論文の概要: Latent Decision Flow Rewards for Clinical Guideline Reasoning

• arxiv url: http://arxiv.org/abs/2610.38709v1
• Date: Wed, 28 Oct 2026 19:06:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-31 05:25:12.403822
• Title: Latent Decision Flow Rewards for Clinical Guideline Reasoning
• Title（参考訳）: 臨床ガイドライン推論のための潜時決定フローリワード
• Abstract要約: 本稿では,意思決定フローコントローラと推論ポリシを協調的に最適化するGUIDERを紹介する。 MedGUIDEでは、Qwen3-14BのGUIDERは82.5の重み付け精度と73.5のガイドラインアテンデンス、3.3および3.1のポイントを最強の臨床強化学習ベースラインより上回っている。 Qwen3-14B と Gemma4-12B のバックボーンにより、GUIDER は CRPO, MRPO, FaithMed を AMEGA-LLM, RealMedQA, CancerGUIDE のベンチマークで改善した。
• 参考スコア（独自算出の注目度）: 20.723515952396145
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Clinical practice guidelines encode evidence-based recommendations as conditional decision flows, which makes them a natural source of process supervision for training reasoning models. Two properties of clinical reasoning make this supervision difficult to use. A decision flow consistent with a guideline does not by itself determine the correct answer for a given patient, which we call the path--answer gap, and several valid decision flows can support the same clinical decision, which we call path multiplicity. Current training approaches address parts of this problem. Answer rewards supervise the final decision, and process rewards computed against a reference flow supervise one valid decision flow per case. Supervised fine-tuning on annotated flows teaches guideline-consistent reasoning but constrains the model to one trajectory per case and can reduce answer accuracy. We introduce GUIDER, a method that jointly optimizes a decision flow controller and a reasoning policy. The controller learns to generate plausible decision flows from guideline-derived supervision, and the policy learns to generate a decision flow and a final answer for each patient case. GUIDER computes the process reward for the policy over several controller-generated flows, which accounts for path multiplicity, and gates this reward on answer correctness, which addresses the path--answer gap. Joint training allows the process supervision to evolve with the policy. On MedGUIDE, GUIDER with Qwen3-14B achieves 82.5 weighted accuracy and 73.5 guideline adherence, 3.3 and 3.1 points above the strongest clinical reinforcement learning baseline. With Qwen3-14B and Gemma4-12B backbones, GUIDER also improves over CRPO, MRPO, and FaithMed on the out-of-domain benchmarks AMEGA-LLM, RealMedQA, and CancerGUIDE.
• Abstract（参考訳）: 臨床実践ガイドラインは、条件付き意思決定フローとしてエビデンスベースの勧告を符号化する。 臨床理由付けの2つの性質は、この監督を困難にしている。 ガイドラインと整合した意思決定フローは,経路答えギャップと呼ばれる患者に対して正しい回答をそれ自体が決定するわけではなく,複数の有効な意思決定フローは,パス多重性(path multiplicity)と呼ばれる同じ臨床決定を支持できる。 現在のトレーニングアプローチでは、この問題の一部に対処している。 アンサー報酬は最終決定を監督し、参照フローに対して計算されたプロセス報酬はケース毎に1つの有効な決定フローを監督する。 注記フローの教師付き微調整は、ガイドラインに一貫性のある推論を教えるが、1ケースにつき1つの軌跡にモデルを拘束し、解答精度を低下させることができる。 本稿では,意思決定フローコントローラと推論ポリシを協調的に最適化するGUIDERを紹介する。 コントローラは、ガイドライン由来の監督から妥当な意思決定フローを生成することを学習し、ポリシーは、各患者に対して決定フローと最終回答を生成することを学習する。 GUIDERは、複数のコントローラ生成フローに対するポリシーに対するプロセス報酬を計算し、パス乗法を考慮し、応答の正しさにこの報酬をゲートする。 共同トレーニングは、プロセスの監督がポリシーで進化することを可能にする。 MedGUIDEでは、Qwen3-14BのGUIDERは82.5の重み付け精度と73.5のガイドラインアテンデンス、3.3および3.1のポイントを最強の臨床強化学習ベースラインより上回っている。 Qwen3-14B と Gemma4-12B のバックボーンにより、GUIDER は CRPO, MRPO, FaithMed を AMEGA-LLM, RealMedQA, CancerGUIDE のベンチマークで改善した。

