論文の概要: ERIA: An Instruction-Optimized Agent for Clinical EEG Reporting

• arxiv url: http://arxiv.org/abs/2611.01394v1
• Date: Sun, 01 Nov 2026 00:58:55 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:19:14.688513
• Title: ERIA: An Instruction-Optimized Agent for Clinical EEG Reporting
• Title（参考訳）: ERIA : 臨床脳波レポート作成のための指導最適化エージェント
• Abstract要約: ERIA(EEG Reporting and Instruction-d Agent)は,単一の27B言語モデルコントローラが全脳波を解析する,ローカルにデプロイ可能なフレームワークである。 ERIAは学習した背景異常、睡眠覚醒状態、発作様活動、および間質てんかん性放電のためのツールを、決定論的スペクトル、振幅、対称性、モンタージュ、信号品質分析と組み合わせている。
• 参考スコア（独自算出の注目度）: 1.4353812560047186
• License:
• Abstract: Clinical EEG interpretation requires integrating technical quality, background and behavioral states, interictal and ictal abnormalities, and overall clinical context across long recordings. We introduce ERIA (EEG Reporting and Instruction-Optimized Agent), a locally deployable framework in which a single 27B language-model controller analyzes whole-recording EEGs by orchestrating specialized parametric and signal-processing tools. ERIA combines learned tools for background abnormality, sleep-wake state, seizure-like activity, and interictal epileptiform discharges with deterministic spectral, amplitude, symmetry, montage, and signal-quality analyses. Rather than fine-tuning the controller or using multi-agent orchestration, ERIA keeps the controller weights, specialist tools, and safety constraints fixed and optimizes only its natural-language analysis policy with GEPA (Genetic-Pareto), using feedback from expert-written EEG reports. GEPA improves physician-aligned whole-recording report quality over the raw policy, and the optimized policy transfers to external EEG benchmarks. On CerebraGloss-Bench and BrainBench Foundational Analysis, ERIA remains competitive with the models evaluated in the original benchmarks. These results show that specialist tools and language-level policy optimization can extend the clinical and general EEG capabilities of a single locally executable model while preserving local inference and traceable tool use.
• Abstract（参考訳）: 臨床脳波の解釈には、技術的品質、背景および行動状態、腸間膜および腸間膜異常、および長期記録全体にわたる総合的な臨床状況の統合が必要である。 ERIA(EEG Reporting and Instruction-Optimized Agent)は,1つの27B言語モデルコントローラが,特殊なパラメトリックおよび信号処理ツールを編成することにより,全脳波の分析を行う,ローカルにデプロイ可能なフレームワークである。 ERIAは学習した背景異常、睡眠覚醒状態、発作様活動、および間質てんかん性放電のためのツールを、決定論的スペクトル、振幅、対称性、モンタージュ、信号品質分析と組み合わせている。 コントローラの微調整やマルチエージェントオーケストレーションを使用する代わりに、ERIAは、専門家が書いたEEGレポートからのフィードバックを使用して、GEPA(Genetic-Pareto)による自然言語分析ポリシのみを最適化し、コントローラの重み、専門ツール、安全制約を固定し、最適化する。 GEPAは、生のポリシーよりも医師が一致した報告の質を改善し、最適化されたポリシーを外部のEEGベンチマークに転送する。 CerebraGloss-BenchとBrainBenchの基礎分析では、ERIAはオリジナルのベンチマークで評価されたモデルと競合し続けている。 これらの結果から,局所的推論とトレーサブルツールの使用を保ちながら,単一の局所実行可能モデルの臨床および一般の脳波機能を拡張することが可能であることが示唆された。

