技術要約：複雑な臨床推論のための疎な多段階エキスパート・エージェント・ルーティング

問題提起

複雑な臨床診断は、本質的に動的かつ多段階のプロセスであり、証拠（初期症状、検査結果、画像診断、病理、フォローアップなど）は時間の経過とともに蓄積されます。臨床医は、新たなデータが得られるたびに診断仮説を継続的に修正し、進化する症例の性質に応じて異なる医学専門分野に相談することがよくあります。しかし、既存の大規模言語モデル（LLM）ベースの臨床推論システムは、通常、以下のいずれかの最適ではないモードで動作しています。

1. シングルパス予測： ケースの全記述を一度に処理するため、証拠の時系列的な進化をモデル化できない。
2. 固定されたマルチエージェント・ワークフロー： 証拠の段階に関わらず静的なエージェントセットを関与させるため、専門家の参加が静的になるか、あるいは不必要に徹底的なコンサルテーションを行うことになる。

これらのアプローチは、エキスパートの参加と臨床的証拠の漸進的な到来を結合できておらず、その結果、リソース使用の非効率性、冗長な意見、および変化する診断上の問いへの適応性の欠如を招いています。さらに、このようなシステムの出力を評価することも困難です。標準的な指標は、臨床的証拠との事実的一貫性よりも、表面的なテキストの類似性に依存していることが多いためです。

手法

著者らは、エキスパートの活性化が現在の症例の状態と利用可能な証拠に条件付けられる、段階的なルーティング・プロセスとして診断をモデル化する**「疎な多段階エキスパート・エージェント・ルーティング（Sparse Multi-Stage Expert-Agent Routing）」**フレームワークを提案しています。

1. フレームワーク・アーキテクチャ

本システムは、シーケンシャルな証拠ブロックとして整理されたマルチモーダルな臨床入力（デモグラフィックス、症状、検査、画像など）を処理します。

• 段階的な状態の進化： システムは進化する症例表現 $h^{(s)}$ を保持します。各ステージ $s$ において、新しい証拠 $x^{(s)}$ がエンコードされ、前の状態と結合されてクロスステージ表現が形成されます。
• 動的ルーティング・メカニズム： ルーティング・モジュールは、現在の状態に基づいて、候補となるエキスパート・エージェントに活性化スコアを割り当てます。
  • 内部状態の更新： ルーティング状態は、減衰係数 $\lambda$ を用いて内部ステップ $t$ にわたって更新され、活性化が静的なワンショット・ゲーティングではなく、漸進的に出現することを可能にします。
  • 適応型閾値設定： 持続的な過剰活性化を防ぐため、最近の活性化履歴 ($a^{(s)}$) に基づいて増加する適応型閾値 $\theta$ が適用されます。
  • 集団レベルの抑制： 全エージェントにおける平均活性化率 $r^{(s)}$ を制御するメカニズムです。集団の活動が目標値 $\rho$ を超えた場合、横方向の抑制項 $\eta$ が選択閾値を引き上げ、疎性を確保します。
  • バイナリ・マスキング： 連続的なスコアからバイナリ・マスク $m^{(s)}_i$ が導出され、そのステージでの推論のために呼び出される特定のエージェントを決定します。
• エキスパート・メモリ： 本フレームワークは、専門的な役割と関連する症例のコンテキストを保持するためにエキスパート固有のメモリを利用しており、これにより、後の推論が全プールを再コンサルテーションすることなく、初期の知見の上に構築することを可能にします。

2. 学習目的

モデルは、診断の質とルーティングの効率性のバランスをとる結合損失関数 $\mathcal{L}$ を用いて学習されます。

• 診断の一貫性 ($L_{final}$): 最終出力とリファレンス間の意味的一貫性を測定します。
• エネルギーコスト ($L_{energy}$): エキスパートの呼び出しコストおよび、あるステージにおけるエージェントの活性化に伴うオーバーヘッドにペナルティを課します。
• エントロピー正則化 ($L_{entropy}$): モード崩壊を避けるために、多様な活性化パターンを促進します。
• 活性化率制約 ($L_{rate}$): 疎性を維持するために、目標とする平均活性化率を強制します。

