論文の概要: Auditable Hierarchical Inference with Multimodal Evidence and Bayesian Active Inquiry

• arxiv url: http://arxiv.org/abs/2610.38774v1
• Date: Wed, 28 Oct 2026 19:48:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-31 05:25:12.40834
• Title: Auditable Hierarchical Inference with Multimodal Evidence and Bayesian Active Inquiry
• Title（参考訳）: マルチモーダルなエビデンスとベイズ的アクティブな問い合わせによる聴覚的階層的推論
• Abstract要約: 本稿では,客観的多モーダル推論と能動調査を分離した総合評価フレームワークを提案する。 証明に富む知識コアとトレーニングのみの回答モデルは、33以上の細かい用語を絞り込むベイジアンをサポートする。
• 参考スコア（独自算出の注目度）: 2.218243067623878
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Most multimodal classifiers assume that all useful evidence is available upfront, whereas clinical inquiry is sequential. We present a synthetic evaluation framework separating objective multimodal inference from active inquiry. An objective model maps synthetic tongue, bilateral multipressure pulse, and acoustic observations to eight syndrome families. A provenance-bearing Knowledge Core and training-only answer model support Bayesian narrowing over 33 fine terms using 25 typed questions, while seven safety questions remain outside the diagnostic posterior. Weak shared symptom factors limit fine-term influence on objective phenotypes, and an objective-only probe tests leakage. In a preregistered 600-case synthetic evaluation, objective family accuracy was 87.0%. Cost-sensitive expected information gain (cost-EIG) raised family accuracy to 95.5% and exact fine-term accuracy to 42.5%, versus 92.7% and 33.0% for an unoptimized fixed-order baseline. Selective family accuracy reached 96.9% at 95.3% coverage. However, cost-EIG asked more questions on average than fixed order (9.795 versus 9.352). Missing-audio routing retained 94.0% family accuracy, and a workflow invariant enforced abstention when all objective modalities were absent. Permuting fine-term answer likelihoods reduced family accuracy to 78.7%. Five of six frozen checks passed, but the question-efficiency hypothesis failed. Comparisons are descriptive because only aggregate, not paired case-level, outputs were retained. These results establish a reproducible synthetic workflow, not clinical diagnostic or treatment validity.
• Abstract（参考訳）: ほとんどのマルチモーダル分類器は、すべての有用な証拠が事前に利用可能であり、臨床調査はシーケンシャルであると考えている。 本稿では,客観的多モーダル推論と能動調査を分離した総合評価フレームワークを提案する。 目的モデルは、合成舌、両側多圧パルス、音響観測を8つの症候群群にマッピングする。 証明可能な知識コアとトレーニングのみの回答モデルが、25の型付き質問を使用して33以上の細かい用語を絞り込むベイジアンをサポートする一方で、診断の後方には7つの安全質問が残っている。 弱共有症状因子は、客観的な表現型に微妙な影響を制限し、目的のみのプローブ試験のリークを制限した。 予め登録された600ケースの合成評価では、目的家族の精度は87.0%であった。 コストに敏感な予測情報ゲイン (Cost-EIG) は家族の正確さを95.5%に、正確な微調整精度を42.5%に、最適化されていない固定順序のベースラインでは92.7%と33.0%に引き上げた。 選択された家族の精度は95.3%で96.9%に達した。 しかし、コスト-EIGは、固定順序(9.795対9.352)の平均よりも多くの質問をした。 ミス・オーディオ・ルーティングは94.0%の家族の正確さを維持し、ワークフロー不変性は、全ての客観的なモダリティが欠如している場合に停止を強制した。 微調整によって家族の精度は78.7%に低下した。 6つの凍結チェックのうち5つはパスしたが、質問効率の仮説は失敗した。 比較は、ペア化されたケースレベルではなく集約のみを保持するため、記述的である。 これらの結果は、臨床診断や治療の妥当性ではなく、再現可能な合成ワークフローを確立する。

