論文の概要: From Hindsight to Foresight: Dissecting Clinical Evidence Acquisition in Large Language Models

• arxiv url: http://arxiv.org/abs/2610.18605v1
• Date: Tue, 13 Oct 2026 15:57:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-16 20:32:08.633906
• Title: From Hindsight to Foresight: Dissecting Clinical Evidence Acquisition in Large Language Models
• Title（参考訳）: 近視から先視へ:大規模言語モデルにおける臨床エビデンス獲得の分離
• Abstract要約: 大型言語モデル(LLMs)は、視力、静的な臨床例を十分に診断するが、視力、動的診断に苦慮することが多い。 我々の研究は、動的診断プロセスに存在する重大な限界と内部原因を明らかにした。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language models (LLMs) often diagnose full sight, static clinical cases well yet struggle in foresight, dynamic diagnosis. Prior work has improved this limitation by quantifying the information models acquire and by developing stronger follow-up strategies to improve diagnostic accuracy. In contrast, we introduce a distinctive hindsight to systematically dissect why LLMs fail to acquire diagnostically critical evidence, tracing the failure from evidence identification, utilization and downstream diagnostic updating through not only diagnostic accuracy, but also evidence coverage, trajectory dynamics, and elicited probability and information entropy. Starting experiments from the breakdown at the level of capabilities, to the diagnosis of the pre-event state before the evidence arrives, and to the post-event state transition after the evidence arrives, our research has revealed the profound limitations and internal causes existing in the dynamic diagnostic process. At the same time, we have also conducted sufficient verification and generalization experiments to prove that these limitations are widespread. Together, these findings shift the central challenge from whether LLMs possess relevant clinical knowledge to whether they can identify, acquire, and effectively use the right evidence under clinical diagnosis and conduct a more detailed mechanism analysis to identify the exact location of the capability gap.
• Abstract（参考訳）: 大型言語モデル(LLMs)は、視力、静的な臨床例を十分に診断するが、視力、動的診断に苦慮することが多い。 従来の研究は、取得した情報モデルを定量化し、診断精度を向上させるための強力なフォローアップ戦略を開発することで、この制限を改善してきた。 対照的に,LSMが診断上重要な証拠の取得に失敗した理由を系統的に把握するために,診断精度だけでなく,証拠カバレッジ,軌道力学,帰納的確率と情報エントロピーなどを通じて,証拠の同定,利用,下流診断更新の失敗をトレースする。 本研究は, 機能レベルにおける破壊実験から, 証拠が到着する前に先行状態の診断, 証拠が到着して以降の状態遷移まで, 動的診断プロセスに存在する重大な限界と内部原因を明らかにした。 同時に、これらの制限が広く行われていることを証明するのに十分な検証および一般化実験も実施している。 これらの知見は、LSMが関連する臨床知識を持つかどうかから、臨床診断の下で適切な証拠を特定し、取得し、効果的に利用し、能力ギャップの正確な位置を特定するためのより詳細なメカニズム分析を行うことができるかどうかへと、中心的な課題をシフトさせる。

関連論文リスト

• EviDx: Evidence-Aware Active Diagnosis with Scaffolded LLM Agents [13.21048121687754]
  我々はエビデンスを意識したアクティブ診断フレームワークであるEviDxを紹介する。 患者固有の診断環境と、臨床診断の足場と、観察者向けランタイムハーネスを組み合わせます。 EviDxは、モデルに依存した機能境界を明らかにしながら、診断性能とプロセス安定性を改善する。
  論文  参考訳（メタデータ） (2026-08-25T13:54:30Z)
• Evaluating Multi-Turn Multimodal Diagnostic Reasoning on Challenging Real-World Clinical Cases [59.5328455571863]
  ClinMM-Benchは、これまでで最大のマルチターンマルチモーダル臨床診断評価ベンチマークである。 実際の患者は1,089件、医療画像は3,760件、専門は8件。 プロプライエタリモデルでは診断精度が最も高かったが、正確な診断の割合は限られていた。
  論文  参考訳（メタデータ） (2026-07-28T16:19:03Z)
• 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)
• Uncertainty-Guided Latent Diagnostic Trajectory Learning for Sequential Clinical Diagnosis [30.87842656331004]
  臨床診断には、不確実性の下でのシーケンシャルな証拠取得が必要である。 ほとんどのLarge Language Model (LLM) ベースの診断システムは、完全に観察された患者情報を前提としている。 我々は、遅延診断軌道学習フレームワークとしてシーケンシャル診断を定式化する。
  論文  参考訳（メタデータ） (2026-04-06T19:21:56Z)
• Improving Clinical Diagnosis with Counterfactual Multi-Agent Reasoning [16.709358805587506]
  臨床診断は、臨床医が証拠を集め、仮説を定め、代替的な説明に対してそれらをテストする複雑な推論プロセスである。 本稿では, 仮説テストの明確化とエビデンス・グラウンド化を図った臨床研修に触発された, 対物的マルチエージェント診断フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-29T19:14:26Z)
• 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)
• Simulating Viva Voce Examinations to Evaluate Clinical Reasoning in Large Language Models [51.91760712805404]
  大規模言語モデル(LLM)におけるシーケンシャルな臨床推論を評価するためのベンチマークであるVivaBenchを紹介する。 本データセットは,医療訓練における(口頭)検査をシミュレートする対話的シナリオとして構成された1762名の医師による臨床ヴィグネットから構成される。 本分析では,臨床における認知的誤りを反映するいくつかの障害モードを同定した。
  論文  参考訳（メタデータ） (2025-10-11T16:24:35Z)
• End-to-End Agentic RAG System Training for Traceable Diagnostic Reasoning [52.12425911708585]
  Deep-DxSearchは、強化学習(RL)でエンドツーエンドに訓練されたエージェントRAGシステムである。 Deep-DxSearchでは,患者記録と信頼性のある医療知識情報を含む大規模医療検索コーパスを構築した。 実験により、エンドツーエンドのRLトレーニングフレームワークは、プロンプトエンジニアリングやトレーニングフリーなRAGアプローチよりも一貫して優れています。
  論文  参考訳（メタデータ） (2025-08-21T17:42:47Z)
• Improving Interactive Diagnostic Ability of a Large Language Model Agent Through Clinical Experience Learning [17.647875658030006]
  本研究では,性能劣化現象の根底にあるメカニズムについて検討する。 我々は,中国とアメリカの医療施設から350万件以上の電子医療記録を活用する,PPME ( Plug-and-play) LLM エージェントを開発した。 本研究は, 初期疾患の診断・調査のための専門モデルを統合し, 指導的, 強化的学習技術を用いて訓練した。
  論文  参考訳（メタデータ） (2025-02-24T06:24:20Z)
• Towards the Identifiability and Explainability for Personalized Learner Modeling: An Inductive Paradigm [36.60917255464867]
  本稿では,エンコーダ・デコーダモデルにインスパイアされた新しい応答効率応答パラダイムに基づく,識別可能な認知診断フレームワークを提案する。 診断精度を損なうことなく,ID-CDFが効果的に対処できることが示唆された。
  論文  参考訳（メタデータ） (2023-09-01T07:18:02Z)

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。