医療現場の事務作業を革新？東大など開発の特化型AI、商用レベルの性能達成

📰 元ネタの内容

さくらインターネットや東京大学ら10者が、医療業務支援向けの高性能な日本語大規模言語モデル(LLM)を開発。患者情報を国内で安全に管理しながら、商用AIに迫る性能を実現したニュースです。

5月28日に発表されたこのLLMは、NEDO(新エネルギー・産業技術総合開発機構)の推進事業として開発されました。開発にあたって、公開されているオープンなLLMをベースモデルとし、日本の診療ガイドラインや専門医試験問題、臨床事例といった医療分野のデータを追加学習させています。

東京大学開発の「Weblab-MedLLM-GLM-4.7」が優れた性能を示し、外部文書を参照しながら回答するRAG(検索拡張生成)を用いた専門医試験を模した学術試験において、最大90.8%の正答率を達成。これは比較対象とした主要な商用LLMの正答率(91.4%)に迫る水準です。

従来の一般的なAIサービスは患者情報が国外のサーバーや外部事業者で管理される構造となっており、医療機関側が患者情報の所在や取り扱いを十分に把握・管理するのが困難でした。また医療機関ごとの用語やコード体系が異なり、データの相互運用性が確保されていないことや、医療現場でのLLM活用のための安全性基準が未整備といった課題がありました。

今回開発されたLLMは、医療機関のオンプレミス環境や国内クラウド環境など、患者情報を安全に管理できる環境で運用可能なのが特徴。学習データに含まれる患者情報がLLMに記憶されるリスクを定量的に評価する手法を確立し、患者情報の自動検出やマスキング機能の実装、5万件超の対話型安全性ベンチマークの策定、攻撃耐性評価試験なども実施しています。

実際のユースケース検証では、検査名称のJLAC11コード変換、症例データの自動整理、退院時サマリーの下書き作成などにおいて高い精度と品質を確認。これらはいずれも医療従事者の事務作業や文書作成を補助する目的で、疾病の診断や治療そのものを行なうものではありません。今後は安全性や信頼性の確保を最優先に、関係機関と連携しながら段階的に社会実装を進める予定です。

💭 アイちゃんの見解

このニュースの本質と新規性

このプロジェクトの本質は、「医療という規制が厳しい業界で、患者情報を国内に留めながら商用レベルのAIを実現する」という、これまで実現困難だった課題への挑戦です。新規性は、単なる汎用LLMの医療応用ではなく、医療特化の追加学習と、患者情報保護を前提とした設計にあります。

従来のChatGPTやClaudeといった汎用AIを医療現場で使う場合、患者の個人情報が海外のサーバーに送信される懸念から、実運用が難しい状況がありました。今回のモデルは、診療ガイドラインや専門医試験といった医療知識を学習させることで、汎用AIに劣らない性能を達成しながら、オンプレミスやクラウドなど国内環境での運用を可能にした点が革新的です。90.8%の正答率が91.4%に迫るというのは、技術的には「ほぼ同等」と言える水準で、これは医療現場での実装を現実的にします。

また、患者情報がLLMに記憶されるリスクを定量的に評価し、5万件超の安全性ベンチマークを策定した点も注目です。これは単なる「安全そう」ではなく、「どの程度安全か数値で示す」という医療業界の要求を満たす取り組みで、実装への信頼構築に重要です。

既存技術・既存サービスとの比較

既存のアプローチとしては、①汎用LLMを医療現場で工夫して使う、②医療特化の小規模モデルを開発する、という2つがありました。今回のモデルは、これらのいいところ取りをしたハイブリッド型です。

汎用LLMの医療応用は、ChatGPTなどを医療従事者が試験的に使用する事例が増えていますが、患者情報の外部送信リスク、ハルシネーション(AIが不正確な情報を生成する現象)、医療コンプライアンスの不確実性といった課題がありました。一方、医療特化の小規模モデルは、安全性は高いものの性能が限定的で、複雑な医療判断には対応しきれませんでした。

Weblab-MedLLM-GLM-4.7は、公開オープンLLMをベースに医療データで再学習させることで、汎用性と特化性のバランスを取りながら、商用レベルの性能を実現しています。また、RAG(検索拡張生成)という技術を活用し、学習データだけでなく外部の診療ガイドラインなどを参照して回答することで、より正確で最新の医療知識に基づいた支援が可能になっています。これは既存の医療AI製品では実装が難しかった実用的なアプローチです。

読者の生活・仕事への影響

直接的には医療従事者、特に医師や看護師、医療事務スタッフの業務効率化に大きな影響を与えます。具体例として、退院時サマリーの下書き作成という業務が挙げられています。これは医師が手書きしたり、テンプレートに手作業で入力する作業が多いのですが、AIが患者の診療記録から自動で下書きを生成すれば、医師は内容確認と修正だけで済みます。

また、検査名称のJLAC11コード変換という業務も、医療事務の現場では頻繁に発生します。検査結果を電子カルテに登録する際、検査名を統一コードに変換する作業は単純ですが時間がかかります。このような定型業務がAIで自動化されれば、医療スタッフはより患者ケアに時間を割けるようになります。

患者側にとっても間接的なメリットがあります。医療従事者の事務作業が減れば、診療の質向上に時間が割かれる可能性があります。また、患者情報が国内で管理されることは、プライバシー保護の観点からも安心感につながるでしょう。ただし、このAIは診断や治療を行なうものではなく、あくまで事務補助ツールなので、医療の質向上は間接的です。

業界全体への示唆と今後の展開

このニュースは、規制産業におけるAI導入の「ロードマップ」を示す重要な事例になると感じます。医療業界は個人情報保護が最優先で、単なる性能では導入されません。今回のプロジェクトが「安全性評価の方法」「ベンチマークの策定」「攻撃耐性評価」といった、導入判断のための枠組みを作ったことは、金融、法律、公務といった他の規制産業でも参考になるでしょう。

今後1-3ヶ月の予想としては、医療機関での試験運用が段階的に始まると見込まれます。記事では「段階的に社会実装を進める」と明記されており、いきなり全国展開ではなく、パイロット医療機関での検証を経て、フィードバックを反映させるプロセスが想定されています。1年後には、複数の医療機関での実運用事例が公開され、導入効果(事務作業削減時間、コスト削減額など)が数値化されると予想します。

業界全体への示唆としては、「国産・特化型LLM開発の加速」が考えられます。汎用LLMで海外企業(OpenAI、Anthropic、Google)が優位にある中、医療など特定分野では国内企業や大学による特化型モデル開発が競争力を持つことが示されました。これにより、他の産業でも同様のアプローチが進む可能性があります。また、NEDOのような公的資金による産学連携モデルも、この領域では有効であることが実証されたといえるでしょう。

関連ツール

• ConoHa VPS — 個人開発に最適な国産VPS、月額¥296〜
• ConoHa AI Canvas — ブラウザで使えるAI画像生成サービス