論文の概要: Beyond Federated Learning: Decentralized Agentic Systems for Self-Evolving Clinical Intelligence

• arxiv url: http://arxiv.org/abs/2610.35453v1
• Date: Mon, 26 Oct 2026 13:50:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:14.016568
• Title: Beyond Federated Learning: Decentralized Agentic Systems for Self-Evolving Clinical Intelligence
• Title（参考訳）: フェデレーション学習を超えて: 自己進化型臨床知能のための分散エージェントシステム
• Abstract要約: データアグリゲーションから医療AIのエクスペリエンスアグリゲーションへの移行を議論する。 本稿では,分散AIエージェントが総合臨床知能を合成するフレームワークである分散エージェントシステム(DAS)を提案する。 アーキテクチャの原則、デプロイメントの考慮、ガバナンスの要件、そしてこのフレームワークの重要なオープンな課題について検討する。
• 参考スコア（独自算出の注目度）: 26.299123587171554
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Clinical expertise is inherently distributed: it resides not in any single dataset or institution but in the accumulated reasoning experiences of thousands of clinicians navigating diverse patient populations, resource constraints, and evolving treatment protocols. Yet current approaches to scaling medical AI, from centralized large language models to federated learning, remain anchored to a data-centric paradigm that treats knowledge as static parameters to be aggregated. In this Perspective, we argue for a fundamental shift from data aggregation to experience aggregation. We propose Decentralized Agentic Systems (DAS), a framework in which distributed AI agents operating across healthcare institutions synthesize collective clinical intelligence by sharing abstracted reasoning trajectories rather than raw data or model parameters. Unlike federated learning, which averages numerical gradients across homogeneous model architectures, DAS exchanges structured records of clinical reasoning, specifically the sequence of observations, hypotheses, tool invocations, and outcome feedback that constitute diagnostic experience. We examine the architectural principles, deployment considerations, governance requirements, and critical open challenges of this framework, laying the groundwork for a collaborative medical AI ecosystem where distributed expertise autonomously adapts to the complexities of longitudinal patient care.
• Abstract（参考訳）: 臨床の専門知識は本質的に分散しており、単一のデータセットや機関に留まらず、多様な患者集団、リソースの制約、進化する治療プロトコルをナビゲートする何千もの臨床医の蓄積した推論経験に存在している。 しかし、集中型ビッグデータモデルからフェデレーション学習まで、現在の医療AIのスケールアップアプローチは、知識を集約する静的パラメータとして扱う、データ中心のパラダイムに固執している。 この観点では、データアグリゲーションからエクスペリエンスアグリゲーションへの根本的なシフトを議論する。 本稿では,医療機関にまたがる分散AIエージェントが,生データやモデルパラメータではなく,抽象的推論軌跡を共有することによって,総合的臨床知能を合成するフレームワークである分散エージェントシステム(DAS)を提案する。 同種モデルアーキテクチャにおける数値勾配を平均化するフェデレーションラーニングとは異なり、DASは臨床推論の構造化された記録、特に観察、仮説、ツール呼び出し、診断経験を構成する結果フィードバックを交換する。 我々は、このフレームワークのアーキテクチャ原則、デプロイメントの考慮、ガバナンスの要件、および重要なオープンな課題について検討し、分散された専門知識が慢性的な患者ケアの複雑さに自律的に適応する、協調的な医療AIエコシステムの基礎を築いた。

