医療AIは試験では高得点も、実際の患者ケアではつまずく
新しいベンチマーク調査により、医療AIは診断試験では高いスコアを記録する一方、実際の患者ケアの現場では大きな課題を抱えていることが明らかになった。模擬テストと現実の診療との間にはギャップが存在し、AIが臨床実践で真価を発揮するにはさらなる改善が必要とされている。
背景メモ
- 大規模言語モデル（LLM）を応用した医療AI（OpenAIのGPTシリーズ、GoogleのMed-PaLMなど）は、医師国家試験や模擬試験では高得点を叩き出しているが、実際の診療現場では誤った推論やリスクを見落とすケースが相次いでいる。
- 理由の一つは、試験問題が「単独の正解を選ぶ」形式であるのに対し、診療では患者の既往歴・検査値・服薬情報を統合し、確率論的な判断を下す必要がある点。
- 新たなベンチマーク（例えば、NYUやGoogle Researchが提案する「CRAFT-MD」や「MedQA」の改良版）は、単なる知識の暗記ではなく、臨床推論のプロセス自体を評価する設計になっており、これによりAIの弱点が可視化されつつある。
- 医療AIの過信は診断ミスや訴訟リスクに直結するため、規制当局（FDA）や学会は「補助ツール」としての位置づけを厳格化する動きを見せている。