Beyond Correlation: Towards Causal Large Language Model Agents in Biomedicine

要約

大規模な言語モデル（LLMS）は生物医学で有望ですが、相関に依存している真の因果的理解を欠いています。
このペーパーでは、マルチモーダルデータ（テキスト、画像、ゲノミクスなど）を統合し、介入ベースの推論を実行して因果関係を推測する因果関係のLLMエージェントを想定しています。
これに対処するには、主要な課題を克服する必要があります。安全で制御可能なエージェントフレームワークの設計。
因果評価のための厳密なベンチマークの開発。
不均一なデータソースの統合。
LLMを構造化された知識（KG）と正式な因果推論ツールと相乗的に組み合わせます。
このようなエージェントは、自動化された仮説の生成とシミュレーションを介した生物の発見を加速し、患者固有の因果モデルを通じて個別化医療を可能にするなど、変革的な機会のロックを解除できます。
この研究アジェンダは、学際的な努力を促進し、因果概念を埋めること、および生物医学の進歩のための信頼できるAIパートナーを開発するための基礎モデルを埋めることを目的としています。

要約(オリジナル)

Large Language Models (LLMs) show promise in biomedicine but lack true causal understanding, relying instead on correlations. This paper envisions causal LLM agents that integrate multimodal data (text, images, genomics, etc.) and perform intervention-based reasoning to infer cause-and-effect. Addressing this requires overcoming key challenges: designing safe, controllable agentic frameworks; developing rigorous benchmarks for causal evaluation; integrating heterogeneous data sources; and synergistically combining LLMs with structured knowledge (KGs) and formal causal inference tools. Such agents could unlock transformative opportunities, including accelerating drug discovery through automated hypothesis generation and simulation, enabling personalized medicine through patient-specific causal models. This research agenda aims to foster interdisciplinary efforts, bridging causal concepts and foundation models to develop reliable AI partners for biomedical progress.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google