Fugu-MT 論文翻訳(概要): MeddeX: A Retrieval-Augmented LLaMA-3 System with Gemini Vision for Evidence-Backed Medical Report Analysis

論文の概要: MeddeX: A Retrieval-Augmented LLaMA-3 System with Gemini Vision for Evidence-Backed Medical Report Analysis

arxiv url: http://arxiv.org/abs/2610.20632v1
Date: Wed, 30 Sep 2026 13:27:05 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-18 21:02:54.546382
Title: MeddeX: A Retrieval-Augmented LLaMA-3 System with Gemini Vision for Evidence-Backed Medical Report Analysis
Title（参考訳）: MeddeX:エビデンス支援医療報告分析のためのジェミニビジョンを用いた検索型LLaMA-3システム
Abstract要約: MeddeXは、QLoRA微調整のLLaMA-3 (8B)モデルとRetrieval-Augmented Gen eration (RAG)とマルチモーダルのGemini Visionレイヤを組み合わせた医療レポートアナライザーである。このシステムは、テキストネイティブのPDF、スキャンされた画像ベースのPDF、インテリジェントなハイブリッド抽出パイプラインを通じて画像を直接処理する。
参考スコア（独自算出の注目度）: 0.4077787659104315
License: http://creativecommons.org/publicdomain/zero/1.0/
Abstract: Modern healthcare generates increasingly complex medical reports that challenge clinical professionals in terms of time and interpretive burden. Manual review processes are slow, error-prone, and difficult to scale. This paper presents MeddeX, a Medical Report Analyzer that combines a QLoRA fine-tuned LLaMA-3 (8B) model with Retrieval-Augmented Gen eration (RAG) and a multimodal Gemini Vision layer to deliver accurate, concise, and evidence-backed summaries of medical documents. The system handles text-native PDFs, scanned image based PDFs, and direct radiological images through an intelligent hybrid extraction pipeline that includes a novel garbage-text detection mechanism for corrupted and UTF-16-encoded doc uments. Beyond single-report Q&A, MeddeX introduces report scoped retrieval for precise contextual grounding, an automated longitudinal report comparison engine, and a self-healing backfill pipeline that lazily processes legacy documents on demand. A FastAPI backend, Supabase vector store, and Next.js fron tend complete the end-to-end architecture. Evaluation against the base LLaMA3-Med42-8B model demonstrates consistent improvements across ROUGE-1 (+9.2%), ROUGE-2 (+10.0%), ROUGE-L (+11.8%), BLEU (+71.4%), and BERTScore (+0.8%), validating the benefit of domain-specific fine-tuning. MeddeX represents a practical and robust step toward AI-assisted clinical decision support.
Abstract（参考訳）: 現代の医療は、時間と解釈的負担の観点から、臨床専門家に挑戦する、ますます複雑な医療報告を生成する。手動のレビュープロセスは遅く、エラーが発生し、スケールが難しい。本稿では,QLoRA 微調整 LLaMA-3 (8B) モデルとRetrieval-Augmented Gen eration (RAG) とマルチモーダルの Gemini Vision レイヤを組み合わせた医療報告分析装置 MeddeX について述べる。このシステムは、テキストネイティブのPDF、スキャンされた画像ベースのPDF、およびUTF-16エンコードされた文書用の新しいガベージテキスト検出機構を含むインテリジェントなハイブリッド抽出パイプラインを介して、直接放射線画像を処理する。単一レポートのQ&A以外にも、MeddeXでは、正確なコンテキストグラウンドのためのレポートスコープ検索、自動長手レポート比較エンジン、必要に応じてレガシードキュメントを遅延処理する自己修復バックフィルパイプラインを導入している。 FastAPIバックエンド、Supabaseベクトルストア、Next.js fronはエンドツーエンドアーキテクチャを完成させる傾向にある。 LLaMA3-Med42-8Bモデルに対する評価では、ROUGE-1(+9.2%)、ROUGE-2(+10.0%)、ROUGE-L(+11.8%)、BLEU(+71.4%)、BERTScore(+0.8%)で一貫した改善がなされ、ドメイン固有の微調整の利点が検証された。 MeddeXは、AIによる臨床意思決定を支援するための実用的で堅牢なステップである。

