医療 LLM ベンチマークの現在地：多面的評価 と日本ローカライズ

日本メディカルAI学会 2026
シンポジウム12 生成AI技術と薬機法

https://www.jmai2026.jp/program.html

Transcript

1. 医療 LLM ベンチマークの現在地 多面的評価と日本ローカライズ Senior Research Fellow @ Aillis Inc. Hiroshi Yoshihara (X: @analokmaus) 2026 年 6 月 6 日　日本メディカルAI 学会 1
2. 利益相反の開示 (COI Disclosure) 発表者の利益相反は以下のとおり。 役員・従業員（雇用・給与） アイリス株式会社 Sakana AI 株式会社 株式会社Rist 2
3. ベンチマークはなぜ重要か 「測れないものは改善できない」— ベンチマークは AI 開発の羅針盤 進歩の定義 何を「良い」とするかを定め、開発の方向を決める 公平な比較軸 共通の物差しでモデル・手法を横並びに比較できる 分野を駆動 ImageNet ・GLUE ・MMLU など、優れたベンチが進歩を加速してきた 安全な実装の前提 能力と限界を定量化し、デプロイ可否の判断根拠になる 医療では誤りが患者被害に直結し、特に不可欠 ただし質の低いベンチは「誤った進歩」を生む — 何を・どう測るかの設計が問われる “ “ 3
4. 0. 問題設定：ペーパーテストから臨床ワークフローへ 知識 QA （MedQA ・IgakuQA ）は最先端モデルで 95%+ に飽和し、性能差を測れない MedCheck — 53 ベンチの 92% が汚染チェックを欠く（進歩の幻影） → 多面的評価（知識〜カルテ 6 軸）と 日本ローカライズ が同時に要る ① 知識- 実行ギャップ（MEDIC ）— 静的 QA の高得点は実務タスクの成功を予測しない ② 日本ローカライズ（Hisada+ ）— 直訳では 60%+ の採点基準が日本制度に要修正 “ “ 出典: MedCheck (arXiv:2508.04325); MEDIC (arXiv:2409.07314); Hisada+ (arXiv:2509.17444) 4
5. 1. 知識 (Knowledge) 代表 MedQA ・MedMCQA ・PubMedQA 日本語は KokushiMD-10 （10 職種・11,588 問） ・IgakuQA 構築 医師国家試験や入試問題を収集（多くは多肢選択式） 限界 ペーパーテストで実臨床と乖離 最先端モデルで飽和し、Web 由来の汚染リスク・米国/ インド偏重 日本語 あり。ただし試験ベースで実務能力までは測れない 出典: MedQA (Jin+2020); MedMCQA (arXiv:2203.14371); KokushiMD-10 (arXiv:2506.11114) 5
6. 2. 診断 (Diagnosis) 代表 静的 MedXpertQA ・DiagnosisArena 対話 AMIE ・CRAFT-MD 構築 難問を専門家＋AI で選別／対話はシミュレート患者で生成 限界 米国中心・LLM 合成依存／対話は実患者の曖昧さを再現できず 日本語 静的は翻訳のみ、対話的診断はほぼ無し 出典: MedXpertQA (arXiv:2501.18362); AMIE (Nature 2025, s41586-025-08866-7); CRAFT-MD (Nat. Med.) 6
7. 3. 推論 (Reasoning) 代表 MedAgentsBench （既存 8 ベンチの難問） ・MedCalc-Bench （55 種の臨床計算） 構築 複数モデルが解けない問題を敵対的に抽出 計算タスクは医師が手順付きで検証 限界 計算に限定され英語のみ 抽出系は元データの汚染を引き継ぐ 日本語 翻訳のみ。計算・規則ベース推論の日本語ベンチは未整備 出典: MedAgentsBench (arXiv:2503.07459); MedCalc-Bench (arXiv:2406.12036, NeurIPS 2024) 7
8. 4. 安全性 (Safety) 安全性ベンチは「何が“ 有害” か」を測る。その規範＝医療倫理が土台 生命倫理の 4 原則 自律尊重 与益 無危害 正義 自己決定（IC ）の尊重 患者の利益のため行動 害を与えない（Do No Harm ） 公平な資源配分 AMA 医の倫理原則（9 原則） → MedSafetyBench が違反プロンプト生成に利用 日本医師会 67 ガイドライン → JMedEthicBench が接地 禁忌肢・見落とし は無危害原則に対応 → 日本規範へのローカライズが必要 出典: 生命倫理4 原則 (Beauchamp & Childress); AMA Principles of Medical Ethics; 日本医師会 医の倫理綱領/ ガイドライン 8
