論文の概要: Agentic induction of common data elements and information extraction from sarcoma case report abstracts
- arxiv url: http://arxiv.org/abs/2611.18506v1
- Date: Fri, 13 Nov 2026 18:23:11 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-11-16 19:32:10.189657
- Title: Agentic induction of common data elements and information extraction from sarcoma case report abstracts
- Title(参考訳): 共通データ要素のエージェント的誘導と肉腫症例報告要約からの情報抽出
- Abstract要約: 共通データ要素(CDE)は臨床データをサポートする。
エージェントは24,588のPubMedから72,909の候補CDEを提案し、エージェント統合は1,570のCDEを得た。
処理は79.2%の抽象表現で保持された全てのCDEで成功し、非メンションを示す応答を含む。
- 参考スコア(独自算出の注目度): 0.0
- License:
- Abstract: Common data elements (CDEs) support clinical data comparability but are usually defined manually. We investigated whether large language model agents could derive a CDE schema from sarcoma case report abstracts and apply it at scale. An agent proposed 72,909 candidate CDEs from 24,588 PubMed abstracts; agentic consolidation yielded 1,570 CDEs. We retained 53 supported by at least 50 abstracts and attempted evidence-linked extraction across the corpus. Processing succeeded for all retained CDEs in 79.2% of abstracts, including responses indicating non-mention. Two human reviewers approved 83.0% of retained CDEs for relevance, 67.9% for clarity, and 56.6% for correctness. In 100 sampled abstracts, exact agreement with the value extracted by the LLM was 94.9% among 1,116 pairs with a non-empty answer (abstract-level bootstrap 95% CI, 93.0-96.4%). Errors concentrated in anatomical and temporal fields. These findings support agent-assisted schema drafting followed by expert curation before large-scale extraction.
- Abstract(参考訳): 共通データ要素(CDE)は臨床データの可視性をサポートするが、通常は手動で定義される。
大規模言語モデルエージェントがサルコマ症例報告の要約からCDEスキーマを導出し,大規模に適用できるかどうかを検討した。
24,588件のPubMedから72,909件の候補CDEが提案され、エージェント統合により1,570件のCDEが得られた。
我々は,少なくとも50の抽象概念で支持された53を保存し,コーパス全体にわたってエビデンスを関連づけた抽出を試みた。
処理は79.2%の抽象表現で保持された全てのCDEで成功し、非メンションを示す応答を含む。
2人の人間レビュアーは、関連性について83.0%、明確性について67.9%、正確性について56.6%を承認した。
LLMが抽出した値との正確な一致は、空でない1,116組のうち94.9%であった(抽象レベルブートストラップ95%CI、93.0-96.4%)。
エラーは解剖学的および時間的フィールドに集中していた。
これらの知見は大規模抽出に先立って, エージェント支援型スキーマ作成支援と専門家によるキュレーションを行った。
関連論文リスト
- Benchmark of THReD: Evaluating an LLM Agent and Its Preprocessing Tools for Turning Electronic Health Records into AI-Ready Datasets [0.0]
我々は、電子健康記録抽出をチャットエージェントを介してAI対応データセットに変換するシステムTHReDのベンチマークを報告する。
エージェントベンチマークには、目標レベルの要求、障害回復、アクションなし要求の呼び出し、スキーマのバリエーション、データへのインジェクションのプロンプトを含む7つのカテゴリで141のタスク(100のテンプレート)がある。
配備されたエージェントは、最初の回答で92.7%のタスクを完了し、すべてのアドバイス要求を断念し、注入されたすべての障害から回復し、植字されたテキストから要求されたアクションは提案しなかった。
論文 参考訳(メタデータ) (2026-11-02T03:58:54Z) - An Agentic AI Workflow for Liver Lesion Segmentation and Structured Radiology Reporting [0.23453441553817037]
本稿では,肝臓と病変のセグメンテーションを決定論的定量化と構造化報告で結びつけるエビデンスグラウンドのエージェントAIフレームワークを提案する。
LiTS51例では肝Diceスコア0.947, 病変感受性75.6%, 予後68.9%であった。
この研究は、トレーサビリティと臨床関連性を優先する、人間中心の医療AIへの一歩を踏み出した。
論文 参考訳(メタデータ) (2026-10-25T21:55:31Z) - Agent Error Dataset: Scaling 50,000 Error--Diagnosis Pairs for Failure Analysis and Error-Aware Post-Training [45.727227890697556]
