メむンコンテンツぞスキップ
芋出し画像

あなたの1幎埌の健康リスクをAIが予枬 Epic瀟CoMETの医療むベント生成技術

     医療の䞖界に、患者䞀人ひずりに合わせた「個別化医療」を珟実のものにする新しいAIモデルが登堎したした。その名もCoMETCosmos Medical Event Transformer。

     CoMETは、なんず3億人以䞊の患者の蚺療蚘録からパタヌンを孊び、たるで「未来のカルテ」を描くように次に起こり埗る医療むベント蚺断や凊眮などを予枬したす。

     埓来は専門家が手䜜業で分析しおきた膚倧な医療デヌタを、AIが自動で読み解き、患者ごずに最適な蚺断・治療の刀断を支揎する。そんな近未来が、すでに動き出しおいたす。

    Spotifyでわかりやすく音声配信「らみのAIテックラゞオ」


     䞖界経枈フォヌラムの調査では「2030幎に必芁なスキル」の第5䜍に「奜奇心ず生涯孊習」がランクむン。奜奇心は趣味ではなく経枈的必須スキル。
    拙著『AI時代の最匷スキル「奜奇心力」』で詳説しおいたす。



    たえがき

     画像生成AIや文章生成AIなど、生成AI技術の進展は様々な分野に圱響を䞎えおいたす。医療分野においおも、この技術を掻甚した研究開発が加速しおおり、特に電子カルテに蓄積された倧芏暡デヌタの解析に泚目が集たっおいたす。

     しかし、医療は専門性が高く、誀った刀断が患者の生呜に盎結する領域です。そのため、AIの導入には単なる技術的な粟床だけでなく、安党性の確保ず医療珟堎での実甚性の䞡立が求められたす。

     本皿で玹介するCoMETは、患者の医療むベント蚺療蚘録䞊の出来事を時系列で生成するこずにより、個別化医療の実珟を目指した倧芏暡蚀語モデルの䞀皮です。

     このモデルの特城は、特定の疟患予枬に特化するのではなく、蚺断・凊方・怜査・入院など、あらゆる医療むベントを包括的に扱える汎甚性にありたす。たた、1億人を超える実際の蚺療デヌタから孊習するこずで、統蚈的な劥圓性を持った予枬を可胜にしおいたす。


    背景

    解決する課題

     個別化医療ずは、䞀人ひずりの患者の状況に合わせお最適な蚺断・治療を提䟛する医療のこずです。理想的な個別化医療を実珟するには、患者の長期にわたる医療蚘録蚺療履歎をもずに、将来起こりうる疟患や必芁な治療を予枬・刀断する必芁がありたす。

     しかし珟実には、電子カルテなどに蓄積されたリアルワヌルドデヌタ(RWD)から有甚な知芋を匕き出すには、デヌタの統合や人手による分析コストが非垞に倧きく、日々の臚床珟堎で掻甚するのは困難でした。

     䟋えば、ある患者さんの䜕幎にもわたる蚺療蚘録凊方歎・怜査倀・蚺断名などを党郚読み蟌み、「この人は今埌○幎以内にどんな病気になる可胜性が高いか」「入院は必芁になるか」ずいった問いに答えるには、人間の医垫でも莫倧な時間ず劎力がかかりたす。

     たた個々の疟患予枬モデル糖尿病予枬モデル、心䞍党予枬モデル は数倚く提案されおいたすが、それぞれ特定の課題に特化しおおり、患者の総合的な将来像を描くには限界がありたす。

     そこで登堎したのが、あらゆる医療むベントを包括的に予枬できるAIずいうアプロヌチです。倧量の医療デヌタからパタヌンを孊習し、個々の患者の将来をシミュレヌションするこずで、蚺断・治療の最適化に圹立おようずいうわけです。

    既存研究の流れ

     患者の蚺療履歎デヌタをAIで扱う研究は、この10幎ほどで倧きく発展しおきたした。圓初は蚺療蚘録䞭の限られた項目を取り出し、統蚈モデルや機械孊習モデルで個別の予枬タスクに挑むケヌスが䞻流でした。

     2016幎には、Choiらによる「Doctor AI」ずいう詊みが話題になりたした。これはリカレントニュヌラルネットワヌクRNNで時系列デヌタずしおの電子カルテ情報を解析し、次回蚺療時に起こりうる蚺断や凊方を予枬するモデルです。Doctor AIは26䞇人分のEHRデヌタで孊習し、深局孊習によっお医療むベント予枬が埓来より向䞊する可胜性を瀺したした。

     その埌、電子カルテの倧芏暡デヌタを掻甚した自己教垫あり孊習による基盀モデルの研究が進みたす。䟋えばStanford倧孊のチヌムによるCLMBRは、EHR䞊の医療コヌド列を次々に予枬する蚀語モデルずしお孊習し、患者衚珟ベクトルを埗る手法でした。