関連論文リスト

CliQ-RRG: Clinical-Knowledge Guided Disease-aware Visual-Textual Alignment for QA-Style Radiology Report Generation [4.222388618095524]
当科におけるQA-Style Radiology Report Generation (CliQ-RRG) の検討 CliQ-RRGは、解釈および臨床的根拠のある報告のための統合された2段階のフレームワークである。 2つの公開胸部X線ベンチマークの実験では、CliQ-RRGは、語彙と臨床の両方の指標で、従来方法よりも一貫して優れていたことが示されている。
論文参考訳（メタデータ） (2026-10-09T06:13:25Z)
Pre-training, Reasoning, Benchmarking: X-ray Report Generation on CheXpert Plus Dataset [64.51646260227491]
X線画像に基づく放射線診断レポート生成(RRG)は、医療人工知能における重要な研究方向である。近年の大幅な進歩にもかかわらず、この分野は、不十分な標準ベンチマークに起因する明らかなボトルネックに直面している。我々は,CheXpert Plus上の一般的なX線レポート生成モデルと大規模言語モデルを含むベンチマークを確立する。
論文参考訳（メタデータ） (2026-09-23T10:35:18Z)
ClinFusion: A Vision-Centric Multimodal LLM System for Holistic Medical Understanding [67.57715989349471]
MLLM(Multimodal large language model)は、臨床実践に革命をもたらす大きな可能性を秘めている。我々は、総合的な医学的理解のために設計された視覚中心のMLLMであるClinFusionを紹介する。 ClinFusionは、総合的な2Dおよび3Dマルチモーダル・メディカル・ベンチマーク・スイートにまたがって、最先端の新たな状態を設定する。
論文参考訳（メタデータ） (2026-07-27T17:59:49Z)
A Multi-Agent Framework for Medical AI: Leveraging Fine-Tuned GPT, LLaMA, and DeepSeek R1 for Evidence-Based and Bias-Aware Clinical Query Processing [0.4349324020366305]
大規模言語モデル(LLM)は、医療問題に対する回答を約束するが、臨床的使用は、弱い検証、不十分な証拠の根拠、信頼できない信頼のシグナルによって制限される。本稿では,補完的なLCMとエビデンス検索,不確実性推定,バイアスチェックを組み合わせて回答信頼性を向上させるマルチエージェント医療QAフレームワークを提案する。
論文参考訳（メタデータ） (2026-02-15T14:17:27Z)
From Conflict to Consensus: Boosting Medical Reasoning via Multi-Round Agentic RAG [65.0203623486525]
大規模言語モデル(LLM)は、医学的質問応答において高い推論能力を示す。幻覚や時代遅れの知識を生み出す傾向は、医療分野において重大なリスクをもたらす。既存の手法はノイズの多いトークンレベルの信号に依存しており、複雑な推論に必要なマルチラウンドの改良は欠如している。
論文参考訳（メタデータ） (2026-02-06T08:25:30Z)
UNIDOC-BENCH: A Unified Benchmark for Document-Centric Multimodal RAG [82.84014669683863]
マルチモーダル検索拡張生成(MM-RAG)は,大規模言語モデルを現実世界の知識ベースに適用するための重要なアプローチである。 UniDoc-Benchは、70万の現実世界のPDFページから構築されたMM-RAGのための最初の大規模で現実的なベンチマークである。実験により,マルチモーダルテキスト画像融合RAGシステムは,非モーダルおよび共同マルチモーダル埋め込みに基づく検索において一貫して優れていた。
論文参考訳（メタデータ） (2025-10-04T04:30:13Z)
$μ^2$Tokenizer: Differentiable Multi-Scale Multi-Modal Tokenizer for Radiology Report Generation [9.947108972979155]
我々は,放射線学レポート生成タスクのための大規模言語モデルとして,$mu2$LLM, a $underlinetextbfmu$ltiscale $underlinetextbfmu$ltimodalを提案する。中間層である$mu2$Tokenizerは、マルチスケールのビジュアルトークンライザとテキストトークンライザのマルチモーダル機能を統合したものである。そこで我々は,5段階のLCM駆動パイプラインを導入し,定期的なCTレポートを3重対の視覚質問応答と引用リンク推論の物語に変換する。
論文参考訳（メタデータ） (2025-06-30T23:14:49Z)
RadAlign: Advancing Radiology Report Generation with Vision-Language Concept Alignment [10.67889367763112]
RadAlignは、視覚言語モデルの予測精度と大きな言語モデルの推論能力を組み合わせた、新しいフレームワークである。本フレームワークは, 幻覚の低減, 自動医用画像の進歩, 予測AIと生成AIの統合による報告分析を両立させながら, 強力な臨床解釈可能性を維持している。
論文参考訳（メタデータ） (2025-01-13T17:55:32Z)
Learning Contextualized Document Representations for Healthcare Answer Retrieval [68.02029435111193]
コンテキスト談話ベクトル(英: Contextual Discourse Vectors、CDV)は、長文からの効率的な回答検索のための分散文書表現である。本モデルでは,階層型LSTMレイヤとマルチタスクトレーニングを併用したデュアルエンコーダアーキテクチャを用いて,臨床エンティティの位置と文書の談話に沿った側面をエンコードする。我々の一般化モデルは、医療パスランキングにおいて、最先端のベースラインを著しく上回っていることを示す。
論文参考訳（メタデータ） (2020-02-03T15:47:19Z)

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。