English 
医療用基盤モデルとは、画像、診療記録、ゲノムデータ、生理信号など、さまざまな形式の医療データを用いて学習された大規模なAIモデルのことで、新たな課題ごとにモデルを再構築することなく、多くの医療関連タスクを実行できるようになっています。 一度に1つのタスクを処理するように構築された従来の医療AIとは異なり、医療基盤モデルは、専門分野や医療現場、さらには患者の治療経過を超えて「横断的に」適用できるパターンを学習する傾向があります。その 世界保健機関（WHO）の 2026年の見通しによると、こうした大規模なマルチモーダルモデルは、さまざまな種類の入力を取り込み、医療、公衆衛生、科学研究、創薬といった幅広い分野において、極めて多様な出力を生成することができるとのことです。.
この変化が重要なのは、医療が決して、単一のデータ問題を多くの問題であるかのように装ったものに過ぎなかったわけではないからです。 放射線科医は画像を、臨床医は病歴を、病理医は組織を、遺伝学者変異をそれぞれ検討します。しかし、患者はこれらすべてを同時に抱えているのです。本記事では、医療基盤モデルが、いかにしてようやくその現実に即した思考を学びつつあるかを探ります。そこでは、マルチモーダル推論が単なる臨床の自動化ではなく、臨床的知性へと昇華していくのです。.
ヘルスケア・ファウンデーション・モデルの基盤となるアーキテクチャの柱
医療業界では、何十年もの間、さまざまな種類の医療知識を別々の枠組みに押し込んできました。画像診断は放射線科に属し、診療記録は病院のシステム内に収められ、ゲノム解析は研究室の中に留まっていました。ヘルスケア・ファウンデーション・モデルは、こうした構造そのものに異を唱えています。なぜなら、そもそも病気そのものが、そうした境界線を一切無視してきたからです。.
こちらもお読みください： なぜコグニティブ・ロボティクスが日本の製造業における次の強みになりつつあるのか
第一の柱は、コンピュータビジョンと医療用画像診断です。によると、 Google Health, 、医療データの90％近くは画像形式で存在しています。これにより、問題の規模は一変します。 現代の医療向け基盤モデルは、もはや胸部X線画像の読影や骨折の検出にとどまりません。これらは、デジタル病理スライドや眼科の網膜スキャン、さらにはCTやMRIの画像データにおけるますます複雑化する3Dセグメンテーション作業から学習しています。マイクロソフトの MedImageParse このモデル単体では、9つの画像モダリティと82の物体カテゴリにまたがる600万件以上の画像・マスク・テキストのトリプルデータを用いて学習が行われましたが、その3D版では、これらの機能を体積画像領域にまで拡張しています。.
2つ目の柱は言語です。長期にわたる臨床記録には、スキャンだけでは決して伝えきれないような背景情報が含まれていることがよくありますよね。 ヘルスケア基盤モデルは、長年にわたる医師の所見、検査報告書、投薬リスト、退院要約などを取り込み、より体系的な文書を作成します。さらに、臨床的な監督機能を損なうことなく、事務負担を軽減するのに役立つ「人間が関与する」臨床記録も生成します。.
3つ目の柱は、ゲノミクスおよび生理学的シグナルデータです。マルチオミクス情報は、表現型、画像所見、患者の病歴と照らし合わせることで、はるかに有意義なものとなります。オラクルの ライフサイエンスAIデータプラットフォーム すでに、外部データセットに加え、1億2900万件以上の匿名化された実世界患者の縦断的記録を統合しており、それによってマルチモーダル推論は「単なる理論」から、実運用可能なものへと進化しつつあります。.
この収束こそが、ゼロショット学習を可能にしているのです。モデルはもはや、個別の症状だけを学習しているわけではありません。相互に関連し合うシステムとしての「医学」そのものを学習しているのです。.
理論から臨床現場へ――臨床インテリジェンスが機能し始める場所
真の試練は ヘルスケア ファウンデーションモデルの真価は、ベンチマークをクリアできるかどうかという点にはありません。むしろ、決断を先延ばしにできない午前2時の病棟という、騒音や絶え間ない曖昧さに満ちた環境の中で、それらが耐え抜けるかどうかという点にあるのです。.
その最も明確な例の一つが、自動化されたレポート作成に見られます。従来の画像診断用AIは、「肺炎があるかどうか」や「骨折が確認できるかどうか」といった、非常に限定的な質問に答えるよう学習されていました。一方、医療分野のファウンデーションモデルは異なる仕組みで動作します。これらのモデルは、現在の画像と過去の画像を比較し、その所見を患者の病歴と照らし合わせ、臨床医が確認・編集・承認できる構造化されたレポートを作成します。 マイクロソフトの「CXRReportGen」に類似したアプローチは、この業界がどこへ向かっているかを示しています。このモデルは、単なる検出器としての役割から脱却し、放射線科医の隣に座る臨床アシスタントのような役割を果たし始めています。.