我々は,9,961のソースタスクから50,228のエラー診断ペアからなるエージェントエラーデータセット(AED)を紹介した。
5段階のAgenic Error-to-Trainingパイプラインは自然の故障を収集し、診断と修正案を生成し、記録された証拠と照合する。
アクタートレーニングのレシピの比較において、アクションオンリーの修復トレーニングは成功オンリーのトレーニングよりもWebShop-liteの方が6.67ポイント高い。
論文 参考訳(メタデータ) (2026-09-30T16:40:22Z) - When More Evidence Hurts: Publication-Bias Drift and Principled Stopping for Biomedical Causal Search [4.438259529250528]
より深い検索は、真の効果がnullであるときに、システムに誤った利益を推測する可能性が高くなる。
我々は,この現象を顕在的ドリフトとして定式化し,標準公開バイアスモデルの下では,ヌルエフェクトクエリの偽陽性確率は,検索深度において厳密に増大する大サンプルエンベロープに近づき,その1つに近づいたことを証明した。
論文 参考訳(メタデータ) (2026-09-21T04:37:40Z) - DianShi-RxnDB: A Large-Scale, Fine-Grained Organic Reaction Data Platform Built via a Fully Automated Pipeline for Researchers and AI Agents [77.19284650368924]
大規模できめ細かい有機反応データプラットフォームであるDianShi-RxnDBについて述べる。
完全に自動化された抽出と正規化パイプラインを通じて構築される。
このプラットフォームは、検索、フィルタリング、比較、およびソース検証レコードのためのWebリサーチワークベンチを提供する。
論文 参考訳(メタデータ) (2026-09-06T16:20:43Z) - A Multi-Agent Pipeline for Source-Grounded Synthetic Note Generation from Longitudinal Structured EHR [0.0]
MedNotesは合成データ生成パイプラインで、経時的に構造化された EHR を原点となる臨床ノートに変換する。
1,485の EHRSHOT の遭遇では、MedNotes は91.4%のパスレートを達成し、実際の精度は0.980、完全性は99.1%、構造的忠実度は0.761、臨界幻覚は0.028である。
論文 参考訳(メタデータ) (2026-08-26T18:46:02Z) - Efficient Visual Pointing for Embodied AI:Agent-Driven Data Synthesis, Cross-Block Attention, and Iterative Correction [55.11480729304395]
PointArena 2026は77.2%の精度でベンチマークで2位である。
ap proachは3つの障害モードをターゲットにしている。第一に、エージェント駆動のシンセシスは大きなセマンティクスとアンカー相対的な候補プールを構築する。
次に、determinis tic steerable-dataパイプラインは、認証された10,000サンプルのメインセットと、マスク、テンプレート、パス検証を使用するリザーブサンプルを生成する。
論文 参考訳(メタデータ) (2026-06-29T06:39:03Z) - Configurable Clinical Information Extraction with Agentic RAG: What Works, What Breaks, and Why [4.527967729863067]
患者コンテキストは、何百もの異種文書と何千もの構造化されたデータポイントにまたがる。
標準的な検索拡張生成は、このデータ、時間的推論、文書間の依存関係、メタデータの欠如に失敗する。
本稿では,ACIE (Agentic Clinical Information extract) を医科大学 Essen に導入する。
メタデータのギャップを定量化し、それが形成したアーキテクチャ上の決定をトレースし、独立した振り返りリンパ腫登録研究と共に抽出を評価する。
論文 参考訳(メタデータ) (2026-06-17T21:12:35Z) - ABRA: Agent Benchmark for Radiology Applications [46.39696206872633]
エージェントがビューアとOrthanc DICOMサーバを操作する無線エージェントベンチマークであるABRAを紹介する。
ABRAには3つの困難層と8つのタイプにわたる655の655のタスクが含まれている。
各エピソードは、タスクタイプ固有の自動スコアラーによって、プランニング、実行、アウトカム(Blueth et al., 2025)に沿ってスコアされる。
論文 参考訳(メタデータ) (2026-05-11T20:34:20Z) - DispatchMAS: Fusing taxonomy and artificial intelligence agents for emergency medical services [49.70819009392778]
大規模言語モデル (LLM) とマルチエージェントシステム (MAS) は、ディスパッチを増強する機会を提供する。
本研究の目的は,現実的なシナリオをシミュレートする分類基盤型マルチエージェントシステムの開発と評価である。
論文 参考訳(メタデータ) (2025-10-24T08:01:21Z) - TotalSegmentator MRI: Robust Sequence-independent Segmentation of Multiple Anatomic Structures in MRI [59.86827659781022]
nnU-Netモデル(TotalSegmentator)をMRIおよび80原子構造で訓練した。
予測されたセグメンテーションと専門家基準セグメンテーションとの間には,ディススコアが算出され,モデル性能が評価された。
オープンソースで使いやすいモデルは、80構造の自動的で堅牢なセグメンテーションを可能にする。
論文 参考訳(メタデータ) (2024-05-29T20:15:54Z)
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。