9. 4-1. 代表ベンチ 代表 HealthBench （5,000 会話・48,562 採点基準） ・CARES （18,000 敵対プロンプト） ・ NOHARM 日本語は JMedEthicBench 構築 HealthBench ＝ 262 名の医師が採点基準を作成＋人間敵対テスト MedSafetyBench ＝ AMA 原則 × jailbreak で有害プロンプト生成 限界 プロンプト・採点基準の多くが LLM 合成 自動採点 LLM のバイアス・過剰拒否の見落とし 日本語 JMedEthicBench あり。総合安全性は J-HealthBench 検討段階 出典: HealthBench (arXiv:2505.08775); CARES (arXiv:2505.11413); MedSafetyBench (arXiv:2403.03744); NOHARM (arXiv:2512.01241); JMedEthicBench 9
10. 4-2. 各ベンチの意図 データセット 意図（何を解決するか） HealthBench MCQ では測れない自由記述の応答品質・安全性を、医師作成の採点基準で多面的に採点する CARES 有害出力・jailbreak 脆弱性・過剰拒否を同時に評価し、医療特化の敵対ロバスト性を測る MedSafetyBench AMA 9 倫理原則に違反する有害要求を体系化し、評価・追加学習による改善の基盤を作る NOHARM 有害性の主因は積極的誤りでなく 「見落とし（omission ） 」 だと示し、評価項目を再設計する JMedEthicBench 英語・単発偏重を脱し、日本（JMA ）倫理に接地した多ターン敵対で安全性を測る → 「有害を出さない」だけでなく、見落とし・過剰拒否・多ターンでの崩れまで含めて多面的に捉える流れ 出典: HealthBench (arXiv:2505.08775); CARES (arXiv:2505.11413); MedSafetyBench (arXiv:2403.03744); NOHARM (arXiv:2512.01241); JMedEthicBench 10
11. 補足A. 人間による敵対テスト HealthBench の会話は 2 通りで作られる。 生成法 内容 ① 合成生成 LLM で典型的な相談会話を自動生成 ② 人間による敵対テスト 医師・評価者がわざとモデルを失敗させる難問を作る 敵対テスト＝「引っかけ役」の人間が、曖昧・高リスク・境界事例を意図的に設計し弱点 を突く 狙い：合成会話だけでは易しく飽和するため、最先端モデルでも誤る難問を確保する HealthBench Professional — 実臨床医ログの約 1/3 が敵対テスト。worst-at-k で最悪ケ ースの信頼性も測定 出典: HealthBench (arXiv:2505.08775); HealthBench Professional (arXiv:2604.27470) 11
12. 補足B. レッドチーミング 攻撃者視点で意図的に攻撃し、脆弱性を発見する手法 LLM では 有害出力・jailbreak （安全制御の回避） ・安全境界の破れを探す 人間レッドチーム と 自動レッドチーム（攻撃プロンプトを自動生成）に大別 医療ベンチでの実例 MedSafetyBench GCG 攻撃で Llama-2 を jailbreak し、有害プロンプトを自動生成 CARES 4 戦略（直接・間接・難読化・ロールプレイ）で 18,000 敵対プロンプト JMedEthicBench 自動レッドチームで 52,000 会話、ターンが進むほど安全性が低下 出典: MedSafetyBench (arXiv:2403.03744); CARES (arXiv:2505.11413); JMedEthicBench (arXiv:2601.01627) 12
13. 5. 事務・レセプト (Administrative) 代表 ICD/CPT コーディング（MIMIC ・MDACE など） ELYZA SIP UC2 （レセプト確認修正） 構築 退院サマリにプロのコーダーが付けた ICD コードを正解化 ELYZA は実レセプトを専門家が注釈（非公開） 限界 低頻度コードに弱く米国制度に依存 未調整の LLM は完全一致 30–45% 、存在しない無効コードを生成 日本語 ほぼ皆無。公開された日本語のレセプト系ベンチは存在しない 出典: NEJM AI coding bench (AIdbp2300040); RAG-Coding (arXiv:2605.27377); MDACE; ELYZA SIP UC2 13
