CASE、縦断的な医療証拠を自ら探すAIエージェントを訓練

現在の医療AIベンチマークの多くは、病歴や画像などの関連情報をあらかじめ選び、それをモデルに提示して回答を求める。これは与えられた証拠を解釈する力を測るには有効だが、実際の診療で重要になる「不足している情報を見つける力」は十分に評価しにくい。患者の手がかりは、異なる受診時点、臓器、MRIシーケンス、画像スライスに分散しているからだ。

CASE（Clinical Agents for Seeking Evidence）は、この隔たりを埋めようとする研究である。医療推論を一度きりの質問応答ではなく、証拠を探して比較し、そのうえで結論を組み立てる調査プロセスとして扱う。エージェントは患者ごとの環境に入り、どの時点を確認するか、どの臓器やモダリティを選ぶか、どのスライスを調べるか、専門ツールを使うかを自律的に決める。その後、ベースラインとフォローアップの観察結果を照合して回答する。

主なポイント

• 縦断・マルチモーダルの評価基盤。 UK Biobankを用い、4,739人から50,401件の臨床質問を構成した。質問は実世界のICD-10コードによる診断に基づき、臨床コンテキストと複数時点のMRIに結び付けられている。
• 役割とツールを持つエージェント。 CASEのハーネスは、コンパクトな視覚言語モデルが必要な証拠だけを選択的に集められるようにする。すべての症例を同じ操作順で処理させるのではなく、状況に応じた調査方針そのものを評価する設計だ。
• 回答の模倣から調査方針の学習へ。 14,734件のフロンティアモデルの対話軌跡で教師あり微調整を行った後、学習モデル自身の環境内インタラクションを使ってエージェント型強化学習を実施する。さらに、特権情報を使ったオンポリシー自己蒸留とルーブリックベースのLLMフィードバックで、証拠から結論に至る推論を改善する。ツールの手順を一つに固定しない点も特徴である。

論文の報告では、条件をそろえた評価において、Qwen3-VL-8Bを基盤とするCASEエージェントは、GPT-5.4に対して16%以上、Claude Opus 4.8に対して10%以上の相対的な回答精度向上を示した。重要なのは、単にあるモデルのスコアが高かったことだけではない。何を調べ、どの情報を比較し、どの証拠に基づいて結論を出したかを評価対象にした点に、研究の意義がある。

この設計は、医療エージェントの失敗を細かく分析する手がかりにもなる。追跡検査を見落とす、適切でないシーケンスを選ぶ、時間変化を比較しない、といった問題は、提示された画像を読み違える問題とは異なる。証拠探索を明示的な能力として扱えば、訓練と評価の対象をより具体化できる。一方で、今回の基盤は特定のデータソースと縦断MRI環境に依存している。別の病院、疾患、画像モダリティ、診療フローへそのまま移行できるかは今後の検証課題だ。CASEは臨床での自律運用を証明したものというより、監査可能な医療エージェントに向けた一歩と位置づけるのが適切だろう。

出典：Hugging Face Daily Papers