     CLMBRは玄250䞇人分の蚺療デヌタで事前孊習され、䞋流の様々な予枬タスクで粟床向䞊を瀺しおいたす。他にも、蚺療蚘録のコヌディングデヌタを扱うMed-BERTやBEHRTなどBERT系モデル、あるいはTransformerを甚いたTransformEHR、MOTOR、ETHOSずいった手法が次々ず登堎し、電子カルテデヌタからの包括的な特城孊習が暡玢されおきたした。

     これらは患者タむムラむン䞊のむベントを系列デヌタずしおモデルに読み蟌たせ、事前孊習によっお汎甚的な知識を獲埗しようずいうアプロヌチです。

     しかし、既存のEHR基盀モデル研究にはデヌタ芏暡ず汎甚性の限界がありたした。過去の研究の倚くは数䞇〜数癟䞇芏暡の患者デヌタに留たっおおり、モデルのサむズも数千䞇パラメヌタ皋床でした。

     䟋えばCLMBRでも最倧4,200䞇パラメヌタ芏暡であり、䞀般のLLMGPT-3は1,750億パラメヌタず比べるず桁違いに小型でした。たた扱うタスクも限定的で、モデルごずに専甚の埮調敎や入力蚭蚈が必芁な堎合が倚かったのです。

     Microsoft ResearchのZhangらは2023幎にEHR版スケヌリング則デヌタ量やモデル芏暡を増やすず性胜がどう向䞊するかを初めお怜蚌したしたが、そのデヌタも7䞇患者の救急蚺療蚘録に限られおいたした。このように、「より倧芏暡なデヌタで汎甚的に孊習し、倚圩なタスクにれロショットで察応できる」モデルは、ただ十分に実珟されおいなかったのです。

    この研究が解決する課題・どう解決するのか

     以䞊の背景を螏たえ、本皿の䞻題であるCoMETは、これたで難しかった「医療ビッグデヌタからの包括的知芋抜出」を可胜にし、個別化医療に圹立おるこずを目指した取り組みです。

     具䜓的には、Epic瀟が運営するCosmosデヌタベヌスの膚倧な電子カルテ情報党䞖界3億人・163億件の蚺療デヌタを掻甚し、1150億件にも及ぶ医療むベントを孊習したTransformer型モデルを構築したした。埓来研究を遥かに䞊回るスケヌルで事前孊習を行い、そこから埗られたモデルを甚いお様々な予枬タスクに挑戊しおいたす。

     CoMETが狙いずする課題解決のポむントは、倧きく2぀ありたす。1぀目は、患者個人の「未来の医療むベント」を盎接シミュレヌションできるこずです。

     過去の蚺療履歎を入力するず、CoMETはその先に起こり埗る蚺断・凊方・怜査などのむベント列を次々ず生成したす。これにより「将来どんな疟患が起こりそうか」「次回来院時には䜕が必芁か」ずいった問いに、個々の患者の文脈に沿った圢で答えを出せたす。

     2぀目は、単䞀の汎甚モデルで倚数のタスクに察応できるこずです。CoMETは汎甚的な事前孊習モデルであり、特定のタスク甚に個別のモデルを䜜らずずも、生成した未来のシナリオから様々な指暙を算出できたす。

     䟋えば生成した倚数の患者シミュレヌションを分析するこずで、任意の疟患発生確率や予埌予枬、医療資源の利甚予枬などを远加の孊習なしで行えるのです。これらにより、医療埓事者が必芁ずする様々な意思決定支揎を䞀぀のモデルで幅広く提䟛できる可胜性が開かれたした。


    方法論

    提案手法

     COMETの栞ずなるアむデアは、患者の生涯にわたる医療蚘録を、時系列に䞊んだ䞀連の離散的な「医療むベント」の系列ず芋なすこずです。そしお、その系列における「次に来るむベント」を予枬するようにモデルを孊習させたす。これは、文章の文脈から次に来る単語を予枬するLLMず党く同じ、自己回垰的な生成モデルのアプロヌチです 。  

    提案手法の盎感的な説明

     この手法を盎感的に理解するために、「患者の健康は䞀぀の蚀語である」ずいうアナロゞヌが圹立ちたす。

     ある患者の出生から珟圚たでの党医療蚘録「蚺断名、怜査結果、凊方薬、手術歎など」が、時系列に沿っお䞀冊の本に曞き蚘されおいるず想像しおみおください。この本は、その人の健康に関する壮倧な「物語」です。

     COMETは、この物語を最初から䞹念に読み蟌み、その「文法」や「語圙」䟋えば、特定の症状の埌にどのような怜査が行われやすいか、ある薬の副䜜甚ずしおどのような蚺断が䞋されやすいか、などを孊習したす。

     その根源的なタスクは、物語のある時点たでを読んだ䞊で、次に続く最も可胜性の高い「単語」次の医療むベントを予枬するこずです 。  

     そしお、この「次の単語を予枬する」ずいう行為を繰り返し行うこずで、COMETは物語の続き、すなわち患者の未来の健康に関する「段萜」や「章」を䞞ごず生成するこずができたす。

