論文の概要: RetiJev: Fast and Source-Grounded Ophthalmic Decision Models

• arxiv url: http://arxiv.org/abs/2610.30947v1
• Date: Thu, 22 Oct 2026 08:59:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:08:44.293726
• Title: RetiJev: Fast and Source-Grounded Ophthalmic Decision Models
• Title（参考訳）: RetiJev: 高速かつソースを囲む眼科決定モデル
• Abstract要約: 自己回帰型大規模言語モデル(LLM)は、事前に定義されたアクション間の決定にかなりのレイテンシと計算オーバーヘッドをもたらす。 RetiJev-Dataは,78,158個の臨床診断と診断質問からなる眼科原点検コーパスである。 RetiJev は 0.8B-9B 決定モデルのファミリーで, 自己回帰的復号化を伴わず, 直接解を求める。
• 参考スコア（独自算出の注目度）: 49.18315352624845
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Ophthalmic clinical decision support requires fast, accurate, and privacy-preserving inference, yet autoregressive large language models (LLMs) incur substantial latency and computational overhead for decisions among predefined actions. We therefore investigate a decision-oriented alternative to generative reasoning. Specifically, we first introduce RetiJev-Data, a source-grounded ophthalmology corpus comprising 78,158 clinical-decision and diagnosis questions derived from articles in PubMed Central and a MeSH vocabulary covering 531 eye diseases, and 50,074 guideline-grading questions spanning 11 grading systems, along with a 24,662-question evaluation benchmark. Based on this, we develop RetiJev, a family of 0.8B-9B decision models that directly score candidate answers without autoregressive decoding. Across all model sizes, RetiJev outperforms both a 27B LLM and the commercial Jev 1.13 decision model on guideline grading by 10.4-23.0 points. RetiJev-9B further achieves the highest accuracy on clinical decisions, improving over both baselines by 5.4-6.5 points while matching them on diagnosis. It answers a case in 158 ms on one GPU, 3.5x faster than LLM generation and 470x faster than reasoning. Models are released at https://github.com/Awenbocc/RetiJev.
• Abstract（参考訳）: 眼科臨床決定支援には、迅速に、正確で、プライバシ保護の推論が必要であるが、事前定義されたアクション間の決定には、かなりのレイテンシと計算オーバーヘッドが生じる。 そこで我々は、生成的推論に代わる意思決定指向の代替について検討する。 具体的には、まず、571の眼疾患をカバーするPubMed CentralとMeSH語彙から得られた78,158の臨床的・診断質問と、11のグレーティングシステムにまたがる50,074のガイドライングレーディング質問と、24,662のクエスト評価ベンチマークを含む、ソースグラウンドの眼科コーパスであるRetiJev-Dataを紹介した。 そこで本研究では,自己回帰復号化を伴わずに直接解答をスコアする0.8B-9B決定モデルのファミリーであるRetiJevを開発する。 すべてのモデルサイズで、RetiJevは27B LLMと商用のJev 1.13決定モデルの両方を10.4-23.0ポイントで上回っている。 RetiJev-9Bは、診断において一致しながら、両方の基準線を5.4-6.5ポイント改善し、臨床上の決定において高い精度を達成する。 1つのGPUで158ms、LLM生成で3.5倍、推論で470倍の速さで答える。 モデルはhttps://github.com/Awenbocc/RetiJevでリリースされる。

関連論文リスト

• The Value of System 1 Models in Medicine [27.269075135861513]
  生成言語モデルは、自由テキストでゆっくりと応答し、信頼度を低く表現する。 システム1モデルは、回答がテキストで述べられたり、医学的知識からリコールされた場合、迅速に、安価に、そして使用可能な信頼を持って決定する。 1つの決定は0.34秒から0.44秒で、オープンウェイトモデルの24から81ジュールがローカルで実行された。
  論文  参考訳（メタデータ） (2026-10-22T14:08:52Z)
• How Reliable Are System-One Decisions in Medicine? A Comparative Study of Jev, Jev-like Models, and LLMs [42.764309070274784]
  Jevはその迅速で一般化可能な意思決定でかなりの注目を集めている。 本研究は15の医療データセットにまたがる様々なシステム・ワンの意思決定モデルを比較した。 Jevは、主にテキスト駆動タスクにおいて主要なモデルと競合するが、数値駆動タスクでは効果が低い。
  論文  参考訳（メタデータ） (2026-10-13T15:15:46Z)
• Toward System One Clinical Intelligence: Parameter-Efficient Fine-Tuning and Counterfactual Explainability of Decision Foundation Models [0.0]
  決定基礎モデルは、自由形式のテキスト生成のない候補クラスに直接表現をマッピングすることで代替を提供する。 我々は,Qwen3.5のバックボーン上に構築された9ビリオンパラメータ決定モデルであるClef-Flashを,Symphom2ベンチマークで24クラスの疾患分類に適用した。 4ビットの量子化低ランク適応(QLoRA)と差分学習率、960のトレーニングと240のテストケースの階層分割を用いて、95.42%のモデルは診断精度を達成し、マクロF1スコアは0.9551である。
  論文  参考訳（メタデータ） (2026-10-10T16:13:49Z)
• MedUPS: Towards Diagnostic Assistance in Uncommon Medical Cases with Large Language Models [9.0377422390685]
  MedUPSQAは、実症例報告5,535件から構築された21,874件の中間的臨床的決定点のデータセットである。 MedUPSは、患者の軌道に沿って展開する中間決定のモデルを監督する。
  論文  参考訳（メタデータ） (2026-08-02T05:27:21Z)
• Evaluating Small Open LLMs for Medical Question Answering: A Practical Framework [0.0]
  医学質問応答における大規模言語モデル(LLM)は、平均的精度以上の要求を満たす。 Redditのようなオンライン健康コミュニティは、何百万人ものユーザーにとって、医療情報の主要な情報源となっている。 本稿では,小規模かつローカルにデプロイ可能なオープンウェイトLCMを医療質問応答上で評価するための,実用的なオープンソース評価フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-12T08:56:15Z)
• EchoBench: Benchmarking Sycophancy in Medical Large Vision-Language Models [82.43729208063468]
  医療用LVLM(Large Vision-Language Models)の最近のベンチマークでは、信頼性と安全性を見越して、リーダボードの精度を強調している。 ユーザが提供した情報を非批判的に反響させる傾向のモデルについて検討する。 医療用LVLMの梅毒を系統的に評価するベンチマークであるEchoBenchを紹介する。
  論文  参考訳（メタデータ） (2025-09-24T14:09:55Z)
• ReasonMed: A 370K Multi-Agent Generated Dataset for Advancing Medical Reasoning [54.30630356786752]
  ReasonMedは、これまでで最大の医療推論データセットで、370万の高品質な例がある。 マルチエージェント生成、検証、改善プロセスを通じて構築される。 ReasonMedを用いて、簡潔な答えの要約と詳細なCoT推論を統合することで、最も堅牢な微調整結果が得られる。
  論文  参考訳（メタデータ） (2025-06-11T08:36:55Z)
• Brain Tumor Classification on MRI in Light of Molecular Markers [56.99710477905796]
  1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。 本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
  論文  参考訳（メタデータ） (2024-09-29T07:04:26Z)

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。