関連論文リスト

• EEG-HealthLLM: Hierarchical Adaptation of Large Language Models for Unified Heterogeneous EEG Health Assessment [111.84148837000926]
  既存のEEGモデルは通常、個々のタスクのために開発される。 EEG-HealthLLMは異種脳波の健康評価のための統合されたフレームワークである。 EEG-HealthLLMは平均平衡精度(BAC)が69.58%に達する。
  論文  参考訳（メタデータ） (2026-11-01T07:01:30Z)
• Towards Modality-Agnostic Seizure Classification: A Unified Deep Learning Framework for Heterogeneous EEG and Intracranial EEG Signals [3.583785022153935]
  異種脳波記録とiEEG記録を統合したマルチモーダル発作分類の新しい枠組みを提案する。 データセットにおける極端にクラス不均衡な問題に対処するために、条件付き生成適応ネットワーク(cGAN)に基づくデータ拡張手法を用いる。 実験により,ロバストな発作分類のためのフレームワークの有効性が示された。
  論文  参考訳（メタデータ） (2026-10-12T11:18:18Z)
• Best Practices in EEG Analysis: Preprocessing, Modeling, and Machine Learning [1.2969376289420482]
  脳波(EEG)分析は、前処理、統計モデリング、機械学習において慎重に選択する必要がある。 脳波信号は、人工物、体積伝導、低信号対雑音比、かなりの物体間変動に非常に敏感である。 この章は、現代の脳波分析の実践的で方法論的なガイドを提供する。
  論文  参考訳（メタデータ） (2026-09-29T03:26:17Z)
• BioMed-Agent-RL: A Meta Learning, All You Need for Biomedical Applications [6.965381807066163]
  本稿では、適応的なオーケストレーション、ポリシー、報酬に基づく強化学習(RL)モデルを組み込んだ統合医療エージェントであるBioMed-Agent-RLについて紹介する。 このフレームワークは、独立した臨床推論のために、事実、信頼性、堅牢、専門家のようなインテリジェントエージェントシステムを構築するための新しい標準を提案する。
  論文  参考訳（メタデータ） (2026-08-22T09:16:54Z)
• Unlocking Biological Workflows for Robust Protein-Text Question Answering: A Dual-Dimensional RAG Framework [60.82334952881798]
  タンパク-テキスト質問回答(QA)は、自然言語による生物学的配列の解釈に不可欠である。 2D-ProteinRAGは,大規模言語モデル(LLM)を金本位生物研究ワークフロー内で動作させる新しいフレームワークである。 本研究では,2D-Proteinが常に最先端の性能を達成し,微調整ベースラインや他のRAG法よりも優れた性能を発揮することを示す。
  論文  参考訳（メタデータ） (2026-05-17T05:03:24Z)
• Towards a Virtual Neuroscientist: Autonomous Neuroimaging Analysis via Multi-Agent Collaboration [53.772014300855375]
  我々は,自律型エンドツーエンド神経画像解析のためのマルチエージェントシステムであるNIAgentを紹介する。 従来のフラットなツール呼び出しエージェントとは異なり、NIAgentはコード中心の実行パラダイムを採用している。 本稿では,コホートレベルの検定とエージェント視覚検査を組み合わせた,自律的品質管理のための階層的検証フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-10T06:30:19Z)
• EEGAgent: A Unified Framework for Automated EEG Analysis Using Large Language Models [21.01911300951173]
  EEGAgentは、大規模な言語モデル(LLM)を活用して、複数のツールをスケジュールし、計画し、EEG関連のタスクを自動的に完了させる汎用フレームワークである。 EEGAgentは、EEG基本的な情報認識、EEG探索、EEGイベント検出、ユーザとのインタラクション、EEGレポート生成といった重要な機能を実行することができる。 これらの機能はパブリックデータセットで評価され、私たちのEEGAgentは柔軟で解釈可能なEEG分析をサポートできます。
  論文  参考訳（メタデータ） (2025-11-13T04:27:06Z)
• Geodesic Optimization for Predictive Shift Adaptation on EEG data [53.58711912565724]
  ドメイン適応メソッドは、$X$と$y$で分散シフトが同時に発生したときに苦労する。 本稿では,GOPSA(Geodesic Optimization for Predictive Shift Adaptation)と呼ばれる新しい手法を提案する。 GOPSAは、脳波のバイオメディカル応用のための混合効果モデリングと機械学習を併用する可能性を持っている。
  論文  参考訳（メタデータ） (2024-07-04T12:15:42Z)
• ChatRadio-Valuer: A Chat Large Language Model for Generalizable Radiology Report Generation Based on Multi-institution and Multi-system Data [115.0747462486285]
  ChatRadio-Valuerは、一般化可能な表現を学習する自動放射線学レポート生成のための調整されたモデルである。 本研究で利用した臨床データセットは,textbf332,673の顕著な総計を含む。 ChatRadio-Valuerは、最先端のモデル、特にChatGPT(GPT-3.5-Turbo)やGPT-4などより一貫して優れている。
  論文  参考訳（メタデータ） (2023-10-08T17:23:17Z)

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。