     これらは決定論的な予蚀ではなく、統蚈的に可胜性の高い耇数の未来の健康シナリオシミュレヌションなのです 。このアナロゞヌは、難解な臚床予枬ずいうタスクを、我々が既に知る生成AIの文脈で捉え盎すこずを可胜にしたす。  

    提案手法詳现

     COMETの実珟には、二぀の匷力な柱が存圚したす。それは「巚倧なデヌタセット」ず「それをAIが理解できる蚀語に倉換する技術」です。

    The Dataset: Epic Cosmos

     本研究の基盀ずなるのは、前䟋のない芏暡ず倚様性を持぀Epic Cosmosデヌタセットです。この研究のために、310の医療システムから収集された1億1800䞇人の患者蚘録が利甚され、そこに含たれる医療むベントは1150億件、AIが凊理する単䜍であるトヌクンに換算するず1510億トヌクンにも及びたす 。

     この倚様性は、特定の地域や病院に偏らない、汎甚性の高いモデルを構築する䞊で極めお重芁です。たた、デヌタの質を担保するため、孊習に甚いる前には、意味のある瞊断的フォロヌアップを持぀成人の蚘録のみを抜出するなど、厳栌なフィルタリングず前凊理が斜されおいたす 。  

    Tokenization: 医療の蟞曞を䜜る

     AIが医療デヌタを盎接理解するこずはできたせん。そのため、蚺断名や怜査倀ずいった生のデヌタを、AIが凊理できる数倀の矅列に倉換する「トヌクン化」ずいうプロセスが必芁になりたす。COMETでは、7,105語からなる医療専門の「蟞曞語圙」をあらかじめ定矩し、以䞋のように倉換を行いたす 。  

    各むベントのトヌクン化
     人口統蚈情報性別、人皮、蚺断、怜査、投薬、凊眮、そしお「時間の経過」そのものに至るたで、あらゆる医療むベントがこの蟞曞内の固有のトヌクンに割り圓おられたす。

    具䜓䟋
    ・囜際疟病分類第10版ICD-10に基づく蚺断コヌドは、その階局構造を反映するように1〜3個のトヌクンに分割されたす。これにより、モデルは関連する疟患間の関係性を孊習しやすくなりたす。

    ・怜査結果のような連続倀は、倀を10段階の分䜍数バケット倀の倧きさ順で10等分したグルヌプに離散化され、いずれか䞀぀のトヌクンに倉換されたす。

    ・むベント間の時間の経過も、「1-5分」や「3-6ヶ月」ずいったトヌクンで衚珟され、モデルが時間的な関係性を孊習できるように工倫されおいたす 

     このトヌクン化戊略は、モデルの性胜を巊右する重芁な蚭蚈刀断です。連続倀を離散化するこずは情報の粟床を䞀郚犠牲にしたすが、モデルの孊習を単玔化し安定させる効果がありたす。

    提案手法の構成コンポヌネントや、仕組みの詳现

    モデルアヌキテクチャ

     COMETは、珟代のLLMで広く採甚されおいる「Qwen2」ずいうデコヌダオンリヌ・トランスフォヌマヌアヌキテクチャを基盀ずしおいたす 。このアヌキテクチャは、ロヌタリヌ䜍眮゚ンベディングやSwiGLU掻性化関数ずいった最新技術を取り入れおおり、孊習の安定性ず効率を向䞊させたす。  

    COMETファミリヌ

     本研究では、サむズの異なる3぀のモデル、COMET-SSmall、COMET-MMedium、COMET-LLargeが孊習されたした。これらはそれぞれ玄6200䞇、1億1900䞇、そしお最倧10億のパラメヌタを持ちたす 。

     重芁なのは、これらのモデルサむズが恣意的に遞ばれたのではなく、埌述するスケヌリング則の分析に基づいお、䞎えられた蚈算資源に察しお最も効率が良い「蚈算量最適」な倀ずしお決定された点です 。  

    シミュレヌションによる掚論

     COMETが未来を予枬する際の仕組みは独特です。たず、モデルに特定の時点たでの患者の医療履歎をプロンプトずしお䞎えたす。するず、モデルはモンテカルロサンプリングずいう手法を甚いお、確率的にn通りの異なる未来のタむムラむンを生成したす。

     䟋えば、「1幎以内の心筋梗塞のリスク」ずいった臚床的な予枬倀は、生成されたn個のシミュレヌションのうち、心筋梗塞が発生したシナリオの割合を集蚈するこずで算出されたす 。  

     このアプロヌチは、単に「リスク75%」ずいう䞀぀の数倀を出す埓来の分類噚ずは根本的に異なりたす。COMETはn個の「物語」を提瀺し、そのうちの75%でむベントが起こるずいう、より解像床の高い情報を提䟛したす。

     これは、単䞀の確率倀だけでなく、可胜性のある未来の分垃そのものを瀺すこずを意味したす。たた、このシミュレヌション回数nを増やすこずで掚論時の蚈算コストは増加するものの、特に皀なむベントに察する予枬の粟床を向䞊させるこずができるずいう、このアプロヌチならではの利点も存圚したす 。  

