【医師 vs AI】生成AIはすでに一般医と同等の診断能力?83研究を統合したメタ解析が示す「専門医の価値」と医療の未来

「AIは医師の仕事を奪うのか?」
ここ数年、ChatGPTをはじめとする生成AIが急速に進化し、医療現場でも活用されるようになってきました。
医師国家試験に合格するレベルの医学知識を持ち、複雑な症例の鑑別診断まで提示する。
こうなると、当然ながら気になることがあります。
「実際のところ、AIと医師では、どちらの診断能力が高いのか?」
さらに興味深いのは、医師の経験や専門性によって、AIとの実力差が変わるのかという問題です。
この疑問に答える研究が、2025年3月22日、医学雑誌『npj Digital Medicine』に発表されました。
大阪公立大学などの日本の研究者らによる、83研究を統合したシステマティックレビュー・メタ解析です(ってゆーかこのテーマでメタ分析ができるほどに論文がこんなにたくさん出ているとは驚き・・・)。
結論を先に紹介すると、次のようになります。
① 生成AIと医師全体の診断精度には、統計学的に有意な差がない。
② 生成AIと非専門医の診断精度にも、有意な差がない。
③ しかし、専門性の高い医師は生成AIより有意に優れている。
つまり、今回の研究は、
熟練医師 > 生成AI ≒ 研修医などの非熟練医師
という構図を示唆したのです。
ただし、「有意差がない」ことは、厳密には「同等性が証明された」ことを意味しません。
それでも、生成AIがすでに医師の診断能力に迫っていることを示す、非常に興味深い論文だと思います。
今回は、この論文を詳しく解説します。
1.83研究を統合した大規模メタ解析
今回紹介する論文はこちらです。
Takita H, Kabata D, Walston SL, et al.
A systematic review and meta-analysis of diagnostic performance comparison between generative AI and physicians.
npj Digital Medicine. 2025;8:175.
原著論文(全文無料):
https://doi.org/10.1038/s41746-025-01543-z
研究チームは、2018年6月から2024年6月までに発表された研究を調査しました。最初に抽出された文献は18,371件。
そこから重複や研究目的に合わない論文を除外し、最終的に83研究をメタ解析に組み入れています。
対象となった生成AIは、ChatGPTだけではありません。
GPT-3.5、GPT-4、GPT-4o、Claude、Gemini、Llama、PaLM 2など、さまざまなモデルが含まれています。
最も多く評価されていたのはGPT-4で54研究、次いでGPT-3.5が40研究でした。
診療科も幅広く、総合診療・一般内科領域が27研究、放射線科が16研究、眼科が11研究、救急医療が8研究などとなっています。
その他にも、神経内科、皮膚科、精神科、循環器科、小児科、泌尿器科などが含まれました。
なお、医師との直接比較が行われたのは83研究すべてではなく、その一部です。
したがって、この研究は「83研究すべてでAIと専門医を直接対決させた」というものではありません。
2.生成AIの診断正確度は52.1%
まず、生成AI単独の診断正確度を統合した結果を見てみましょう。
生成AI全体の診断正確度:52.1%
95%信頼区間は47.0〜57.1%でした。
この数字だけを見ると、意外に低いと感じるかもしれません。
最近のChatGPTは非常に賢く、医学的な質問にもかなり正確に回答する印象があります。
それなのに、診断正確度が約半分というのはどういうことでしょうか。
重要なのは、今回の研究には複数のAIモデル、さまざまな診療科、異なる難易度の問題、異なる診断評価方法が含まれていることです。
例えば、比較的古いGPT-3.5と新しいGPT-4oでは、診断性能に違いがあります。
また、一般的な内科疾患の鑑別診断と、専門性の高い画像診断では、求められる能力も異なります。
したがって、52.1%という数字は、異なる研究を統計学的に統合した推定値です。
「現在の最新AIは、患者の約半数を誤診する」という意味ではありません。