3. 評価プロトコル：ClinFEScore

表面的な類似性指標の限界に対処するため、著者らは事実を考慮した意味的評価プロトコルである ClinFEScore を導入しました。

• プロセス： LLMベースのエクストラクターが、生成された結論とリファレンスの回答の両方から、臨床的に重要な事実的記述を特定します。
• 指標： これらの事実は共有の生物医学的意味空間にエンコードされ、以下を計算します。
  • 事実の類似性 (Fact Similarity): 全体的な意味的オーバーラップ。
  • 事実の適合率 (Fact Precision): リファレンスが生成された事実をどの程度支持しているか。
  • 事実の再現率 (Fact Recall): 生成された結論がリファレンスの事実をどの程度カバーしているか。

主な貢献

1. 疎な多段階エキスパート・エージェント・ルーティング： エキスパートの活性化が固定されたワークフローではなく、証拠の進行に依存して更新される、ステージ認識型のフレームワーク。
2. ClinFEScore： 自由形式の臨床的結論を評価し、事実の一貫性と網羅性を測定する新しい評価プロトコルであり、臨床医の判断によって検証されています。
3. 実証的検証： 再構成されたデータセットおよび実際の病院症例の両方において、疎なルーティングが診断の質を維持しつつ、計算およびコンサルテーションのコストを大幅に削減することを実証しました。

実験結果

本フレームワークは、MAC および AgentClinic-NEJM から再構成された多段階症例、ならびに 200件の実世界の病院多職種チーム（MDT） 症例を用いて評価されました。

定量的パフォーマンス (MAC & AgentClinic-NEJM)

• 効率性： 疎なルーティング・フレームワークにより、活性化されたエキスパート・エージェントの平均数は 17.0（フル・マルチステージ・コンサルテーション）から 3.0 に減少し、シミュレートされたエネルギーコストも 34.2 から 7.15 に低下しました。
• 品質： エージェントの削減にもかかわらず、フレームワークは診断の質を維持または向上させました。最適な構成（Sparse + Memory）は、ClinFEScoreのサブ指標において、0.9940（類似性）、0.9792（適合率）、0.9780（再現率）を達成し、フル・コンサルテーション・モデル（0.9845, 0.9706, 0.9690）およびシングルエージェント・ベースラインを上回りました。
• アブレーション研究： フレームワークは異なるバックボーンモデル（MedGemma-4B および Hulu-Med-4B を含む）にわたって堅牢であることが証明され、この利得が特定のLLMではなく、ルーティング・アーキテクチャによって駆動されていることを示唆しています。より深いルーティング層（4層 vs 2層）は、有意な利得をもたらさず、パターンの崩壊を招きました。

実世界のMDT評価

• 臨床医との一致度： 3名の臨床医が200件の実症例について生成された結論を評価したところ、強い一致（平均ペアワイズ加重 $\kappa = 0.93$）を示しました。
• 指標の相関： ClinFEScoreは臨床医の判断と強く相関しました（Spearmanの $\rho = 0.81$; Pearsonの $r = 0.87$）。
• 精度とコスト： フレームワークは、症例あたり約 5回 のエキスパート・エージェント/LLM呼び出しで、91.5% の臨床医検証済み診断精度を達成しました。これは、MedAgents（200件中166件正解、約17回の呼び出し）および MDAgents（200件中174件正解、約7回の呼び出し）を上回る性能です。

意義と主張

本論文は、疎な段階的コーディネーションが、LLMベースの臨床推論において臨床的に関連性が高く、効率的なアプローチであることを主張しています。エキスパートの参加を証拠の進行に関連する動的な決定として扱うことで、本システムは徹底的なコンサルテーションによる計算および臨床的な非効率性を回避します。ClinFEScore の導入は、表面的なテキスト照合を超えて事実の一貫性を測定する、より厳格な臨床推論出力の評価基準を提供します。著者らは、彼らのアプローチが診断の質とリソース制約のバランスをうまくとり、エキスパートの可用性が限られている実世界の臨床意思決定支援において実行可能なモデルであることを結論付けています。