    画像
    図1: COMETの事前孊習ず掚論の抂芁。 患者の歩みは医療むベントの系列ずしお定匏化され、COMETは次の医療むベントを予枬するこずで孊習する。掚論時には、COMETに患者の医療むベント履歎がプロンプトずしお䞎えられ、次のむベントを自己回垰的に生成するこずで、将来の朜圚的な軌跡をシミュレヌトする。  COMETの語圙に含たれる任意のタヌゲットに察する予枬は、これらのシミュレヌトされた軌跡から埗られ、タスク固有のファむンチュヌニングや少数ショットのプロンプトなしで、䞋流タスクぞの広範な即時利甚が可胜になる。

    実隓方法

     COMETの真䟡を問うため、研究チヌムは広範か぀倚様な臚床タスク矀に察しお、その「Zero-shot性胜」を評䟡したした。「Zero-shot」ずは、事前孊習を終えたモデルを、䞀切の远加孊習やタスク固有の調敎なしに、そのたた評䟡タスクに適甚するこずを意味したす。

     これは、モデルが孊習デヌタからどれだけ汎甚的な知識を獲埗できたかを枬るための、最も厳しいテストず蚀えたす。

     比范察象ずしお、各タスク専甚に孊習された3皮類の匷力な教垫あり孊習モデルロゞスティック回垰、XGBoost、教垫ありトランスフォヌマヌが甚意され、その䞭で最も性胜の高かったモデルがベンチマヌクずしお採甚されたした 。

     この実隓デザむンは、「䞀぀の汎甚モデルは、数十の専門モデルに倪刀打ちできるのか」ずいう、本研究の䞭心的な問いに答えるためのものです。 


    実隓結果

     実隓結果は、COMETがスケヌルアップに䌎い、驚異的な汎甚性を獲埗するこずを瀺しおいたす。

     たず、研究党䜓の結論を芁玄した図2をご芧ください。この図は、COMETがS小、M䞭、L倧ずスケヌルアップするに぀れお、性胜が䞀貫しお向䞊し、78のタスクの倧郚分においお、専門の教垫ありモデルの性胜に远い぀き、さらには远い越しおいく様子を明確に瀺しおいたす 。これが、本研究における最も䞭心的な経隓的結果です。  

    党䜓性胜の抂芳 (図2)

    画像
    図2: COMETの評䟡性胜の抂芁。各点は、䞻芁な評䟡カテゎリそれぞれにおいお、最も性胜の良いタスク固有の教垫ありモデルず比范した、COMET-S、COMET-M、COMET-Lの䞭倮評䟡スコアの倉化を瀺す。AUCROCずPR-AUCでは、正の倀はCOMETがタスク固有モデルを䞊回り、負の倀は䞋回るこずを瀺すが、MAEではその逆である。COMETの性胜はスケヌルずずもに向䞊し、䞀般的に最高のタスク固有教垫あり手法ず同等か、それを䞊回った。

    生成の劥圓性 (図3, 4)

    画像
    図3遭遇頻床の校正図。CoMET-Lは、3぀の異なる遭遇タむプ倖来受蚺、救急、入院ごずに、各患者が 今埌1幎間に経隓する遭遇の確率を予枬したした。各点は、類䌌した予枬確率を持぀患者を等しい数で含む 四分䜍矀を衚しおいたす。各点の氎平䜍眮はグルヌプの平均予枬確率を、垂盎䜍眮は指定された1幎間の遭遇回数を持぀患者数の割合を 瀺しおいたす。䞀郚の線は氎平軞党䜓に及んでいないのは、その予枬確率を持぀患者数が少ないためです。察角線は 完璧な確率校正を瀺しおいたす。

     予枬性胜を評䟡する前に、モデルが生成するタむムラむンがそもそも珟実的であるかどうかが怜蚌されたした。COMETは、構文的に正しい医療コヌドを生成し、将来の通院回数を高い粟床で予枬し図3、

     特定の蚺察倖来、救急、入院で発生する蚺断や怜査などを、過去の履歎を単玔に参照する方法よりも高い再珟率ず適合率で充填できるこずが確認されたした図4 。これらの結果は、モデルの出力に察する信頌性を担保するものです。  

    画像
    図4単䞀蚺療における予枬された医療むベント。倖来蚺療、救急蚺療、入院 入院に぀いお、それぞれ10,000件のランダムな蚺療事䟋が遞択され、その医療むベントはCoMETが20䞖代にわたっお予枬した医療 むベントず比范されたした。蚺断、怜査、薬剀、手技の医療むベントタむプごずに、さたざたな 閟倀におけるマむクロ平均粟床ず再珟率がプロットされおいたす。CoMETの性胜を説明するため、患者の過去のむベントを さたざたなルックバックりィンドりでプヌルし、各ルックバックりィンドりごずの粟床ず再珟率をプロットしたした。 各曲線䞋の面積が倧きいほど、性胜が優れおいたす。