ここは誤解しないようにしたいところです。
3.AIと医師全体では、診断精度に有意差がなかった
次に、医師との比較です。
生成AIと医師全体を比較した結果、医師の診断正確度はAIより平均9.9ポイント高いという推定になりました。ただし、95%信頼区間は−2.3〜22.0ポイントで、p値は0.10でした。
つまり、医師全体がAIより優れているという統計学的に有意な差は確認されなかったのです。
医師という職業は、高度な医学教育と臨床研修を必要とします。
日本であれば医学部6年間、卒後臨床研修2年間を経て、さらに専門研修などを積み重ねます。
そうした教育を受けた医師と生成AIの診断性能を比較して、有意差が認められなかったというのは、注目に値します。
もっとも、これはAIと医師が完全に同等の能力を持つと証明した結果ではありません。
統計学的な有意差が認められないことと同等性が証明されることは別です。
4.研修医などの非熟練医師とAIは、ほぼ同じ水準だった
さらに興味深いのは、医師を経験によって分類した解析です。
この研究では、研修医などを非専門家(non-expert)、研修段階を終えた医師を専門家(expert)として分類しました。
その結果、非熟練医師の診断正確度は、生成AIより平均0.6ポイント高いだけでした。
95%信頼区間は−14.5〜15.7ポイント。
p値は0.93です。
つまり、観察された平均差はほとんどゼロでした。
これは非常に興味深い結果です。
医師になるためには膨大な医学知識を習得し、さらに臨床現場で経験を積む必要があります。
しかし、その初期段階にある研修医などの診断性能に、生成AIがすでに迫っているということです。
もちろん、研修医には患者を直接診察し、診療チームと連携するなど、診断問題の正答率だけでは評価できない能力があります。
それでも、診断という医師の中核的な業務の一部について、AIが非熟練医師に近い水準に達していることは、医学教育のあり方にも影響を与えるでしょう。
5.熟練医師はAIより15.8ポイント優れていた
経験豊富な医師と生成AIではどうでしょうか。
ここで結果が明確に変わります。
熟練医師は、生成AIより診断正確度が平均15.8ポイント高かったのです。
95%信頼区間は4.4〜27.1ポイント。p値は0.007でした。
つまり、専門性の高い医師の方が、生成AIより統計学的に有意に優れていたのです。
この結果は重要です。
AIは大量の医学文献や知識を扱えます。
しかし、医学知識を持っていることと、臨床的に適切な診断を下すことは、必ずしも同じではありません。
経験豊富な医師は、長年の診療で蓄積した知識をもとに、症状や検査所見の重要性を判断します。
例えば、高齢者の発熱という症状一つを考えてみましょう。
肺炎、尿路感染症、胆道感染症などを列挙することは、AIにもできます。
しかし、患者の普段の状態、服用薬、既往歴、症状の変化、診察所見などを総合して、最も可能性の高い疾患を選ぶには、臨床経験が重要になる場面があります。
今回の研究結果は、こうした経験の価値と整合的です。
ただし、研究上のexpertは必ずしも日本の専門医資格保有者を意味していません。
「専門医資格そのものの効果」を検証した研究ではない点には注意が必要です。
6.AIモデルによって、専門医との差は大きく異なる
もう一つ重要なのは、生成AIを一括りにできないことです。
今回の研究では、古いモデルと比較的新しいモデルで性能が異なっていました。
例えば、GPT-3.5やGPT-4など、一部のモデルは熟練医師より有意に劣っていました。
一方、GPT-4o、Claude 3 Opus、Gemini 1.5 Pro、Llama 3 70Bなどでは、熟練医師との統計学的に有意な差が認められませんでした。
ただし、これらのモデルが専門医と同等、あるいは専門医を上回ったと証明されたわけではありません。
新しいモデルについては評価研究数も限られており、信頼区間が広い場合があります。
それでも、AIモデルの世代によって診断性能が変化していることは見逃せません。
そして、今回の文献検索は2024年6月までです。
2025年以降に登場したモデルの診断能力を評価したものではありません。
AIと医師の能力差は、今後も継続的に検証する必要があるのです。
7.診療科によってAIの得意・不得意はあるのか?