関連論文リスト

• Being judged through the record: A Rosenhan-inspired test of psychiatric label sensitivity in large language models [4.817429789586127]
  大きな言語モデル(LLM)の臨床的意思決定への統合は、診断バイアスに関する未解決の問題を引き起こす。 臨床的ビグネットでは, 診断履歴の因子的変化(先行診断は認めなかったが, 統合失調症の先行診断は認められなかった) , 現況確認状態(声と持続音声) が認められた。 退院を裏付ける証拠が得られたとき、統合失調症の診断を追加すると、継続入院の勧告が5倍近く増えた。
  論文  参考訳（メタデータ） (2026-10-26T12:24:24Z)
• Bayesian Test-Time Inference of Task-Aligned Similarity from Weak Interactive Feedback [50.42640957891911]
  言語モデルシステムは、類似性を比較することで、繰り返しテスト時の決定を行う。 しかし、類似性はユニークではない:語彙、意味、構造、類似性はNの選択点を取得することができる。 本稿では,現在の意思決定を統括するトレーニングフリーベイズ手法であるAxis Interactive Signalsを紹介する。
  論文  参考訳（メタデータ） (2026-10-13T16:19:49Z)
• Safe to Stop? Risk-Constrained Stopping for Sequential Clinical Diagnosis Agents [8.33858460175655]
  リスク制約付き停止層であるCrosについて述べる。状態的エラーランキング,不随伴開発分割に関するポリシー設計,選択的診断誤差の LTT スタイルの正確なテストなどである。 その有限サンプル保証は、キャリブレーションラベルにアクセスする前に、候補ファミリー、テストルール、任意のランダム化を凍結する必要がある。
  論文  参考訳（メタデータ） (2026-09-09T03:46:53Z)
• RareLens: Towards End-to-End Rare Disease Care via Aligning Divergent Large Language Model Reasoning [42.80742579670377]
  RareLensは、まれな疾患の軌跡全体にわたる臨床的意思決定を支援するシステムである。 RareBenchは、33のOrphanetカテゴリと7000以上の条件にまたがる157,525件の実際のデータセットである。 検診で0.917、診断と治療で65.5%、89.8%の成績を収めた。
  論文  参考訳（メタデータ） (2026-07-25T16:58:10Z)
• MamaBench: Benchmarking LLM Robustness in Maternal and Child Health Diagnosis through Counterfactual Clinical Perturbation [0.49454229616760287]
  大規模言語モデルは医学ベンチマークで強いスコアを得るが、これらのベンチマークはそれぞれの質問を独立して評価する。 ママベンチ(MamaBench)は、母体と小児のAIに対する最初のカウンターファクトのベンチマークである。 Evidence-Anchored RAGは,アグリゲート類似性をエビデンスカバレッジの目的に置き換える3段階検索手法である。
  論文  参考訳（メタデータ） (2026-07-15T21:56:19Z)
• CLExEval: A Human-in-the-Loop Framework for Qualitative Evaluation of LLM Clinical Reasoning [37.91882261875461]
  大規模言語モデル (LLMs) は多くの医学ベンチマークにおいて強い結果が得られたが, 臨床的理由を確実に評価することは困難である。 プログレッシブな情報マスキング下でのLCM臨床推論を評価するための人為的ループ・フレームワークであるCLExEvalを紹介した。
  論文  参考訳（メタデータ） (2026-06-30T12:56:42Z)
• Enhancing Clinician Decision-Making via Uncertainty-Aware Multi-Expert Fusion for Stroke Rehabilitation [0.32553561239735207]
  臨床的判断に取って代わるのではなく、拡張するように設計されたエンジンであるxAARAを提示する。 xAARAは、タスク、ムーブメントフェーズ、ムーブメント品質のレベルを越えて、キャリブレーションされた不確実性と説明でARATアセスメントを返します。 105回のストロークサバイバー(788回の運動)では、xAARAは94.2%のタスク精度と81.3%の移動位相精度を達成した。
  論文  参考訳（メタデータ） (2026-06-23T09:00:15Z)
• Medical thinking with multiple images [44.04557445622649]
  我々はMedThinkVQAを紹介した。MedThinkVQAは、複数の画像で考えるためのエキスパートアノテーション付きベンチマークである。 データセットは720のテストケースを含む8,067ケースを含み、1ケースあたり平均6.62イメージである。 テストセットでは、最高のクローズドソースモデルであるClaude-4.6-Opus、Gemini-3-Pro、GPT-5.2-xhighは57.2%、55.3%、54.9%の精度しか達成できなかった。
  論文  参考訳（メタデータ） (2026-04-14T18:51:07Z)
• From Black Box to Glass Box: Cross-Model ASR Disagreement to Prioto Review in Ambient AI Scribe Documentation [43.148402136307716]
  異種ASRシステム間のクロスモデル不一致は、基準のない不確実性信号として機能する。 商用APIとオープンソースエンジンにまたがる8つのASRシステムを備えた,50の公開医療用オーディオクリップを転写した。 低アグリメント領域は内容の不一致に富み、高リスク質量のクインタイル全体では53.9%から73.9%に増加した。
  論文  参考訳（メタデータ） (2026-03-02T13:02:13Z)
• PanCanBench: A Comprehensive Benchmark for Evaluating Large Language Models in Pancreatic Oncology [48.732366302949515]
  大規模言語モデル(LLM)は、標準化された検査において専門家レベルの性能を達成したが、複数の選択精度は現実の臨床的有用性や安全性を十分に反映していない。 我々は、未確認患者の質問に対して、専門家のルーブリックを作成するための、ループ内人間パイプラインを開発した。 LLM-as-a-judge フレームワークを用いて,22のプロプライエタリおよびオープンソース LLM の評価を行い,臨床完全性,事実精度,Web-search 統合について検討した。
  論文  参考訳（メタデータ） (2026-03-02T00:50:39Z)

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。