関連論文リスト

• Physics-Informed Multi-Agent Coordination for Hospital Patient Flow Optimization [2.552758627508997]
  本フレームワークは,分散型マルチエージェント強化学習アーキテクチャにおいて,BCMPキュートポロジを物理プリエントとして経験的に校正した。 本手法により、自律的な部門エージェントが患者のルーティングと動的サービスのスケーリングを協調的に交渉できる。
  論文  参考訳（メタデータ） (2026-09-29T08:38:20Z)
• FedEHR-Agents: Federated Agentic Optimization for Automated EHR Modeling [8.850916488677612]
  FedEHR-Agentsは、自動EHRモデリングのための経験中心のフェデレーションエージェント最適化フレームワークである。 実世界のマルチホスピタル EHR ベンチマークの実験は、FedEHR-Agents が様々な臨床予測タスクにおいて、局所的および連合的ベースラインを一貫して上回っていることを示している。
  論文  参考訳（メタデータ） (2026-08-28T03:02:10Z)
• PatTree: a novel approach for automated creation of multimodal, graph-based patient representations for medical classification tasks [0.13999481573773073]
  PatTreeは、実際の臨床データから得られるグラフベースの患者の表現である。 本稿では,PatTreeによる患者の分類が,最先端の分類性能に到達できることを実証する。
  論文  参考訳（メタデータ） (2026-08-03T09:44:35Z)
• Dementia Etiology Diagnosis via Collaborative Meta Knowledge Enhancement [81.27196033392559]
  認知症発症診断のための協調的メタ知識向上(COME)フレームワークを提案する。 COMEは、マルチセンタ取得セマンティクス、ソース識別子、モダリティインジケータを異種性を認識した埋め込みとして、スケールアップトレーニングのためにTransformerアーキテクチャに注入する。 本手法は,平均マクロ平均AUCが85.62%,最強ベースラインが4.29ポイント向上し,最先端のドメイン性能を実現する。
  論文  参考訳（メタデータ） (2026-07-24T04:26:47Z)
• A Federated and Parameter-Efficient Framework for Large Language Model Training in Medicine [59.78991974851707]
  大規模言語モデル(LLM)は、質問応答や診断など、医療ベンチマークにおいて強力なパフォーマンスを示している。 ほとんどの医療用LDMは、異種システムの一般化性と安全性の制限に直面している単一の機関のデータに基づいて訓練されている。 本稿では, LLMを医療応用に適用するためのモデルに依存しない, パラメータ効率のよいフェデレーション学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-29T18:48:21Z)
• Integrating Genomics into Multimodal EHR Foundation Models [56.31910745104141]
  本稿では,ポリジェニックリスクスコア(PRS)を基本データモダリティとして統合した,革新的なEHR基盤モデルを提案する。 このフレームワークは、臨床データと遺伝子前置詞の複雑な関係を学習することを目的としている。 このアプローチは、病気の予測、積極的な健康管理、リスク階層化、パーソナライズされた治療戦略に対する新たな洞察を解放するために重要である。
  論文  参考訳（メタデータ） (2025-10-24T15:56:40Z)
• Ensemble Deep Learning and LLM-Assisted Reporting for Automated Skin Lesion Diagnosis [2.9307254086347427]
  皮膚科診断のためのAI統合を再定義する統合フレームワークを導入する。 第一に、アーキテクチャ的に多様である畳み込みニューラルネットワークの目的的にヘテロジニアスなアンサンブルは、相補的な診断の視点を提供する。 第2に、診断ワークフローに直接大きな言語モデル機能を組み込んで、分類出力を臨床的に意味のある評価に変換する。
  論文  参考訳（メタデータ） (2025-10-05T08:07:33Z)
• RAD: Towards Trustworthy Retrieval-Augmented Multi-modal Clinical Diagnosis [56.373297358647655]
  Retrieval-Augmented Diagnosis (RAD)は、下流タスクで直接マルチモーダルモデルに外部知識を注入する新しいフレームワークである。 RADは、複数の医療ソースからの疾患中心の知識の検索と改善、ガイドライン強化コントラスト損失トランスフォーマー、デュアルデコーダの3つの主要なメカニズムで機能する。
  論文  参考訳（メタデータ） (2025-09-24T10:36:14Z)
• Towards Next-Generation Medical Agent: How o1 is Reshaping Decision-Making in Medical Scenarios [46.729092855387165]
  本稿では,医療用AIエージェントのバックボーンLSMの選択について検討する。 我々の研究結果は、o1の診断精度と一貫性を高める能力を示し、よりスマートでより応答性の高いAIツールへの道を開いた。
  論文  参考訳（メタデータ） (2024-11-16T18:19:53Z)
• Decentralized Distributed Learning with Privacy-Preserving Data Synthesis [9.276097219140073]
  医療分野では、患者と臨床データの均一性を生かして、多施設共同研究がより一般化可能な発見をもたらすことがしばしばある。 最近のプライバシー規制は、データの共有を妨げ、その結果、診断と予後をサポートする機械学習ベースのソリューションを考案する。 ローカルノードの機能を統合する分散分散手法を提案し、プライバシを維持しながら複数のデータセットをまたいで一般化可能なモデルを提供する。
  論文  参考訳（メタデータ） (2022-06-20T23:49:38Z)

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。