Fugu-MT 論文翻訳(概要): Fu-TCM: a multimodal large language model that learns traditional Chinese medicine diagnostic reasoning

論文の概要: Fu-TCM: a multimodal large language model that learns traditional Chinese medicine diagnostic reasoning

arxiv url: http://arxiv.org/abs/2610.38333v1
Date: Wed, 28 Oct 2026 06:33:04 GMT
ステータス: 翻訳完了
システム内更新日: 2026-11-03 18:12:01.04898
Title: Fu-TCM: a multimodal large language model that learns traditional Chinese medicine diagnostic reasoning
Title（参考訳）: 漢方医学診断推論を学習する多モーダル大言語モデルFu-TCM
Abstract要約: 本稿では,7,12百万件のサンプルを除去・フィルタリングし,保存したデータに基づいて訓練したマルチモーダルTCM LLMであるFu-TCMについて述べる。 Fu-TCMは、TCM推論、テキスト、ビジョンにまたがる6つのベンチマークを全てリードし、マクロ平均精度は81.01%に達した。ケースレベル分析では, 中間フィールド精度と最終シンドローム選択精度との間に正の相関が認められた。
参考スコア（独自算出の注目度）: 26.267866028089284
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Large language models (LLMs) are advancing in multimodal understanding and reasoning, accelerating medical model development. Traditional Chinese medicine (TCM) uses evidence from the four examinations to determine disease location and nature, differentiate syndromes and guide treatment. This diagnostic process constitutes a complete chain of reasoning. We present Fu-TCM, a multimodal TCM LLM trained on data retained after cleaning and filtering an initial collection of approximately 7.12 million examples derived from classical texts, textbooks, medical images, clinical cases and publicly available datasets. The model was further optimized using Bianzheng-Grounded Policy Optimization (BGPO), which explicitly targets syndrome differentiation through rewards for response format, intermediate TCM reasoning fields and final syndrome predictions. Fu-TCM-27B led all six benchmarks spanning TCM reasoning, text and vision, achieving a macro-average accuracy of 81.01% and surpassing the strongest reference model with complete results across all six benchmarks by 7.13 percentage points. Its largest margin was 11.90 points on Fu-bianzheng. Case-level analyses further showed a positive association between intermediate-field accuracy and final syndrome-selection accuracy in most evaluated models. These findings suggest that TCM syndrome differentiation may be computationally learnable and that structured reasoning supervision can improve performance across TCM tasks.
Abstract（参考訳）: 大規模言語モデル (LLM) はマルチモーダルな理解と推論が進み、医療モデルの開発が加速している。伝統的な中国医学(TCM)は、病気の位置と性質を判断し、症候群を区別し、ガイド治療を行うために、4つの検査から証拠を用いている。この診断過程は推論の完全な連鎖を構成する。本稿では,古典テキスト,教科書,医用画像,臨床症例,公開データセットから得られた約7,12百万件のサンプルを,クリーニングおよびフィルタリング後に保持したデータに基づいて訓練したマルチモーダルTCM LLMであるFu-TCMについて紹介する。このモデルはBGPO(Bianzheng-Grounded Policy Optimization)を用いてさらに最適化され、応答形式、中間TCM推論フィールド、最終シンドローム予測に対する報酬を通じて、シンドロームの分化を明示的に目標とした。 Fu-TCM-27Bは、TCM推論、テキスト、ビジョンにまたがる6つのベンチマークを全てリードし、マクロ平均精度は81.01%に達し、6つのベンチマーク全体で7.13ポイントの完全な結果で最強の基準モデルを上回った。最大のマージンはフベンゼンの11.90ポイントである。また, ケースレベルの分析では, 中間フィールド精度と最終シンドローム選択精度との間に正の相関が認められた。以上の結果から,TCM 症候群の識別は計算学的に学習可能であり,構造化推論指導はTCM タスク全体の性能を向上させることが示唆された。

