臨床予測モデルを強化するためのマルチモーダルエージェントの混合アーキテクチャ
カテゴリ：医療現場の業務効率化
公開日：2026年2月19日
タイトル：MoMA: a mixture-of-multimodal-agents architecture for enhancing clinical prediction modelling
雑誌名：NPJ Digit Med. 2025 Dec 09; 9(1): 46. doi: 10.1038/s41746-025-02219-4. Epub 2025 Dec 09.
概 要：
本研究では、マルチモーダル電子健康記録（EHR）データを活用し、臨床予測モデルの精度を向上させるための新しいアーキテクチャ「Mixture-of-Multimodal-Agents（MoMA）」を提案します。MoMAは、医療画像や検査結果などの非テキストモダリティを構造化されたテキスト要約に変換する専門の大規模言語モデル（LLM）エージェントを使用します。これにより、臨床ノートと統合されたマルチモーダル要約を生成し、最終的に臨床予測を行います。MoMAは、異なるモダリティの組み合わせと予測設定で評価され、プライベートデータセットを用いた3つの予測タスクで既存の手法を上回る結果を示しました。
方 法：
本研究は、マルチモーダルEHRデータを用いた臨床予測タスクに対する新しいアーキテクチャを提案するもので、特に大規模言語モデル（LLM）エージェントを活用しています。専門のLLMエージェントが非テキストモダリティをテキスト要約に変換し、別のLLMがそれを統合して最終的な予測を行います。評価はプライベートデータセットを用いて行われました。
結 果：
MoMAは、異なるモダリティの組み合わせと予測設定において評価され、3つの予測タスクで既存の手法を上回る精度を示しました。これにより、MoMAの精度と柔軟性が強調されました。
結 論：
MoMAは、マルチモーダルデータを効果的に統合し、臨床予測モデルの精度を向上させる可能性を示しました。このアーキテクチャは、さまざまな臨床予測タスクにおいて有用であると考えられます。