臨床ニーズとAI能力の整合：医療推論におけるLLMに関する調査
本サーベイは、医療推論のための大規模言語モデル（LLM）の最近の進歩を概観し、臨床実践（Millerのピラミッドに基づく5レベル能力スキーム）と計算論的推論パターン（演繹・帰納・アブダクション）を結びつける二重視点フレームワークを提案する。5レベルにわたるベンチマークデータセットを導入し、18モデルを評価した結果、医療特化モデルは診断タスクに優れ、汎用モデルは意思決定支援と対話でリードすることが示された。データ制限、幻覚、グラウンディングなどの課題が議論されている。
大規模言語モデル（LLM）は医療分野で急速に応用が進み、臨床推論と患者ケアへの活用が期待されています。このたび、『Machine Intelligence Research』に掲載されたQi Pengら13名によるサーベイ論文は、医療推論におけるLLMの最近の進歩を包括的にレビューし、臨床実践と計算手法を橋渡しする二重視点のフレームワークを提案しています。
臨床面では、医学教育で広く用いられるMillerのピラミッドに基づき、5段階の能力スキームを定義しています。第1段階は知識想起、第2段階は認識と解釈、第3段階は臨床推論、第4段階は診断決定、第5段階は動的症例管理です。各段階は、診断トリアージ、治療計画、鑑別診断などの具体的な臨床タスクに対応します。計算面では、演繹、帰納、アブダクションの3つの推論パターンを医療目標に結び付け、LLMの評価を可能にしています。
論文では、5段階の医療推論能力をカバーするベンチマークデータセットを新たに導入し、18の最先端モデルを評価しました。その結果、医療特化モデル（医学領域にファインチューニングされたLLM）は診断中心のタスクで優れた性能を示す一方、汎用モデルは意思決定支援や対話においてリードすることが明らかになりました。この知見は、医療現場でのモデル選択に重要な示唆を与えるものです。
現在の進展と同時に、データの限界、幻覚問題、実臨床への接地（グラウンディング）といった課題も指摘されています。訓練データの規模や多様性が限られているため、まれな疾患や特殊な状況での性能が不十分である可能性があります。また、LLMが事実と異なる情報を生成する幻覚は、臨床応用において深刻なリスクとなります。さらに、モデル出力を実際の臨床ワークフローに適合させる接地問題も未解決です。著者らは、今後より安全で信頼性が高く、ワークフローに統合可能なシステムの開発を目指すべきと提言しています。
本サーベイは、医療AI分野におけるLLMの現状と将来の方向性を包括的に示しており、研究者、臨床医、AI開発者にとって貴重なリソースです。ベンチマークデータセットと評価結果は公開されており、オープンな研究を促進しています。