研究チームは、診療科別の違いについても解析しています。
その結果、一般医療領域と比較して、皮膚科や泌尿器科では生成AIの診断正確度に有意な差が見られました。
特に皮膚科は、画像情報や視覚的な特徴が診断で重要になる領域です。
研究者らは、AIのパターン認識能力との関連を考察しています。
一方、泌尿器科の結果は、主に一つの研究に依存していたため、一般化には注意が必要とされています。
また、この解析は診療科ごとの生成AIの正確度を比較したものであり、各診療科の専門医とAIの優劣を直接示したものではありません。
ここから言えるのは、AIの診断性能は対象疾患や診療領域によって異なり、一律には評価できないということです。
8.研究の限界:83研究のうち76%に高いバイアスリスク
ここまでの結果を見ると、生成AIの診断能力は非常に高いように感じます。
しかし、医学研究として評価する際には、重要な問題があります。
今回のメタ解析では、PROBASTという評価ツールを用いて、各研究のバイアスリスクを調べています。
その結果、83研究のうち63研究、つまり76%が高いバイアスリスクと判定されました。
特に問題となるのは、評価症例数が少ない研究や、AIの学習データが公開されていない研究です。
生成AIが過去に学習した症例と、評価に使用した症例が重複している可能性も完全には否定できません。
また、AIが診断問題で高い成績を示すことと、実際の医療現場で患者を適切に診療できることは別です。
実臨床には、患者から必要な情報を聞き出すこと、身体診察、検査の選択、治療後の経過観察など、さまざまなプロセスがあります。
さらに、患者の年齢や背景、医療制度、診療環境によっても、AIの性能が変化する可能性があります。
今回の研究は、そのような実臨床の複雑さをすべて評価したものではありません。
したがって、これを根拠に「AIはすでに医師を代替できる」と結論づけるのは早計でしょう。
9.AI時代における専門医の価値は、どこにあるのか?
私は今回の研究で、特に興味深いと感じたことがあります。
それは、生成AIと医師の能力差が、医師の経験によって変わっていたことです。
非熟練医師とAIの診断性能には、有意差が認められませんでした。
しかし、熟練医師はAIより明確に高い診断正確度を示しました。
これは、医師の専門性を考えるうえで重要な結果だと思います。
従来、医師は医学知識を蓄積することに多くの時間を費やしてきました。
医学部教育、国家試験、専門医試験なども、知識の習得を重視する部分が少なくありません。
しかし、医学知識へのアクセスという点では、AIがすでに大きな強みを持っています。
もしAIが非熟練医師に近い診断性能を発揮できるのであれば、医師の教育で今後重視すべきなのは、単なる知識量だけではないでしょう。
例えば、患者の状態を総合的に理解する能力、診断の不確実性を判断する能力、AIの回答を批判的に評価する能力などです。
特に、複数の慢性疾患を持つ高齢者の診療では、単に正しい病名を挙げればよいわけではありません。
検査や治療による負担、患者の生活機能、本人や家族の希望、予後などを踏まえて、どこまで診断や治療を行うかを判断する必要があります。
こうした臨床判断は、診断正確度だけでは評価しきれない部分です。
AIが医学知識を提供する時代には、医師の価値は、その知識を患者の生活や価値観に結びつける能力に、より大きく移っていくのではないでしょうか。
10.医師不足の地域では、AIは役立つのか?
