識強化モデル(RoKEPG)を提案する。 RoKEPGは、アテンションマスクマトリックスを通して、TCMの知識の4つのクラスを導入することで、TCM処方薬を生成するためにガイドされる。 一般に公開されているTCM処方データセットの実験結果から、RoKEPGはベースラインモデルよりも約2%改善していることがわかった。
  論文  参考訳（メタデータ） (2023-11-29T01:59:38Z)

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。