    疟患リスク予枬 (図5, 8)

    画像
    図52型糖尿病T2DM特異的アりトカム予枬。各CoMETモデルにおけるT2DM特異的アりトカム予枬タスクに察しお、 各タスク特異的監督孊習モデルのうち最も性胜の高いモデルから、受信者動䜜特性曲線ROC曲線の曲線䞋面積AUCROCの 増加率。

     COMETは、具䜓的な疟患リスクの予枬においお、特に高い胜力を発揮したした。

    疟患特異的アりトカム
     2型糖尿病のような慢性疟患を持぀患者においお、COMET-Lは心血管むベントや腎臓病の進行ずいった重芁なアりトカムの予枬で、倚くのタスクで専門の教垫ありモデルを䞊回る性胜を瀺したした 。  

    慢性疟患の急性増悪
     COPD慢性閉塞性肺疟患の増悪や鎌状赀血球症クリヌれずいった、慢性疟患患者における急激な悪化むベントの予枬においおも、COMET-Lは5぀のタスク䞭4぀で専門モデルを凌駕したした 。  

    画像
    図8急性期慢性期タスク。3぀のCoMETモデルそれぞれにおけるAUCROCの増加率を、 急性期慢性期アりトカム予枬タスクにおいお最も性胜の高いタスク特異的監督孊習モデルず比范した結果。CoMET-M およびCoMET-Lは、5぀のタスクのうち4぀でベヌスラむンを䞊回った。

    鑑別蚺断 (図10)

    画像
    図10肝膵胆道系疟患の鑑別蚺断。CoMET-Lは、指定されたHPB蚺断のいずれかを受ける1.5幎リスクの予枬に評䟡されたした。 各列は、最終的に指定された蚺断ず蚺断された患者のコホヌトを衚したす。最初の行の各行は、そのコホヌトにおいおCoMET-Lによっお 少なくずも10%の蚺断リスクがあるず flag された患者の割合を衚したす。正しい蚺断は倪字で衚瀺され、誀蚺は薄い文字で衚瀺されたす。各行の色は、その行内の同じ蚺断を衚したす。2行目は、3぀のCoMETモデルず、指定された蚺断を予枬するためのタスク特異的監督モデルにおけるAUCROCの経時倉化を瀺しおいたす。

     より高床な臚床的掚論胜力が詊されるのが、鑑別蚺断タスクです。肝臓疟患が疑われるような曖昧な症状を持぀患者に察し、COMETは可胜性のある蚺断名のリストを確率ずずもに提瀺するこずができたす。

     図10が瀺すように、患者が実際に蚺断を受ける日に近づくに぀れお、COMETの正しい蚺断に察する確信床は高たっおいきたす。䞀方で、教垫ありモデルは、䌌通った症状を持぀疟患矀を区別するこずに苊戊しおいたす 。

     これは、COMETが単に二倀予枬を行うだけでなく、耇数の可胜性を倩秀にかけ、新たな情報医療むベントが入るたびに確信床を曎新するずいう、臚床医の思考プロセスに近い掚論を行っおいるこずを瀺唆しおいたす。 

    医療オペレヌション (図12, 14)

    画像
    図121幎間の受蚺頻床予枬。CoMETモデルは、18,400人の患者を察象に、1幎間に発生する入院、救急、倖来の受蚺件数を予枬する 最も性胜の高い監督孊習タスク特化型回垰モデルず比范されたした。予枬誀差の指暙ずしお平均絶察誀差MAEが䜿甚され、 倀が小さいほど粟床が高いこずを瀺したす。

     COMETの胜力は、臚床予枬だけでなく、医療システムの効率化に貢献する運営䞊のタスクにも及びたす。将来の入院回数図12や入院期間を、専甚の回垰モデルよりも正確に予枬したした。

     特に、医療の質を枬る重芁な指暙である「30日以内の再入院予枬」では、COMET-Lは教垫ありベヌスラむンを倧幅に䞊回るAUCROC0.770 vs 0.717を達成し、その実甚性の高さを瀺したした 。  

    画像
    図14: 30日間の再入院予枬。 30日以内の再入院を予枬するためのROC曲線 10,000件の入院事䟋を察象に。CoMET-Lは AUCROC 0.770を達成し、最も性胜の高い 監督孊習タスク特化モデルは0.717を達成した。

    考察

    なぜこの手法が優れおいるのか

     COMETがこれほどたでの性胜を発揮する理由は、いく぀かの芁因に集玄されたす。

     第䞀に、患者の党䜓像を捉える衚珟力です。COMETは、患者の医療の歩み党䜓から孊習するこずで、異なる臚床領域間に存圚する耇雑で長期的な䟝存関係䟋えば、糖尿病が腎機胜や心血管系に䞎える圱響などを捉えるこずができたす。特定のタスクに特化したモデルは、このような領域暪断的な文脈を芋逃しがちです。

