小規模医療特化型 LLM のエージェント型ワークフロー設計──DiagnosisArena で 60.14% を記録し巨大モデルを凌駕

論文概要

医療診断は、情報の抽出、知識の参照、鑑別分析の生成、そして説明を伴う最適診断の選択という多段階のプロセスを伴う。従来のフロンティアモデルにおける単発のプロンプトでは、脆弱な診断推論しか行えない問題があった。本論文では、小規模な医療推論モデル（JSL Medical Small 7B v2）と検索拡張生成（RAG: Retrieval-Augmented Generation）を中心に据え、規律あるプロセスの制約を組み合わせた 5 段階のパイプライン「DeepLens Diagnosis Agent」を提案する。915 ケースからなる DiagnosisArena ベンチマークにおいて、同エージェントは小・中規模モデルで最高となる 60.14% の top-1 診断精度を記録した。

関連研究

従来の大規模言語モデルは一般的なベンチマークで高いスコアを記録しているものの、不確実性を伴う医療診断の領域では単なる知識の想起（メモリー・リコール）を超えた推論が必要となる。先行研究ではモデル自体のパラメータ数を増大させるアプローチが主流であったが、本研究ではプロセスの制約とエージェント型ワークフロー設計によって、パラメータ数の劣る小規模モデルでもフロンティアモデルを上回る性能を発揮できることを実証している。

新規性と貢献

本研究の最大の新規性は、モデル単体の能力に頼るのではなく、構造化された 5 段階のパイプライン制約を課すことで、小規模モデルからフロンティアモデルを凌駕する性能を引き出した点にある。ワークフローの設計のみで、エージェント未適用時の 23.99% から 36.15pt の精度向上を達成した。また、1 ケースあたりのコストが 0.0072 米ドル、レイテンシが 24 秒と、Claude Sonnet 4.5 や Gemini 3.1 Pro などの商用フロンティアモデルと比較して 35〜45% 安価でありながら、精度面でも 9.17〜9.70pt 上回っている。

提案手法の詳細

DeepLens Diagnosis Agent は、以下の 5 つの段階を厳格に実行するパイプライン構造を採用している。

• 構造化された臨床情報の抽出
• 規律ある検索（Retrieval）
• 制約付きの候補生成
• 明示的なエビデンスの三角形分割（Triangulation）
• 監査可能な最終決定

これらの制約設計により、不確実性の高い診断プロセスにおける推論のブレを防ぎ、各段階の中間成果物を構造化して出力することでエラーの局所化とトレーサビリティを担保している。

評価・考察

915 ケースの DiagnosisArena における実験の結果、エージェントを適用した JSL Medical Small 7B v2 は 60.14% の精度を記録し、エージェントなしの場合（23.99%）から大幅な改善を示した。また、標準的な医療ベンチマークで 88.2% を記録しているモデルであっても、ワークフローなしでは診断精度が伸び悩むことから、不確実性の高い臨床推論には知識量だけでなく体系的なプロセス制約が不可欠であると結論付けられている。

応用例と今後の展望

本手法は、高いトレーサビリティと再現性、監査可能なエビデンスが求められる高リスク領域への応用が可能である。医療分野における電子カルテの自動解析や、国内の医療・製薬業界における臨床診断支援システム（規模感として中規模以上の病院や医療 AI ベンダー）において、API コストを抑えつつ高い精度を担保したエージェント基盤を実装するための有効な設計指針となる。今後の課題としては、さらに多様な臨床シナリオへの適応とマルチモーダルデータの統合が挙げられる。

結論

本論文では、小規模な医療推論モデルに対して 5 段階のエージェント型ワークフロー制約を導入することで、商用フロンティアモデルを凌駕する診断精度とコスト効率を両立できることを示した。ワークフロー設計の工夫がモデル単体のパラメータ数や API コストの差を逆転し得る強力なアプローチであることを実証している。

注釈

• JSL Medical Small 7B v2: 医療特化型のパラメータ数 70億規模の小規模推論モデル。
• DiagnosisArena: 915 の医療診断ケースからなる評価用ベンチマーク。
• RAG (Retrieval-Augmented Generation): 外部の知識ベースから関連情報を検索し、その情報を基に回答を生成する手法。