大腸がん治療計画の正確性4.09対4.11、GatorOncoの5人盲検評価で安全性も同点、最新性も同等

AIが作成した大腸がん治療計画が、専門医による計画とほぼ同じ正確性評価を得た。UF Healthの腫瘍内科医5人が実施した盲検ランダム評価で、GatorOncoの正確性は4.09、専門医の計画は4.11だった。統計的な差は認められなかった（P=0.921）。8月10日公開の論文が注目されるのは、一般的な医学質問ではなく、患者情報と変化し続ける臨床指針を統合する高リスクな治療計画を直接評価した点にある。

GatorOncoの開発には合計2,820億トークンの生物医学テキストが使われ、そのうち1,660億トークンはUF Healthの医療システム規模の臨床テキストだった。研究チームは事前学習、モデルマージ、2段階の後処理学習、エージェントベースの強化学習を組み合わせた。さらに、時間とともに変わる臨床指針を推論時に動的検索するagentic RAGを導入した。大腸がんの治療選択では病期、分子マーカー、手術可能性、治療歴などを同時に扱う必要があり、固定されたモデル知識だけでは推奨内容が古くなりやすい。

評価は正確性だけではない。最新性はGatorOncoが4.04、専門医が3.98（P=0.478）で、安全性は両者とも4.22（P=0.999）だった。統計的に同等とされた一方、AI側が高かった項目もある。可読性は4.46対4.19、完全性は3.91対3.52で、いずれもP<0.01だった。研究チームは、比較対象のオープンソースLLMよりGatorOncoが有意に高い性能を示したとも報告している（P<0.01）。

この結果を「AI腫瘍医が人間を超えた」と解釈することはできない。評価者は同じ医療システムに所属する5人で、同じ施設のデータと環境に基づく単一施設研究だ。患者に治療を割り当て、生存率、副作用、生活の質を測定した臨床試験でもない。点数は生成された治療計画に対する専門家の判断であり、別の病院、患者集団、診療制度でも再現できるかは未確認だ。学習データのうち1,660億トークンが同施設の臨床テキストである以上、外部検証の重要性は大きい。

それでも、医療LLMの評価軸を実務に近づけた意味はある。一般医学試験の得点ではなく、治療計画の正確性、最新性、安全性、可読性、完全性を分けて専門医と比較した。推論時に最新指針を取得する設計も、モデル再学習の周期と臨床指針の更新速度の差を縮める現実的な方法だ。

次に必要なのは、複数施設による前向き評価、患者群ごとのエラー分析、検索した指針から最終推奨までの根拠追跡、そして専門医による大幅な修正が必要だった事例の開示である。現段階のGatorOncoは自律診療を認める根拠ではない。専門医の監督下で治療計画の草案を作るシステムが、より厳しい臨床検証へ進む価値を示した結果だ。