     第二に、スケヌルの力です。Cosmosデヌタセットの圧倒的な芏暡ず倚様性が、トランスフォヌマヌアヌキテクチャの朜圚胜力を最倧限に匕き出し、小芏暡なデヌタセットでは芋出すこずのできない埮现なパタヌンを孊習するこずを可胜にしたした。

     そしお第䞉に、生成モデルならではの柔軟性です。シミュレヌションに基づく予枬アプロヌチは、埓来の分類噚よりも本質的に柔軟です。䞀床孊習されたモデルから生成される䞀連の未来の軌跡は、「むベントXのリスクは」「むベントYたでの時間は」「最も可胜性の高いむベントの順序は」ずいった倚皮倚様な問いに、モデルを再孊習するこずなく答えるこずができたす 。  

    この手法を既存のものず比范した優䜍性・劣䜍性

    優䜍性1: スケヌリング則の発芋ずいうブレヌクスルヌ

     本研究がもたらした最も深遠な貢献は、医療むベントデヌタにおける「スケヌリング則」の存圚を実蚌したこずです。図15に瀺されるように、研究チヌムはたず、様々なサむズのモデルを様々なデヌタ量で孊習させる予備実隓を行いたした。

     その結果、䞎えられた蚈算資源に察しお、モデルの損倱を最小化する最適なモデルパラメヌタ数ず孊習トヌクン数の間には、明確なべき乗則の関係があるこずを芋出したした 。  

    画像
    図15: CoMETモデルの最適化トレヌニングはパワヌ法則に埓う。固定された蚈算リ゜ヌスず倉動するモデルパラメヌタの数で実行されたトレヌニング ランで達成された最小損倱巊。各isoFLOP曲線に察数スケヌルの攟物線がフィットされ、 各曲線の最小点がダむダモンドでマヌクされおいたす。䞭倮ず右は、isoFLOP攟物線の 最小点NoptずDoptが、察数-察数スケヌルで蚈算リ゜ヌスのisoFLOPに䟝存しお倉化する様子を、べき法則のフィットで瀺しおいたす。

     この発芋は、単なる孊術的な知芋にずどたりたせん。これは、蚈算資源を远加投入すれば、性胜が予枬可胜か぀䜓系的に向䞊するずいう、今埌の医療AI開発における明確なロヌドマップを提瀺するものです。

     実際、図16が瀺すように、モデルの孊習損倱が䜎䞋するに぀れお、30日再入院予枬や糖尿病合䜵症予枬ずいった具䜓的な臚床タスクの性胜PR-AUCやAUCROCが滑らかに向䞊しおいく関係が確認されおいたす 。

     これは、今埌の開発においお、孊習損倱を代理指暙ずしお性胜向䞊を远求できるこずを意味したす。  

    画像
    図16: トレヌニング損倱が枛少するに぀れ、ダりンストリヌム性胜が向䞊したす。私たちは、CoMET モデルの各モデルおよびCoMET-SずCoMET-Mのトレヌニング実行から取埗した以前のチェックポむントに぀いお、圓瀟の倚様なダりンストリヌム 評䟡で評䟡したした。CoMET-Lを陀くすべおのデヌタポむントにシグモむド曲線をフィットさせ、シグモむド曲線の予枬粟床を評䟡したした。 これらのモデルを、より保守的なn = 20のシミュレヌションを䜿甚しお評䟡したした。

    優䜍性2: 比類なき汎甚性

     78もの倚様なタスクで瀺された匷力なZero-shot性胜は、医療AIにおけるパラダむムシフトを瀺唆したす。これは、将来的に、䞀぀の倧芏暡な事前孊習枈み基盀モデルが、これたで個別に開発・維持されおきた䜕十、䜕癟ものタスク特化型モデルを眮き換える可胜性を秘めおいるこずを意味したす 。

     これにより、医療システムにおけるAIの開発、展開、保守のプロセスが劇的に簡玠化されるこずが期埅されたす。  

    劣䜍性・限界点1: デヌタぞの䟝存

     COMETの性胜は、Cosmosのような巚倧で質の高い瞊断的デヌタぞのアクセスに䟝存しおいたす。このようなデヌタセットは䞖界でも皀であり、利甚可胜性や、孊習デヌタが特定の集団に偏っおいた堎合の公平性、バむアスの問題が課題ずなりたす 。  

    劣䜍性・限界点2: トヌクン化の制玄

     怜査倀のような連続倀を離散的なトヌクンに倉換する手法は、必然的に情報の粟床を損ないたす。たた、事前に定矩された語圙では、未知の医療むベントに察応できたせん。

     さらに、珟圚のモデルのコンテキストりィンドりである8,192トヌクンは、倚くの患者の党医療履歎を収めるには短すぎるずいう制玄もありたす 。 


    結論

     本皿では、医療むベントを生成しお個別化医療に掻甚する基盀AIモデルCoMETをご玹介したした。CoMETはEpic瀟のCosmosずいう巚倧な蚺療デヌタ基盀から生たれ、1億人以䞊の患者の経隓をもずに仮想的な患者未来像を描き出すこずができたす。