関連論文リスト

• Radiology Guideline-derived Decision Graph for Efficient Clinical Decision Support [3.4812471456195433]
  本稿では,事例評価からガイドラインコンパイルを分離するフレームワークであるGDGraphについて述べる。 コンパイル中、大きな言語モデルはガイドラインをセクションベースのチャンクに分割し、リンクされた定義で局所的な決定サブグラフを抽出し、関連するブランチを実行可能な決定グラフに集約する。 GDGraph は System One の精度を 57.3% から 90.8% に改善し、検索強化 GPT-4o とグラフ誘導 GPT-4o を上回った。
  論文  参考訳（メタデータ） (2026-10-29T15:56:27Z)
• More Reasoning Is Not Always Better: Executing Clinical Guidelines with LLMs and Rules [8.698180442345947]
  大規模言語モデル (LLM) は臨床決定支援において大きな可能性を示している。 本稿では、構造化患者の状態と決定論的ルール実行を統合したMedDEx(MedDEx)の枠組みを提案する。
  論文  参考訳（メタデータ） (2026-10-11T20:48:40Z)
• VeriFine: Scaling Verification for Self-Improvement in Embodied Reasoning [80.69185348729495]
  我々は,政策の共進化,訓練カリキュラム,審査を通じて検証をスケールする枠組みを導入する。 ポリシー改善ループは、繰り返し発生する障害を診断し、適応的なカリキュラムを構築し、ポリシーを最適化するためにルーリックな判断を使用する。 運転およびロボットナビゲーションタスクの実験は、ポリシーと判断能力の両方において継続的な自己改善を示す。
  論文  参考訳（メタデータ） (2026-10-06T17:50:29Z)
• Benchmarking Clinical Decision Pathway Adherence in Large Language Models [111.31765633748081]
  MEGA-CDPは、医療用LCMがガイドラインに準拠したCDPを生成できるかどうかを評価するためのベンチマークである。 英語と中国語の2,274の診療ガイドラインから、ガイドライン・ツー・ケース・パイプラインを通じて構築されている。 シングルターンのウィグネットとマルチターンのインタラクティブ設定の両方をサポートし、CDP指向の評価フレームワークを導入している。
  論文  参考訳（メタデータ） (2026-08-27T04:17:12Z)
• Case2Flow: Bridging Patient Cases and Guideline Flowcharts through Multimodal Retrieval [65.99409194536337]
  Case2Flowは、患者に対して最も関連性の高いガイドラインフローチャートを取得するために設計されたタスクである。 FlowAtlasは、2,080の医療ガイドラインから抽出された202のフローチャートのキュレートコーパスである。 CRISPは、非形式的パッチを抑えることで遅延相互作用検索を鋭くする訓練不要スコアリング手法である。
  論文  参考訳（メタデータ） (2026-08-26T21:27:22Z)
• MedGuideX: Internalizing Decision Logic from Executable Guidelines into Large Language Models for Clinical Reasoning [24.304759042225697]
  臨床実践ガイドライン(CPGs)は、臨床医が患者変数、条件基準、レコメンデーションルールを評価することによって適用するエビデンスに基づく意思決定ロジックを符号化する。 我々は、CPG勧告を実行可能な臨床判断ロジックに変換するガイドライン由来のトレーニングパイプラインを導入する。 4つの臨床推論ベンチマークで、MedGuideXは平均精度が10.28%向上した。
  論文  参考訳（メタデータ） (2026-05-26T05:36:05Z)
• DecisionFlow: Advancing Large Language Model as Principled Decision Maker [49.088778182807395]
  DecisionFlowは、モデルにアクション、属性、制約の構造化された表現を推論するように誘導する、新しい決定モデリングフレームワークである。 プロンプトから直接回答を予測するのではなく、DecisionFlowは意味論的に根拠のある決定空間を構築し、潜在ユーティリティ関数を推論する。 実験の結果,DecisionFlowの精度は,強いプロンプトベースラインよりも最大30%向上した。
  論文  参考訳（メタデータ） (2025-05-27T16:23:53Z)
• Unifying Perplexing Behaviors in Modified BP Attributions through Alignment Perspective [61.5509267439999]
  GBP, RectGrad, LRP, DTD などの手法の統一理論フレームワークを提案する。 活性化ニューロンの重みを結合して入力アライメントを実現することを実証した。 このアライメントにより、可視化品質が向上し、重量ランダム化に対する感度が低下する。
  論文  参考訳（メタデータ） (2025-03-14T07:58:26Z)
• Rationale-Aware Answer Verification by Pairwise Self-Evaluation [11.763229353978321]
  信頼性のある検証器の訓練には,最終回答の正しさに加えて,有理数の有効性の確保が必要であることを示す。 本結果から, 信頼性検証には, 正解の正確性に加えて, 有理数の有効性の確保が必要であることが示唆された。
  論文  参考訳（メタデータ） (2024-10-07T08:53:00Z)
• Inverse Online Learning: Understanding Non-Stationary and Reactionary Policies [79.60322329952453]
  エージェントが意思決定を行う方法の解釈可能な表現を開発する方法を示す。 一連の軌跡に基づく意思決定プロセスを理解することにより,このオンライン学習問題に対して,政策推論問題を逆問題とみなした。 本稿では、エージェントがそれらを更新するプロセスと並行して、その影響を遡及的に推定する実用的なアルゴリズムを提案する。 UNOSの臓器提供受諾決定の分析に応用することで、我々のアプローチは意思決定プロセスを管理する要因や時間とともにどのように変化するかに、貴重な洞察をもたらすことができることを実証する。
  論文  参考訳（メタデータ） (2022-03-14T17:40:42Z)

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。