266,854 件の臨床症例データを用いて、9B（速度優先）と 27B（推論優先）の 2 モデルを QLoRA で微調整し、クエリの難易度に応じて動的にルーティングする。

AMD Instinct MI300X を活用したシーケンスパッキングにより、データセット全体の学習を約 50 分で完了し、API 経由の生成と比較して 56 倍のスループット向上を達成した。

70 以上の NCCN および ESMO ガイドラインを参照する 4 段階の Corrective RAG（CRAG）を採用し、ドキュメント格付けにおいて 100% の成功率を記録した。

LangGraph による 8 つの専門ノード構成と、Zero-PHI（個人健康情報ゼロ）ポリシーを強制する 3 層の安全検証機能を備え、オンプレミスでのデプロイが可能。

医療 AI における「クラウドへのデータ流出」と「根拠のないハルシネーション」という 2 大障壁を、オンプレミス運用と厳格な Corrective RAG の組み合わせで解消している。

単一の巨大モデルに頼らず、軽量モデルと重量モデルを使い分ける Dual-Tier 設計により、計算リソースの最適化と専門的な推論能力を両立させる具体的な構成案を提示している。

AMD ROCm 環境と Unsloth フレームワークを用いた高速な微調整パイプラインは、特定ドメインの専門知識を LLM に短時間で注入する実務的な指針となる。