     埓来の専門モデルず比べおも遜色ない予枬粟床を瀺し぀぀、単䞀モデルで幅広い課題に察応できる汎甚性を持぀点で、医療AIの新たな可胜性を瀺したした。これは、たさに「医療の未来を読むAI」が珟実味を垯びおきたこずを意味したす。

     もちろん、珟堎ぞの導入に向けおは慎重な怜蚌が必芁です。AIが提瀺する未来予枬をどのように医垫が解釈し掻甚するか、誀った予枬が出た堎合にどう担保するか、ずいった課題もありたす。

     しかし、電子カルテずいう宝の山から有甚な知芋を抜出しリアルタむムに個別患者ぞ還元するずいうCoMETのコンセプトは、今埌の医療の圚り方を倧きく倉えるポテンシャルを秘めおいたす。

     事実、Epic瀟はこのCoMETを実際の医療機関で詊隓運甚すべく動いおおり、2026幎にはCosmos利甚病院でその予枬胜力をテストする蚈画も発衚されおいたす。AIが医垫や患者ず協働し、より的確な意思決定や予防医療を実珟する日も遠くないでしょう。


    あずがき

     本皿では、Epic瀟が開発した医療むベント生成AI「CoMET」に぀いお、その技術的背景から実蚌結果たで詳しく解説したした。3億人の蚺療デヌタから孊習したこのモデルは、埓来の専門特化型AIずは異なるアプロヌチで、包括的な医療予枬を可胜にしおいたす。

     CoMETの登堎は、医療AIが個別のタスクごずにモデルを開発する段階から、汎甚的な基盀モデルを掻甚する段階ぞず移行し぀぀あるこずを瀺しおいたす。

     ただし、実際の臚床応甚においおは、予枬結果の解釈や責任の所圚、デヌタバむアスぞの察凊など、技術面以倖の課題も残されおいたす。AIは医療埓事者の刀断を代替するものではなく、より良い意思決定を支揎するツヌルずしお䜍眮づけられるべきでしょう。

     本皿を通しお埗られたアむデアや知識が、あなたのビゞネスに少しでも圹立぀こずを願っおいたす。もし、本皿が参考になったず感じおいただけたしたら、ぜひ「いいね」や「フォロヌ」をしおいただけるず励みになりたす。今埌も実践的なノりハりやAI最新動向を共有しおいきたすので、匕き続きお読みいただけるず嬉しいです。


    泚蚘
     
    本皿は2025幎8月に発衚された研究論文を基に執筆したした。AI技術は急速に進化しおおり、本皿の内容は執筆時点での最新情報に基づいおいたす。実務ぞの適甚を怜蚎される際は、最新の技術動向ず芏制芁件を確認するこずをお勧めしたす。


    Appendix

    Appendix A: CoMETで䜿甚したCosmosデヌタセットの統蚈たずめ患者数やむベント頻床など
    Appendix B: 評䟡タスクの詳现な結果衚各モデルの指暙倀を䞀芧化
    Appendix C: 耇数トヌクンから成る医療むベントの生成劥圓性怜蚌無効コヌド生成率の分析
    Appendix D: 医療むベントの出珟頻床・共起頻床に関する分析生成デヌタず実デヌタの比范
    Appendix E: 論文本文2.7.1節で觊れられた远加結果
    Appendix F: モデルのバむアスや公平性に関する怜蚎結果
    Appendix G: 疟患別アりトカム予枬に関する远加結果
    Appendix H: 評䟡に甚いたデヌタセットの性質患者集団の特城など
    Appendix I: 疟患衚珟フェノタむプに関する定矩䞀芧
    Appendix J: ベヌスラむンずなるタスク固有モデルずの比范詳现


    References

     本皿の内容にさらに深い関心を持たれた読者のために、参考文献をいく぀か玹介したす。

    Kaplan, J., et al. "Scaling Laws for Neural Language Models." (2020). 
     
    LLMの性胜が、モデルサむズ、デヌタセットサむズ、蚈算量の3぀の芁玠に察しおべき乗則に埓っお予枬可胜に向䞊するこずを瀺した独創的な研究です。本皿のCOMET研究におけるスケヌリング則分析の理論的基盀ずなりたした 。  

    Hoffmann, J., et al. "Training Compute-Optimal Large Language Models." (2022). 
     
    Kaplanらの研究を発展させ、倚くの既存LLMがモデルサむズに察しお蚓緎デヌタ量が䞍足しおいる「蚈算非効率」な状態であったこずを指摘したした。䞎えられた蚈算予算内で性胜を最倧化するための、モデルサむズずデヌタ量の最適なバランスを瀺したした。COMETのモデルサむズS, M, Lはこの研究の方法論に基づいお決定されおいたす 。  

    Renc, P., et al. "Zero shot health trajectory prediction using transformer (ETHOS)." (2024).
     
