← すべてのニュース

未来医生 MedGPT、88対12で三甲医院の医師250人を上回ると報道、アブレーション実験は差はプロセスにあると指摘

新智元の2026年11月12日の報道によると、難治性肺がん40例を対象とした多施設研究で、未来医生 MedGPT が症例単位のスコアで88対12と三甲医院の医師250人を上回ったとされる。補助なしの医師の平均は53.26点で MedGPT は85.29点。報道に含まれるアブレーション実験ではプロセスを外すと約24点下がるとされ、重みやAPIが公開されているかについては言及がない。

公開 更新

主な変更

新智元の2026年11月12日の報道によると、未来医生は国内の三甲医院の胸部外科と共同で多施設研究を実施し、100例の複雑な肺がん症例から、ガイドラインの推奨が明確でない難症例40例を試験問題として選び出した。20人の専門家が解答を見る前に、各症例につき6項目、計240項目の採点ルールを先に作成し、うち40項目は安全上のレッドラインである。比較に参加したのは98の医療機関から集まった三甲医院の医師250人で、6割以上が主任医師または副主任医師だった。報道によれば、補助なしの条件で医師集団の平均得点は53.26、未来医生 MedGPT は85.29。補助なしの医師の解答750件との症例単位の一対一比較では、MedGPT が660回でより高い評価を得て、報道が示すスコアは88対12、その解答は平均で医師より4割以上短いという。報道は別の採点基準によるモデル横断比較も示している。MedGPT の総合は96.22で、報道が挙げた GPT-5.4、Claude Opus 4.7、Gemini 3.1 Pro はそれぞれ71.38、61.81、54.62だった。同じ報道によれば、アブレーション実験でプロセス全体を外し、基盤モデルに直接答えさせると約24点下がり、多診療科コンサルテーションのモジュールだけを外すと16点下がる。人間とAIの協調の次元では、補助なしの医師が53.40点、検索参考だけを提供すると61.05点、完全な戦略レポートを審査した後は66.27点だった。

開発者への影響

このシステムで開発者にとって参考になる部分は、特定のモデルではなくプロセスにある。報道が描くプロセスは三段階だ。取り込み時に文献を一つの結論だけを記録する証拠ユニットに分解し、プログラムが原文から抽出し、モデルは引用できるだけで自分で作ることはできない。患者情報を検査結果に応じて更新される状態表に整理し、更新には医師の署名が必要となる。次に最大6つの専門診療科エージェントがそれぞれ意見を出し、相違はそのまま保持し、標準パス、先端パス、検証タスクを生成し、仮想患者による推論と、安全・テールリスク・証拠と用量・時系列実行・限界価値の5次元の敵対的レビューを経て、結果は保持・修正・廃棄のみが許され、通常2~3ラウンドを経てから通過する。垂直領域のエージェントを作るチームにとって、これらは移植可能な設計上の制約であり、そのまま呼び出せるモデル能力ではない。はっきりさせておくべきは、報道が扱っているのは未来医生 MedGPT という閉じたシステムであり、報道は重みの公開に触れておらず、開発者向けのAPIやライセンス情報も示していないことだ。したがってAPI利用者にとって、このニュースが変えるのは評価手法とアーキテクチャの選択であり、すぐに差し替え可能な接続先ではない。もう一つ見落とされやすい点は、同じ報道が96.22対71.38という検索とマルチエージェント審査を含むシステムの成績を示す一方で、プロセスを外せば約24点下がることも認めていることだ。この二組の数字を並べると、条件付きの判断が導ける。この横断比較は完全なプロセス対裸のモデルの比較に近く、同じ足場の下でのモデル能力の順位付けとして扱うべきではない。

