論文の概要: MedCaseAgent: From Multimodal Clinical Evidence to Rare Disease Case Reports
- arxiv url: http://arxiv.org/abs/2610.32258v1
- Date: Fri, 23 Oct 2026 07:14:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 01:38:06.416765
- Title: MedCaseAgent: From Multimodal Clinical Evidence to Rare Disease Case Reports
- Title（参考訳）: MedCaseAgent : マルチモーダル・クリニカル・エビデンスからレア病の1例
- Abstract要約: MedCaseAgentは、未構造化臨床ノートから出版品質レポートを合成することによってギャップを埋めるエンドツーエンドのエージェント推論パラダイムである。
MedCase-150K,MedCase-Bench,MedCase-150Kについて検討した。
- 参考スコア（独自算出の注目度）: 11.674020915412683
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Although Large Language Models (LLMs) have demonstrated potential in clinical documentation, generating the rigorous, evidence-based reasoning required for unprecedented, atypical, and rare disease case reports remains a significant challenge. We present MedCaseAgent, an end-to-end agentic reasoning paradigm that bridges this gap by synthesizing publication-quality reports from unstructured clinical notes. MedCaseAgent leverages a hierarchical structure, integrating patient-level data mining with iterative, tool-integrated reasoning. By dynamically querying medical literature and knowledge bases, the agent maintains high clinical fidelity and assesses case novelty. The framework is inherently modular, supporting various backbone LLMs in a plug-and-play fashion. To facilitate this research, we release MedCase-150K, a large-scale multimodal clinical case-report corpus, and MedCase-Bench, a robust temporally held-out evaluation suite. We also introduce an open-source model post-trained from Qwen3.5-9B and optimized specifically for this task. Under both LLM-judged and rule-based evaluation, MedCaseAgent outperforms existing general-purpose and specialized medical LLMs and agents. Blinded expert reviews and ablations further support the system's clinical relevance and evidence grounding.
- Abstract（参考訳）: LLM(Large Language Models)は、臨床文書に可能性を示したが、前例のない、非典型的で稀な症例報告に必要な厳密で証拠に基づく推論を生成することは、依然として大きな課題である。
MedCaseAgentは、未構造化臨床ノートから出版品質レポートを合成することにより、このギャップを埋めるエンドツーエンドのエージェント推論パラダイムである。
MedCaseAgentは階層構造を利用し、患者レベルのデータマイニングと反復的ツール統合推論を統合する。
医療文献や知識ベースを動的にクエリすることで、高い臨床忠実度を維持し、ケースノベルティを評価する。
このフレームワークは本質的にモジュール化されており、様々なバックボーンLLMをプラグアンドプレイでサポートしている。
本研究を円滑に進めるため, 大規模多症例報告コーパスであるMedCase-150Kと, しっかりとした時間的評価スイートであるMedCase-Benchを発売した。
また、Qwen3.5-9Bからトレーニング後、このタスクに特化して最適化されたオープンソースモデルについても紹介する。
LLM-judgedとルールベースの評価の両方の下で、MedCaseAgentは既存の汎用的で専門的な医療用LLMやエージェントよりも優れています。
ブラインドされた専門家のレビューと説明は、システムの臨床的妥当性と証拠の根拠をさらに支持している。
関連論文リスト
- Concept-Grounded Reasoning with Prompt-Driven Localization for Interpretable Structured Report Generation [66.62662330558906]
CORALは、空間的接地と概念レベルの監督を統一的な推論プロセスに統合するマルチモーダルフレームワークである。