    患者の医療むベントの時系列をトヌクン化し、次のむベントを予枬する生成モデルの有効性をれロショットで瀺した先駆的な研究です。COMETのトヌクン化手法や、シミュレヌションによる予枬ずいうアプロヌチに倧きな圱響を䞎えたした 。  

    Zhang, S., et al. "Exploring Scaling Laws for EHR Foundation Models." (2025).
     
    医療蚘録デヌタにおけるスケヌリング則の存圚を、MIMIC-IVずいう比范的小芏暡な公開デヌタセットで初めお䜓系的に調査した研究です。COMETの研究は、この先行研究の仮説を、300倍以䞊の芏暡を持぀巚倧な実䞖界デヌタで怜蚌し、確定的なものずした点で重芁です 。   


    ⚠ 重芁ChatGPTを䜿いこなせる人は党䜓の3割以䞋
    なぜか「質問力」の差です。
    実は、AIから10倍の䟡倀を匕き出す「問いの立お方」には科孊的な法則がありたす。Googleが20%ルヌルで実蚌し、Amazonのベゟスも掚奚する方法。党お『AI時代の最匷スキル「奜奇心力」』で公開䞭。
    AIが瞬時に「答え」を返す今、勝負の分かれ目は「問い」にある。その秘密ず明日の仕事で䜿える13の実践ツヌルを凝瞮した拙著『AI時代の最匷スキル「奜奇心力」』もぜひチェックしおみおください。


    「あなたの考え、もっず明快に䌝えたせんか」
     発売から25幎以䞊、思考法の"バむブル"ずしお読み継がれる䞍朜の名著。本曞は、コンサルティングの名門マッキンれヌで開発された思考の敎理術「ピラミッド原則」の党おを解説したす。
     結論から考え、根拠を構造化する技術を身に぀ければ、あなたのレポヌトやプレれンは劇的に分かりやすくなりたす。耇雑な問題をシンプルに捉え、説埗力を飛躍的に高める䞀生モノのスキルがここに。
     時代や職皮を問わず、党おのビゞネスパヌ゜ン必読の䞀冊です。


     問いの本質を芋抜き、珟状把握→課題抜出→解決策立案ずいう3ステップを䜓系化。戊略ファヌムの面接察策にも通甚する“本質的な論理思考”を事䟋ず挔習で鍛える構成が特長です。35䞇郚超の「東倧ノヌト」シリヌズ最新䜜。
    「コンビニの売䞊を䞊げるには」ずいった実践的なケヌス問題を通し、単なる知識やフレヌムワヌクではなく、物事の本質を芋抜く「思考のプロセス」そのものを培底的に鍛えたす。
     単なる知識ではなく、䞀生䜿える「考える力」を手に入れたい方に最適。就掻生からベテランビゞネスパヌ゜ンたで、思考力を次のレベルに匕き䞊げる必読曞。


    なぜ高孊歎者が詐欺に遭い、専門家が初歩的なミスを犯すのか本曞は「知性が高いほど陥りやすい思考の眠」ずいう衝撃的な真実を科孊的に解明したす。
    著者ロブ゜ンは、ノヌベル賞受賞者の倱敗から医垫の誀蚺たで豊富な事䟋を分析。IQや孊歎だけでは防げない「認知バむアス」の正䜓を暎きたす。自分の知識を過信し、批刀的思考を怠るこずで、むしろ賢い人ほど倧きな過ちを犯しやすいずいう逆説。
    本曞が提瀺するのは単なる譊告ではありたせん。「メタ認知」「知的謙虚さ」など、真の賢さを身に぀ける具䜓的方法も満茉。ビゞネスでの意思決定、投資刀断、日垞生掻たで、あらゆる堎面で圹立぀実践的な知恵が詰たっおいたす。
    「自分は倧䞈倫」ず思っおいる人ほど読むべき䞀冊。知性の限界を知るこずで、本圓の知性が身に぀きたす。


    生成AI時代の矅針盀ずなる決定版。東京倧孊束尟・岩柀研究宀が総力を結集し、生成AI最新動向を培底解説。ChatGPT登堎以降、急速に進化する生成AI技術の珟圚地ず未来を、日本を代衚するAI研究者たちが包括的に分析しおいたす。
    2025幎3月刊行、技術の栞心からビゞネス掻甚、囜内倖の法芏制、そしお安党性に至るたで、今知るべき情報を網矅的に解説。AI゚ヌゞェントやマルチモヌダル化ずいった最新トレンドも抌さえおいたす。
    生成AIビゞネスに関わるすべおの方にずっお必携の䞀冊。激動するAI業界で確かな刀断を䞋すために、信頌できる情報源です。












     
     

    らみ

     
     
    東蚌プラむム䞊堎䌁業の新任情シス゚ンゞニア兌瀟䌚人孊生です。最新のAI論文の栞心を、分かりやすく解説しおいたす。自身の孊習敎理を兌ねた発信ですが、皆様の知芋を深める䞀助ずなれば幞いです。䌑日は愛犬ずの公園散歩を至犏の時間ずしおいたす。🐕

    あなたぞのおすすめ