[2026.06.15] 医療AIはどの様に評価されるべきか

現在、Nature Medicineに掲載された論文「General-purpose large language models outperform specialized clinical AI tools on medical benchmarks」をきっかけに、汎用AIと医療特化AIのどちらが医学領域でより有用なのかについて、国内外で議論が広がっています。同論文では、GPT、Gemini、Claudeといった汎用LLMが、OpenEvidenceやUpToDate Expert AIといった医療特化AIを、医学知識、医師との整合性、実臨床クエリへの回答評価において上回ったと報告されています。一方で、OpenEvidence側からは、同論文の利益相反、ベンチマーク汚染、評価指標の妥当性などについて懸念を示す声明も出されています。

この議論は突然始まったものではありません。これまでも、米国医師国家試験形式のMedQA/USMLE系ベンチマークを中心に、GPT-4を用いたMedprompt、医療特化AIの代表格であるGoogleのMed-PaLM / Med-Gemini、さらにOpenAIのo1系モデルなどが、医学領域における高い正答率を相次いで報告してきました。Medpromptでは、汎用モデルであるGPT-4に推論時の工夫を加えることで医療特化モデルを上回る結果が示され、その後、医療特化モデルMed-GeminiでもMedQAにおいて高い正答率が報告されました。さらにo1系モデルでは、医学問題に対する推論性能の向上が報告されています。

つまり、今回の議論は、OpenEvidenceやUpToDate AIに限った一時的な論争ではなく、数年前から続く大きな流れの延長線上にあります。

MedGen Japanは、こうした議論は医療AIの発展にとって重要だと考えています。ただし、私たちは「汎用AIか、医療特化AIか」という単純な二項対立ではなく、汎用AIの急速な進化を取り込みながら、それをいかに医療現場で安全かつ有用に使える形へ実装するかが本質だと考えています。

医学領域におけるAIの性能は、試験問題の正答率だけでは測れません。もちろん、医学知識を正確に扱えることは重要です。しかし、試験問題で95点か96点かを競うこと以上に、実際の医療現場で医師の判断をどのように支援できるかが重要です。

臨床現場の医師は、AIの回答をそのまま当てはめるのではありません。「なぜそう言えるのか」「目の前の患者さんに当てはまるのか」「国内のガイドラインや添付文書ではどう記載されているのか」「日本の保険適用や実臨床の運用に合うのか」といった複数の情報を統合し、最終的な判断を行います。

MedGen Japanは、2026年3月に発表した東京科学大学との共同研究においても、試験問題における正答率の評価にとどまらず、生成AIが「現場の医師の情報ニーズをどの程度実用的に支援できるのか」を、多角的な観点から評価する新たなベンチマークの構築に取り組んでいます。

それは、医療AIの真価は、単に試験問題に正しく答えられるかではなく、限られた診療時間の中で、医師が必要とする情報をどれだけ実用的に、信頼できる形で支援できるかにあると考えているためです。

では、医療AIが現場で本当に使われるためには何が必要なのでしょうか。

100%文献を参照し、根拠となる原文までたどれること。
国内ガイドラインや日本の適応・用量・保険制度に即して使えること。
個人情報への配慮や国内サーバーの利用など、医療現場に求められる情報セキュリティを確保していること。
そして、院内システムとの連携を前提に設計されていること。

こうした現場の声をどれだけ反映できるかが、医療AIの実用性を大きく左右します。

MedGen Japanは、GPTなどの汎用モデルの進化を最大限活用しながら、日本の医療現場に合わせてカスタマイズされた医療AIを提供していきます。その意味で、私たちは「汎用AI」と「医療特化AI」のどちらか一方を支持する立場ではありません。

重要なのは、AIそのものの性能を単体で比較することだけではなく、医療現場で医師が実際に使ったときに、どれだけ判断や情報収集を支援できるのかを評価することです。

今回の議論を機に、医療AIの評価が、単なるベンチマーク上の点数比較から、現場で人が使った際の実用性・安全性・信頼性の評価へと広がっていくことを期待しています。

MedGen Japanは、汎用AIの進化と医療特化の実装の双方を重視し、日本の医療現場に本当に役立つAIの開発に取り組んでまいります。ぜひ現場の皆様の声をお聞かせください。

ニヒンメディア株式会社
代表取締役　安藤孝太