コーラルは、疾患の局所化とコンセプション・ボトルネックモジュールによる多クラス臨床属性の予測のために、プロンプト駆動型医療セグメンテーションモデルを採用している。
BUS-CoTとIU X線データセットの実験では、診断精度、概念整合性、報告品質が強力な汎用および医療MLLMよりも一貫した改善が示されている。
論文 参考訳（メタデータ） (2026-09-14T10:21:23Z) - EMR: Self-Evolving Medical Multi-Agent System via Experience Mining and Reuse [16.25658951326869]
大規模言語モデル(LLM)によるマルチエージェントシステムは、複雑な臨床推論において有望であることを示す。
経験的マイニングと再利用による自己進化型医療マルチエージェントシステムであるEMMについて紹介する。
論文 参考訳（メタデータ） (2026-09-14T07:41:56Z) - MedReaMM: Evaluating Large Multimodal Models on Expert-Level Clinical Diagnostic Synthesis [61.266743965495884]
異種臨床証拠を合成するモデルの能力を評価するためのベンチマークであるMedReaMMを紹介する。
MedReaMMは625の専門患者と、平均2.79の医療画像と、ICD-11コードで注釈付けされた1,042の標準診断を含む。
23大マルチモーダルモデル (LMM) を評価し, 診断精度が50%未満であることが確認された。
論文 参考訳（メタデータ） (2026-08-23T09:37:53Z) - MedDialogRubrics: A Comprehensive Benchmark and Evaluation Framework for Multi-turn Medical Consultations in Large Language Models [15.91764739198419]
5,200件の患者と6万件以上のきめ細粒度評価ルーブリックからなる新規なベンチマークであるMedDialogRubricsについて紹介する。
本フレームワークでは,実世界の電子的健康記録にアクセスすることなく,現実的な患者記録と主訴を合成するマルチエージェントシステムを採用している。
論文 参考訳（メタデータ） (2026-01-06T13:56:33Z) - MAM: Modular Multi-Agent Framework for Multi-Modal Medical Diagnosis via Role-Specialized Collaboration [57.98393950821579]
マルチモーダル医療診断のためのモジュール型マルチエージェントフレームワーク(MAM)について紹介する。
我々の経験的発見に触発されて、MAMは医療診断プロセスを、一般実践者、スペシャリストチーム、放射線科医、医療助手、ディレクターの専門的な役割に分解する。
このモジュール的で協調的なフレームワークは、効率的な知識更新を可能にし、既存の医療用LLMと知識ベースを活用する。
論文 参考訳（メタデータ） (2025-06-24T17:52:43Z) - TAMA: A Human-AI Collaborative Thematic Analysis Framework Using Multi-Agent LLMs for Clinical Interviews [54.35097932763878]
Thematic Analysis (TA) は、構造化されていないテキストデータの潜在意味を明らかにするために広く使われている定性的手法である。
本稿では,多エージェントLEMを用いた人間とAIの協調的テーマ分析フレームワークTAMAを提案する。
TAMA は既存の LLM 支援TA アプローチよりも優れており,高い主題的ヒット率,カバレッジ,独特性を実現している。
論文 参考訳（メタデータ） (2025-03-26T15:58:16Z) - MedAgent-Pro: Towards Evidence-based Multi-modal Medical Diagnosis via Reasoning Agentic Workflow [14.478357882578234]
現代医学では、臨床診断は主にテキストおよび視覚データの包括的分析に依存している。
大規模視覚言語モデル(VLM)およびエージェントベース手法の最近の進歩は、医学的診断に大きな可能性を秘めている。
現代医学における診断原理に従う新しいエージェント推論パラダイムであるMedAgent-Proを提案する。
論文 参考訳（メタデータ） (2025-03-21T14:04:18Z) - Medchain: Bridging the Gap Between LLM Agents and Clinical Practice with Interactive Sequence [68.05876437208505]
臨床ワークフローの5つの重要な段階をカバーする12,163の臨床症例のデータセットであるMedChainを提示する。
フィードバック機構とMCase-RAGモジュールを統合したAIシステムであるMedChain-Agentも提案する。
論文 参考訳（メタデータ） (2024-12-02T15:25:02Z) - A Spectrum Evaluation Benchmark for Medical Multi-Modal Large Language Models [57.88111980149541]
Asclepiusは、Med-MLLMの異なる医学的特長と診断能力で評価する、新しいMed-MLLMベンチマークである。
3つの基本原則に基づいて、アスクレピウスは15の医療専門分野を包括的に評価する。
また、6つのMed-MLLMの詳細な分析を行い、3人の専門家と比較した。
論文 参考訳（メタデータ） (2024-02-17T08:04:23Z)
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。