DAIH（COLM 2026）にコスト考慮型LLM診断に関する新論文が採択

Adaptive Bayesian Active Querying with LLMs for Efficient Information Gatheringが、Conference on Language Modeling (COLM) 2026のワークショップである DAIH: Deploying AI in Healthcareに採択されました。

この論文は、私たちの疾患進行モデリングの研究と隣接する問いを扱っています。 事後的にバイオマーカーの軌跡を再構成するのではなく、システムは次に何を尋ねるべきかを どのように決定すればよいのでしょうか。LLMはもっともらしい診断質問を生成し、各回答の起こりやすさを 推測することはできますが、自身では較正された信念を追跡できません。私たちはLLMと ベイズ的意思決定層を組み合わせ、各候補質問（または費用のかかる検査）を単位コストあたりの 期待情報利得によってスコアリングします。これにより、費用のかかる検査を指示する前に、安価な 症状に関する質問で仮説空間を絞り込むことができます。実際の救急外来の症例では、 このシステムは最良の非適応的ベースラインと比較して31%低いコストで86.6%の診断精度を 達成しました。

このプロジェクトは、Gaudiy Inc.のOgnjen Malkoc （オグニェン・マルコッチ、愛称「Ogi」）氏とShubham Saha（シュバム・サハ）氏が主導し、JPCCA および千葉工業大学のMizuki Oka（ミズキ・オカ）氏、 ウィスコンシン大学マディソン校のHongtao Hao（ホンタオ・ハオ）氏、Grisha Szep（グリシャ・シェプ）氏、そして本研究室のJoseph Austerweil （ジョセフ・オースターワイル）が加わりました。本研究についても、疾患進行モデリングと 同様にJPCCAにご支援いただいたことに感謝申し上げます。

コードとデータはGitHubで公開されています。