不確実性に導かれる潜在診断軌跡学習による逐次臨床診断
arXiv cs.AI / 2026/4/8
💬 オピニオンSignals & Early TrendsIdeas & Deep AnalysisModels & Research
要点
- 本論文は、不確実性下での逐次臨床診断に取り組み、検査・観察などの患者エビデンスが時間とともにどのように取得されるべきかを明示的にモデル化することで、入力が完全に観測されていると仮定しない点を扱う。
- 診断のための潜在的な軌跡として、エビデンス獲得アクションの系列を扱う「潜在診断軌跡学習（LDTL）フレームワーク」を提案する。これは、計画用LLMエージェントと診断用LLMエージェントを用いる。
- より診断的な情報を提供することが期待される軌跡を優先する事後分布を導入し、不確実性を整合的に低減するために計画エージェントがその事後分布に従うよう学習する。
- MIMIC-CDMベンチマークでの実験により、逐次診断設定において診断精度が既存ベースラインより改善し、診断に必要な検査数もより少ないことを示す。
- アブレーション結果から、軌跡レベルの事後分布をモデルの出力に整合させることが、報告されている性能向上を得るために重要であることが示される。
