論文の概要: A Multi-Agent Framework for Automated Machine Learning with Evidence-based Planning for Medical Image Analysis

• arxiv url: http://arxiv.org/abs/2610.28410v1
• Date: Tue, 20 Oct 2026 15:49:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.894922
• Title: A Multi-Agent Framework for Automated Machine Learning with Evidence-based Planning for Medical Image Analysis
• Title（参考訳）: 医用画像解析のためのエビデンスベース計画を用いた機械学習のためのマルチエージェントフレームワーク
• Abstract要約: ディープラーニングは、オープンソースのムーブメントによって駆動される医療画像分析のデフォルトツールになっている。 汎用的なアプローチは、医療アーキテクチャや前処理に欠けており、医療に焦点を当てたアプローチはエンジニアリングの専門知識を必要としている。 MedicalML OmniはマルチエージェントのAutoMLフレームワークで、自然言語インタフェースを通じて多様な医療タスクのためのモデルトレーニングを自動化する。
• 参考スコア（独自算出の注目度）: 9.529907786822115
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning has become the default tool for medical image analysis, driven by the open-source movement. However, achieving the best performance on a given task remains difficult, with architecture selection and hyperparameter optimization (HPO) still considered "more of an art than a science". Automated machine learning (AutoML) automates parts of model training, yet helps little in medical imaging: general-purpose approaches lack medical architectures and preprocessing, and medical-focused ones demand engineering expertise and remain confined to narrow tasks such as 3D segmentation. We introduce MedicalMLOmni, a multi-agent AutoML framework that automates model training for diverse single- and multi-modal medical tasks through a natural language interface. Specifically, MedicalMLOmni performs evidence-based planning by retrieving published results to guide model selection and configuration, and employs parallel HPO where multiple agents explore adjustment strategies concurrently. MedicalMLOmni achieves the best score on 19 of 20 benchmarks; PMC-VQA is the exception, where a vision-language model with broader pre-training leads. Backbone-matched controls attribute the gains to the framework, not the backbone. By removing coding requirements, MedicalMLOmni lowers the barrier for domain experts with rich datasets but limited engineering expertise.
• Abstract（参考訳）: ディープラーニングは、オープンソースのムーブメントによって駆動される医療画像分析のデフォルトツールになっている。 しかしながら、与えられたタスクで最高のパフォーマンスを達成することは依然として困難であり、アーキテクチャの選択とハイパーパラメータ最適化(HPO)は依然として「科学よりも芸術である」とみなしている。 汎用的なアプローチでは、医療アーキテクチャや前処理が欠如しており、医療に焦点を当てたアプローチでは、エンジニアリングの専門知識を必要とし、3Dセグメンテーションのような狭いタスクに限定されている。 MedicalMLOmniはマルチエージェントのAutoMLフレームワークで、自然言語インタフェースを通じて、多様な単一およびマルチモーダル医療タスクのためのモデルトレーニングを自動化する。 具体的には、MericalMLOmniは、モデルの選択と構成をガイドするために公開結果を検索することでエビデンスベースの計画を行い、複数のエージェントが同時に調整戦略を探索する並列HPOを採用している。 MedicalMLOmniは20ベンチマーク中19ベンチマークで最高のスコアを獲得し、PMC-VQAは例外である。 Backbone-matchedコントロールは、バックボーンではなく、フレームワークの利得を特性とする。 MedicalMLOmniは、コーディング要件を取り除くことによって、豊富なデータセットを持つドメインエキスパートの障壁を低くするが、エンジニアリングの専門知識は限られる。

