医療特化型LLM「Cura 1T」──人間介在型の自己進化ループで臨床推論とツール操作を統合

論文概要

actAVA AIらが提案した「Cura 1T」は、医療現場における臨床相談、マルチモーダルな臨床推論、およびEHR（電子健康記録）ツール操作を統合的に実行するために設計された1兆パラメータ規模の医療特化型LLMである。本研究の核心は、単一の医療データセットによるファインチューニングではなく、人間が介在する「自己進化ループ」を用いてモデルを段階的に改善する手法にある。

関連研究

従来の医療特化型モデルは、特定のタスク（例：QA）には優れているものの、エージェントとしての実務（ツール操作や複雑なワークフロー）と臨床推論を両立させる際に、一方のタスク性能が劣化する「壊滅的忘却」の課題を抱えていた。本研究は、このトレードオフを克服するために、データ精緻化パイプラインを動的に更新するアプローチを採用している。

新規性と貢献

最大の貢献は、トレーニング中に「計画」「学習」「評価」「データ混合の再調整」というサイクルを回す自己進化ループの構築である。これにより、モデルは失敗事例から能動的に学習し、汎用的な医療知識とエージェントとしての実務能力を高い次元で維持することに成功した。

提案手法の詳細

Cura 1Tの学習パイプラインは以下の構成をとる。

1. トレーニングエージェント: 各ラウンドで改善すべき能力を特定し、合成データとキュレーション済みデータを生成する。
2. 人間介在型評価: 専門家がモデルの推論軌跡を評価し、エラーの原因を特定する。
3. データ精緻化: 失敗事例に基づき、次ラウンドのデータセットを動的に最適化する。

この設計は、医療という高リスクな領域において、モデルの判断の妥当性を人間が直接フィードバックループに組み込むことで、信頼性を担保する狙いがある。

評価・考察

評価の結果、Cura 1Tは主要な医療ベンチマークにおいて既存のフロンティアモデルと同等以上の性能を示した。また、ドメイン外の推論タスクにおいても競争力を維持しており、特化型モデルにありがちな汎用性の欠如という課題を克服している。

応用例と今後の展望

本手法は、日本の医療DXにおける「診療支援システム」の高度化に直結する。特に、電子カルテの構造化データと画像診断レポートを統合的に処理し、医師の診断を支援するエージェントの実装において、数千床規模の病院での実証実験に耐えうる精度を示唆している。今後の課題は、多言語対応と、日本独自の医療制度や診療報酬体系への適応である。

結論

Cura 1Tは、人間によるフィードバックを組み込んだ自己進化ループにより、医療特化型モデルが抱えるタスク間の性能劣化問題を解決した。医療エージェントの構築において、データセットの質と進化プロセスが重要であることを実証した。

注釈

• EHR (Electronic Health Record): 電子健康記録。患者の病歴、検査結果、処方箋などを統合管理するシステム。
• 自己進化ループ: モデルの出力結果を評価し、そのフィードバックを次の学習データに反映させることで、自律的に性能を向上させる学習プロセス。