今回の研究は、地域医療を考えるうえでも示唆に富んでいます。
日本では、医師の地域偏在や診療科偏在が長年の課題となっています。
特に人口の少ない地域では、すべての専門診療科の医師を配置することは現実的ではありません。
そのような環境において、生成AIが診断支援ツールとして機能すれば、地域の医療従事者が専門的な医学情報へアクセスしやすくなる可能性があります。
例えば、地域の診療所で診断が難しい症例に遭遇したとき、AIを使って鑑別診断を整理する。
必要な検査を確認する。
専門医への紹介が必要な疾患を見落としていないか検討する。
このような用途は考えられるでしょう。
ただし、今回のメタ解析では、AI導入によって地方の医療アクセス、診断遅延、入院率、死亡率などが改善するかどうかは検証されていません。
また、AIが誤った提案をした場合に、それを見抜ける医療従事者が必要です。
したがって、AIを医師不足対策として活用するのであれば、医療従事者の教育、専門医との連携、医療安全の仕組みをセットで考えるべきでしょう。
11.医師の仕事は「AIと競争すること」から「AIを使って医療を改善すること」へ
今回のメタ解析は、現時点の医療AIの強みと限界を明確に示しています。
生成AI全体の診断正確度は52.1%。
医師全体や非熟練医師との比較では、有意差がありませんでした。
一方、熟練医師はAIより15.8ポイント高い診断正確度を示しました。
ただし、比較的新しい一部のAIモデルでは、熟練医師との有意差も認められなくなっています。
この結果をどう解釈するべきでしょうか。
私は、医師がAIと診断能力を競争すること自体には、あまり意味がなくなっていくと考えています。
もちろん、現時点でAIが医師を全面的に代替できるわけではありません。
しかし、診断支援という限定された業務では、AIがすでに有用な水準に達していることを示す研究が増えています。
重要なのは、医師がAIに勝つことではありません。
AIの能力を利用して、患者に提供する医療の質を改善できるかどうかです。
例えば、AIが鑑別診断の候補を広く提示し、医師が臨床的に重要なものを選択する。
医師が見落とした可能性のある疾患をAIが指摘する。
医師が治療方針を考える際、AIが関連する医学的知見を整理する。
こうした人間とAIの協働には、今後の発展の余地があると思います。
ただし、協働によって必ず診断性能が改善するわけではありません。
AI支援の効果自体も、質の高い臨床研究で検証していく必要があります。
まとめ:AIは一般医に迫り、熟練医師にはまだ及ばない。しかし、その差は固定されたものではない
今回の83研究を統合したメタ解析では、以下の結果が得られました。
① 生成AI全体の診断正確度は52.1%。
② 医師全体との比較では、有意差なし(しかしp=0.10であと一歩で有意)。
③ 非熟練医師との比較でも、有意差なし(p=0.93)。
④ 熟練医師はAIより15.8ポイント優れていた(p=0.007)。
この結果からは、生成AIが研修医などの非熟練医師に近い診断性能を持つ一方、熟練医師の経験には依然として価値があることが示唆されます。
ただし、今回評価された研究は2024年6月までのものです。
生成AIはその後も進化を続けています。
今後、AIと熟練医師の診断性能の差がどのように変化するかは、注目すべき研究課題でしょう。
そして、より本質的な問題があります。
仮にAIが専門医と同等、あるいはそれ以上の診断性能を獲得した場合、医師には何が求められるのでしょうか。
私は、医学知識や診断能力だけでは測れない専門性が、ますます重要になると考えています。
患者を直接診察し、その生活背景を理解し、診療の不確実性や本人の価値観を踏まえて意思決定する。
そして、AIが提示する情報を適切に評価し、必要な医療につなげる。
そうした役割です。
これからの医師に問われるのは、「AIより賢いか」ではなく、「AIが存在する時代に、患者にどのような価値を提供できるか」なのかもしれません。
参考論文
Takita H, Kabata D, Walston SL, et al.
A systematic review and meta-analysis of diagnostic performance comparison between generative AI and physicians.
npj Digital Medicine. 2025;8:175.
https://doi.org/10.1038/s41746-025-01543-z
ハッシュタグ(20個)
#医療AI #生成AI #ChatGPT #人工知能 #医師 #専門医 #診断能力 #臨床推論 #医学研究 #論文解説 #メタ解析 #システマティックレビュー #エビデンス #総合診療 #総合内科 #地域医療 #医学教育 #医療DX #デジタルヘルス #医療の未来