関連論文リスト

• Towards Autonomous and Auditable Medical Imaging Model Development [53.326510777116766]
  本稿では,医療画像モデル開発のための自律型マルチエージェントフレームワークAMIDを紹介する。 AMIDが最初に提案するData-Conditioned Method Planningは、タスクレベルの粗い検索空間を、実行可能で並列化可能なメソッドレーンに洗練する。 次に検証誘導二段階最適化(Verification-Guided Two-Stage Optimization)を開発し、様々な手法レーンの広範な早期探索から、有望な候補の選択的利用へと移行した。
  論文  参考訳（メタデータ） (2026-07-12T00:54:06Z)
• CellDX AI Autopilot: Agent-Guided Training and Deployment of Pathology Classifiers [0.6445605125467574]
  現在、計算病理学のためのAIモデルをトレーニングするには、高価な全画像データセットにアクセスする必要がある。 CellDX AI Autopilotは、ユーザがスライダー画像の分類器を訓練し、評価し、デプロイできるプラットフォームです。
  論文  参考訳（メタデータ） (2026-05-11T11:08:10Z)
• Agentic Large Language Models for Training-Free Neuro-Radiological Image Analysis [19.715805184063168]
  Agentic AIは新しいソリューションを提供し、本質的な3D処理を必要としない。 自動脳MRI解析のための無トレーニングエージェントパイプラインを提案する。 この結果から,エージェントAIは,訓練や微調整を必要とせず,ツール使用による高次神経・放射線画像解析の課題を解決できることが示唆された。
  論文  参考訳（メタデータ） (2026-04-17T22:04:16Z)
• MedSAM-Agent: Empowering Interactive Medical Image Segmentation with Multi-turn Agentic Reinforcement Learning [53.37068897861388]
  MedSAM-Agentは、対話的なセグメンテーションを多段階の自律的な意思決定プロセスとして再構築するフレームワークである。 マルチターン・エンド・ツー・エンドの成果検証を統合した2段階のトレーニングパイプラインを開発した。 6つの医療モダリティと21のデータセットにわたる実験は、MedSAM-Agentが最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2026-02-03T09:47:49Z)
• ReX-MLE: The Autonomous Agent Benchmark for Medical Imaging Challenges [5.886200278450183]
  ReX-MLE(ReX-MLE)は、ハイインパクトな医用イメージングコンペティションから導かれる20の課題のベンチマークである。 以前のベンチマークとは異なり、ReX-MLEは完全なエンドツーエンドを評価し、エージェントはデータ前処理、モデルトレーニング、サブミッションを独立して管理する必要がある。 ほとんどの応募は、人間専門家と比較して0パーセントのランクでランク付けされます。
  論文  参考訳（メタデータ） (2025-12-19T17:44:40Z)
• Advancing AI Research Assistants with Expert-Involved Learning [84.30323604785646]
  大規模言語モデル (LLM) と大規模マルチモーダルモデル (LMM) は、生物医学的な発見を促進することを約束するが、その信頼性は未定である。 ARIEL(AI Research Assistant for Expert-in-the-Loop Learning)は,オープンソースの評価・最適化フレームワークである。 LMMは詳細な視覚的推論に苦しむのに対し、最先端のモデルでは流動性はあるが不完全な要約を生成する。
  論文  参考訳（メタデータ） (2025-05-03T14:21:48Z)
• M^3Builder: A Multi-Agent System for Automated Machine Learning in Medical Imaging [54.40890979694209]
  医療画像における機械学習(ML)の自動化を目的とした,新しいマルチエージェントシステムであるM3Builderを提案する。 M3Builderは、複雑なマルチステップ医療MLに取り組むために、4つの専門エージェントを雇用している。 既存のMLエージェント設計と比較して、M3Builderは医療画像におけるMLタスクの完了に優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2025-02-27T17:29:46Z)
• Automated Ensemble Multimodal Machine Learning for Healthcare [52.500923923797835]
  本稿では,自動機械学習を用いた構造化臨床(タブラル)データと医用画像の統合を実現するマルチモーダルフレームワークAutoPrognosis-Mを紹介する。 AutoPrognosis-Mには、畳み込みニューラルネットワークとビジョントランスフォーマーを含む17のイメージングモデルと、3つの異なるマルチモーダル融合戦略が含まれている。
  論文  参考訳（メタデータ） (2024-07-25T17:46:38Z)
• Med-MoE: Mixture of Domain-Specific Experts for Lightweight Medical Vision-Language Models [17.643421997037514]
  差別的, 生成的両マルチモーダル医療課題に対処する新しい枠組みを提案する。 Med-MoEの学習は、マルチモーダル医療アライメント、命令チューニングとルーティング、ドメイン固有のMoEチューニングの3つのステップで構成されている。 我々のモデルは最先端のベースラインに匹敵する性能を達成できる。
  論文  参考訳（メタデータ） (2024-04-16T02:35:17Z)
• Towards Medical Artificial General Intelligence via Knowledge-Enhanced Multimodal Pretraining [121.89793208683625]
  医療人工知能(MAGI)は、1つの基礎モデルで異なる医療課題を解くことができる。 我々は、Micical-knedge-enhanced mulTimOdal pretRaining (motoR)と呼ばれる新しいパラダイムを提案する。
  論文  参考訳（メタデータ） (2023-04-26T01:26:19Z)

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。