6月19日、Tianrun Chenらの研究チームが「Clinical large language model centered on electronic medical records」と題した論文をNature系列の査読付き誌であるnpj Digital Medicineに公開した。電子カルテ（EMR）データと医師の実臨床知識を組み合わせて訓練した臨床特化型LLM「AI4Doctor」の開発と評価について詳しく報告している。
なぜ既存の医療AIでは不十分なのか
ChatGPTをはじめとする汎用LLMは、医療に関する質問にも一定の回答ができる。しかし、実際の診療現場で求められる「複合的な症状からの鑑別診断」「リスク閾値の判断」「経験則に基づく見落としの回避」といった高度な統合的思考は、汎用LLMには再現しにくい。
この課題に対しては、Med-PaLM 2やHuatuoGPTなど、医療特化型LLMの研究が国際的に活発化している。これらは医療QAデータセットや教科書テキストによるファインチューニングを主軸とするが、実際の診療記録（EMR）を直接活用する設計には踏み込めていないケースが多い。本研究が解決しようとした問題はまさにここにある。
AI4Doctorの設計：EMRと医師の経験を同時に取り込む
AI4Doctorの核心は、2つの知識源を組み合わせたファインチューニングにある。
- 電子カルテ（EMR）から抽出した蒸留データ：実際の診療記録から得られる膨大な症例パターン
- 現役医師の実臨床知見：スーパーバイズドファインチューニング段階で医師が直接提供する経験的インサイト
なお、AI4Doctorのベースモデルについては元論文に詳細が記載されており、既存の大規模言語モデルをベースにドメイン特化のファインチューニングを施す構成をとっている。
異なる情報源を混在させてファインチューニングする際の課題として、学習の整合性が崩れやすいという問題がある。これを解消するため、本研究ではカリキュラム学習（Curriculum Learning）を採用している。カリキュラム学習とは、Bengioらが2009年に提唱した人間の学習プロセスに倣い、簡単なサンプルから段階的に難しいサンプルを学習させる手法で、医療のような複雑なドメインでのファインチューニングに有効とされている。単純に全データを混合して学習させるのではなく、難易度順に段階的に知識を積み上げることで、EMRデータと医師知見という性質の異なる情報源を矛盾なくモデルへ統合することを目指している。
強化学習による「医師らしさ」の報酬設計
本研究のもう一つの特徴が、独自の強化学習ベースの報酬システムだ。
モデルの出力が以下の3要素とどれだけ一致しているかに基づいてスコアを付与する：
- 診断プライア（Diagnostic Priors）：医師が経験的に持つ事前確率的な判断。たとえば「この年齢・性別・症状の組み合わせなら、まずこの疾患を疑う」といった臨床的直観に相当する
- リスク閾値（Risk Thresholds）：「この数値・所見を超えたら危険と判断する」という定量的・定性的な判断基準
- ヒューリスティック顕著性（Heuristic Saliencies）：教科書には明示されにくい、実臨床で経験的に重要視されるシグナルや見落としやすいパターン
これら3要素はEMRデータと医師の知見の両方から抽出されており、LLMの出力を「医師が実際に重視する観点」に近づけるための報酬として機能する。汎用LLMが陥りがちな「正確だが臨床的に的外れな回答」を抑制する狙いがある。
評価：専門家による主観評価を導入
ベンチマーク評価においても工夫がある。自動指標だけでなく、専門家が職業的視点から応答を批判的に評価する主観評価システムを導入している。医療AIの評価では、正解ラベルの有無だけでは測れない「臨床的妥当性」が重要になるため、この設計は現実的な評価軸として意義がある。
また、比較評価を含む新たなベンチマークも本研究で新設されており、今後の医療LLM研究の評価基盤としての役割も担う。
研究の意義と限界
本研究はNature系列の査読付き誌（npj Digital Medicine）に掲載されており、再現性・信頼性の観点では一定の基準を満たしている。EMRという実臨床データを直接活用する設計は、学術的な医療QAデータセットのみで訓練するアプローチに比べて、より実運用に近いモデルを目指した取り組みといえる。
一方、いくつかの限界も存在する。まず、EMRデータはプライバシーの観点から扱いが難しく、データの公開や第三者による再現検証には制約が伴う。加えて、特定の医療機関・地域のEMRを主なデータ源とする場合、その機関特有の診療慣行や患者属性に過学習するリスクがある。診療プロセスや使用される医薬品・検査項目は国・地域・診療体系によって大きく異なるため、日本を含む他地域への汎化性能については慎重な検証が必要だ。さらに、英語以外の言語への対応や多言語環境での性能についても、今後の追試で明らかにされるべき課題として残る。
詳細はClinical large language model centered on electronic medical recordsを参照していただきたい。