診断のトリアージにおいて、第二の課題が生じています。病院が機能不全に陥るのは、専門家に専門知識が欠けているからではありません。専門知識が持ち込まれるのが遅すぎるからです。頭蓋内出血が疑われる症例が、通常の検査の順番待ちに並んでいる状況は、放射線科の問題ではありません。それは、ワークフローの問題を装った「時間」の問題なのです。.
医療分野の基盤モデルは、画像埋め込みとゼロショット学習を活用して、異常所見を検出し、緊急の症例をより迅速に専門医へ引き継ぎます。このモデルは、あらかじめ定義された単一の疾患を探すのではなく、医療画像そのものに内在するより深い「言語」を学習します。この違いが重要なのは、医療の現場では、トレーニングデータセットでは予測できなかったような境界事例が絶えず発生するからです。.
最大の期待は、そもそも意思決定そのものを置き換えることではないかもしれません。単に、適切な担当者が適切なタイミングで適切な患者を診察できるようにすることにあるのかもしれません。.
ガバナンス、プライバシー、信頼における重大なボトルネックの克服
医療分野において、データ不足に悩まされたことは一度もありません。問題となっているのは、医療機関や規制、患者集団の枠を超えて安全にやり取りできる、実用的なデータが不足していることです。そこが、医療分野の基盤モデルにとって最大の課題となるのです。.
その課題の中心にあるのがプライバシーです。HIPAAやGDPRといった規制にはそれなりの理由があるため、病院は単に患者の記録をまとめて巨大なトレーニング用データセットにすることはできません。. ジェネレーティブAI は、合成データを通じて新たな解決策を提供し始めています。実際の患者情報を公開する代わりに、モデルはプライバシーを保護したデータセットを作成することができます。このデータセットは、統計的・臨床的特徴を基本的に維持しつつ、直接的な識別子を排除したものです。その可能性は極めて大きいですが、それでもなお、合成データについては、希少な疾患や境界事例がモデルの学習内容から知らぬ間に除外されていないことを確認するため、慎重な検証が必要です。.
さらに、モデルドリフトという問題もありますが、これについては本来あるべきほど注目されていません。病院の状況は常に変化し続けています。 画像診断装置が入れ替わったり、患者層が変化したり、診療フローが更新されたり、さらには基礎疾患の傾向も変化したりします。今日では優れた性能を示しているモデルでも、後になって性能が徐々に低下することがあり、その際、特に警告が発せられることもありません。したがって、継続的なベンチマークとモニタリングは、単なる技術的なアップグレードではなく、臨床上の安全要件となるのです。.
フェデレーテッド・ラーニングは、この課題解決に向けたもう一つの鍵となります。病院間で生の患者データをやり取りするのではなく、データは各施設に残したまま、モデルを移動させる仕組みです。各医療機関は、共有された知能をローカルで学習させ、患者記録ではなくモデルの改良点を交換します。その結果、医療システムが「連携」と「機密保持」のどちらかを選ばなければならないという状況に追い込まれることなく、より大規模で多様な学習環境を実現できます。.
医療AIへの信頼は、単にモデルの規模を大きくするだけでは得られません。医療機関が、それらのモデルがどのように学習し、適応し、失敗するのかを説明できるようになって初めて、信頼は得られるのです。.
自律型臨床アシスタントの将来展望
医療基盤モデルの次の段階は、レポートの作成を迅速化したり、記録の要約をより的確に行ったりすることではありません。臨床医が最終的な判断をしっかりと掌握したまま、刻々と変化する状況の中でリアルタイムに推論を行うことにあるのです。.
エージェント型AIシステムは、画像診断データと検査値、患者の背景情報、治療プロトコル、さらには症例の経過中に新たに明らかになるエビデンスなどを統合できる、いわば能動的な臨床パートナーとして登場し始めています。その違いは些細に思えるかもしれませんが、重要な意味を持ちます。通常は AI むしろ、一旦停止して明確な指示を待つようなものです。一方、エージェント型システムはワークフローに即座に参入し、まだ明らかになっていない点を指摘し、次のステップを提案し、新たな知見が得られた際には柔軟に対応します。.
この変化のペースは急速に加速しています。. AWS によると、創薬に関連する公開された基盤モデルの数は、2021年初頭のわずか1件から、2025年半ばには226件に増加したとのことです。.
医療は自律型医療へと向かっているわけではありません。臨床判断の拡張へと向かっているのです。勝者となるのは、AIを最も多く導入している病院ではありません。人間の専門知識がどこで終わり、機械の知能がどこから始まるかを正確に把握している病院こそが、勝者となるでしょう。.
日本語