導入と評価の提案

以下は条件付きの分析であり、報道にあった事実ではない。 第一に、まずプロセスを定量化し、それから基盤モデルに手を付ける。報道で示された変化はアブレーション実験の数字だ。プロセス全体を外し、基盤モデルだけに直接答えさせると約24点下がり、多診療科コンサルテーションのモジュールだけを外すと16点下がる。選ぶべきは、証拠検索層、マルチエージェントによるコンサルテーション、敵対的レビューを個別にオフにできるスイッチにしておくことであり、その後でモデルの入れ替えを検討する。この提案は、安定した事前に書き定めた採点ルールがある場合にのみ成り立つ。基準がまだ変わっているなら、測ったスコア差がモジュール由来か採点基準由来か区別できない。測定可能な判断材料は、同じルールの下でのモジュールごとのオンオフの得点差であり、同時に解答の長さも記録すべきだ。報道ではシステムの解答は医師より4割以上短いとされており、長さの急変は、字数を積み上げて点数を得ていることを示すことが多い。 第二に、構造化された証拠ベースと通常の検索拡張生成との間のトレードオフだ。報道によれば、証拠は取り込み時に一つの結論だけを記録する単位まで分解され、プログラムが原文から書き写すことしかできず、モデルは引用しかできない。肺がんという一病種だけで1万3000篇以上の文献を分解し、20万件以上の構造化証拠ユニットを生成したという。判断すべきは、こうした証拠層に人的リソースを先に投じるか、それとも通常の検索拡張生成で当面しのぐかだ。前提は、ハルシネーションのコストが高く、領域内にガイドラインや添付文書のような検証可能なテキストがあり、抽出品質を検証できる人がいることである。コーパスが雑然としていて質問範囲も開放的なら、まず検索に取り組む方が現実的だ。測定可能な判断材料は引用精度、つまり抽出された引用が本当にその結論を支持しているかと、出力のうち出典をたどれない数字の割合である。 第三に、システム対システムとモデル対モデルの評価を分けることだ。報道で示された変化は二組の数字を同時に出すことにある。モデル横断比較では MedGPT が96.22で、報道が挙げた GPT-5.4 が71.38、Claude Opus 4.7 が61.81、Gemini 3.1 Pro が54.62。人間とAIの協調の次元では53.40、61.05、66.27だった。選ぶべきは、自分のユースケース集合で少なくとも二つのベースラインを走らせること、すなわち完全なシステムと、足場を外した基盤モデルであり、他人の検索と審査付きのシステムを自分の裸のモデルと直接比べることではない。前提は相手のプロセスを再現できることだ。再現できなければ、自分のシステムのスイッチ版を対照にすればよい。測定可能な判断材料は、基準を変えたときに順位が安定しているかどうかで、一度でも反転すれば、結論は足場に敏感であり、そのまま選定に使うことはできない。 第四に、人間参加の形態をはっきり選ぶこと。報道によれば、検索参考だけを与えた場合の医師は61.05点、完全な戦略レポートを審査した後は66.27点で、患者状態表の更新は医師の署名があって初めて有効となる。選ぶべきは、製品が検索断片だけを露出するのか、それとも審査対象の完全な戦略レポートを出力し署名確認のノードを残すのかだ。これは、プロセス内に責任を追える確認段階がすでにあるか、レポートの長さが審査者の時間予算を超えていないかにかかっている。測定可能な判断材料は、同じ症例群での検索のみと完全レポートという二つの腕の得点差、および医師が案を実際に修正した割合である。

制限と未確認事項

報道の採点ルールは研究チームが専門家に依頼して事前に作成したもので、症例は40例のみで肺がん一病種に集中しており、報道は第三者による独立再現に触れていない。これらの数字は研究側の基準による自己申告の結果と見なすべきだ。報道が引用する第一線の専門家の評価も報道自体に由来し、支持的な意見である。報道に現れるモデルのバージョン名と得点は、この出典以外からは確認できない。人間とAIの比較、モデル横断比較、人間とAIの協調の三組は基準が異なり、報道自身も区別しており、相互に換算したり直接順位付けしたりはできない。最も明確にすべきは、未来医生 MedGPT は現在 KimiSeek 上に対応する項目がなく、同プラットフォームに搭載済みのモデルとして扱うべきではないことだ。報道は、その重みが公開されているか、開発者向けAPIを提供しているか、どのようなライセンスを採用しているかも示していない。接続や入手可能性に関する情報はすべてベンダーの説明に従うべきだ。

3分で最初の呼び出しまで

登録後に API キーを作成してください。利用料金はアカウント残高から引き落とされます。初回チャージ30%オフ。¥500チャージ、お支払い ¥350、入金額 ¥500。¥1000チャージ、お支払い ¥850、入金額 ¥1000 最低チャージはこれまでどおり ¥10 で、試用にも使えます。

出典と編集方針

250名三甲医生输给中国AI!引发中美医疗权威热议

引用元を基にAIが分析と翻訳を補助し、自動品質チェックを行っています。提案は実測結果ではありません。提供状況と料金は最新カタログをご確認ください。