関連論文リスト

Cerebra: A Multidisciplinary AI Board for Multimodal Dementia Characterization and Risk Assessment [56.62016795093786]
CerebraはインタラクティブなマルチエージェントAIチームで、ERH、臨床ノート、医療画像分析のための特殊エージェントをコーディネートする。構造化された表現を操作することで、プライバシ保護デプロイメントをサポートし、モダリティが不完全であれば、堅牢である。 Cerebraは、有識者のパフォーマンスを著しく改善し、前向き認知症リスク推定において精度を17.5ポイント向上させた。
論文参考訳（メタデータ） (2026-03-23T05:46:45Z)
TCM-DiffRAG: Personalized Syndrome Differentiation Reasoning Method for Traditional Chinese Medicine based on Knowledge Graph and Chain of Thought [9.263031362046098]
検索型拡張生成(RAG)技術は、大規模言語モデル(LLM)に、微調整なしでより正確で専門的でタイムリーな応答を生成することができる。本研究の目的は,TCM推論の特性に合わせて改良されたRAGフレームワークを開発することである。我々は知識グラフ(KG)と思考の連鎖(CoT)を統合する革新的なRAGフレームワークであるTCM-DiffRAGを開発した。
論文参考訳（メタデータ） (2026-02-26T10:11:15Z)
MedAD-R1: Eliciting Consistent Reasoning in Interpretible Medical Anomaly Detection via Consistency-Reinforced Policy Optimization [46.65200216642429]
我々はMedADの最初の大規模マルチモーダル・マルチセンタベンチマークであるMedAD-38Kを紹介し、構造化された視覚質問応答(VQA)ペアとともに、CoT(Chain-of-Thought)アノテーションを特徴付ける。提案するモデルであるMedAD-R1は、MedAD-38Kベンチマーク上での最先端(SOTA)性能を実現し、強いベースラインを10%以上上回った。
論文参考訳（メタデータ） (2026-02-01T07:56:10Z)
TCM-5CEval: Extended Deep Evaluation Benchmark for LLM's Comprehensive Clinical Research Competence in Traditional Chinese Medicine [11.944521938566231]
大規模言語モデル(LLM)は、一般的なドメインにおいて例外的な能力を示してきたが、伝統的な中国医学(TCM)のような高度に専門的で文化的に豊かな分野に適用するには厳密な評価が必要である。 TCM-5CEvalは、(1)コア知識(TCM-seek)、(2)古典リテラシー(TCM-LitQA)、(3)臨床意思決定(TCM-MRCD)、(4)中国マテリアメディカ(TCM-CMM)、(5)臨床非薬物療法(TCM-ClinNPT)の5つの重要な側面にわたるLCMを評価するように設計されている。
論文参考訳（メタデータ） (2025-11-17T09:15:41Z)
ShizhenGPT: Towards Multimodal LLMs for Traditional Chinese Medicine [53.91744478760689]
我々は、中国伝統医学(TCM)に適した最初の多モーダル言語モデルであるシージエンGPTを提示する。シッシェンGPTは、深いTCM知識とマルチモーダル推論を達成するために、事前訓練され、訓練されている。実験によると、ShizhenGPTはLLMよりも優れており、より大きなプロプライエタリモデルと競合する。
論文参考訳（メタデータ） (2025-08-20T13:30:20Z)
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)
BianCang: A Traditional Chinese Medicine Large Language Model [33.738284400742124]
そこで本研究では,まずドメイン固有知識を注入し,まず目標刺激によって調整し,診断と識別能力を向上させる,TCM固有の大規模言語モデルであるBianCangを提案する。実際の病院記録に基づく事前学習コーパス,ChP-TCMデータセット,および中華人民共和国の薬局類由来のChP-TCMデータセットを構築した。我々は,TCMと医用コーパスを総合的に収集し,TCMの理解を深めるための包括的データセットを構築した。
論文参考訳（メタデータ） (2024-11-17T10:17:01Z)
TCM-GPT: Efficient Pre-training of Large Language Models for Domain Adaptation in Traditional Chinese Medicine [11.537289359051975]
ドメイン固有コーパスを用いた効率的な事前学習を行うTCMDA(TCM Domain Adaptation)アプローチを提案する。具体的には、まず、ドメインキーワードを識別し、一般コーパスから再帰することで、TCM固有の大規模コーパスTCM-Corpus-1Bを構築する。そこで,本TCMDAでは,事前学習および微調整のために,事前学習したモデルの重量を凍結するLoRAを活用し,ランク分解行列を用いて特定の密度層を効率的に訓練する。
論文参考訳（メタデータ） (2023-11-03T08:54:50Z)

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。