14. 6. カルテ・EHR (Documentation) 代表 MedAlign ・ACI-Bench ・MedAgentBench ・FHIR-AgentBench 構築 臨床医が指示・課題を作成し、実 EHR ・FHIR 環境に接地 会話→ ノートは専門家が書き直す 限界 単施設・PHI で公開制限、MedAgentBench は合成患者 実データ系は利用に認証が必要 日本語 ほぼ皆無。会話・縦断 EHR はプライバシーで収集自体が困難 出典: MedAlign (arXiv:2308.14089); ACI-Bench (Yim+2023); MedAgentBench (arXiv:2501.14654); FHIR-AgentBench (arXiv:2509.19319) 14
15. 7. 統合フレームワーク (Frameworks) MEDIC 5 次元・参照不要の評価。 「知識- 実行ギャップ」を提唱 HELM 多数のベンチを統合した包括的で再現可能な評価基盤 LiveMedBench 問題を継続更新し、汚染を構造的に回避 JMedBench 20 データセットで日本語評価の基盤（翻訳ベンチ中心） → 単一の万能モデルは存在せず、評価スイートとしての設計が論点になる 出典: MEDIC (arXiv:2409.07314); HELM (Stanford CRFM); LiveMedBench (arXiv:2602.10367); JMedBench (arXiv:2409.13317) 15
16. 8. 俯瞰マトリクス 軸 代表ベンチ（太字＝旗艦） 飽和度 日本語データセッ ト 現状の主なギャップ 1. 知識 MedQA, IgakuQA, KokushiMD-10 高（飽和） あり 飽和・汚染リスクが顕在化 2. 診断 MedXpertQA / AMIE, CRAFT-MD 低 翻訳 / 対話は無し 対話的診断の公開ベンチが限定的 3. 推論 MedAgentsBench, MedCalc-Bench 低〜中 翻訳のみ 量的・規則推論は臨床水準に未到達 4. 安全性 HealthBench, CARES, JMedEthicBench 中 あり 日本語は倫理特化のみ、総合安全性は未整 備 5. 事務・レセプ ト ICD コーディング, ELYZA UC2 低 非公開のみ 公開ベンチは英語 ICD 中心、日本語は非 公開 6. カルテ・EHR MedAlign, MedAgentBench 低 ほぼ無し 合成データ中心、日本語公開ベンチは皆無 + 統合 MEDIC, HELM, LiveMedBench — JMedBench スイート型・継続更新へ移行途上 総括：実務（事務・カルテ・対話的診断）軸は英語圏でも発展途上。日本語ではこれらの公開ベンチがほぼ無 い一方、知識・安全性は整備が進む。 “ “ 16
17. 三軸統合 (Reasoning × Safety × Realism) 正答率だけでは臨床的有用性を測れない — 3 軸はトレードオフ 正答だが危険 禁忌薬の提案・緊急性の見落とし → Safety が必要 正答だが非現実的 実際の問診・患者対応・日本の制度下で機能しない → Realism が必要 逆に安全側へ振りすぎ 過剰拒否で役に立たない → 3 軸のバランスが要る Reasoning （推論の正しさ）× Safety （無危害）× Realism （現場適合） を重ねて 1 つの評価スイートにする “ “ 17
18. 9. まとめ 次世代ベンチに求められる設計指針 1. 汚染耐性 — 公開時期管理・非公開ホールドアウト・継続更新 2. ヘッドルーム保持 — 最先端モデルでも飽和しない難度 3. 三軸統合 — Clinical Reasoning ・Safety ・Realism 4. Do No Harm 型評価 — 禁忌肢・見落とし・過剰拒否 5. 日本ローカライズ — 制度・言語・臨床慣行への適合 6. 実務タスク評価の整備 — レセプト・カルテ・エージェント 18
19. 付録1. 代表データセット早見表 データセット（軸） 概要 ★ 代表である理由 KokushiMD-10 （知識） 日本 10 職種国試・11,588 問・画像付 日本語× 職種横断の知識ベンチの到達点 MedXpertQA （診断・静的） 17 専門 4,460 問の専門医級難問 敵対フィルタで未飽和（GPT-5 でも +26% ） AMIE （診断・対話） 自己対戦で問診〜鑑別を学習・評価 対話的診断の旗艦（Nature 掲載） CRAFT-MD （診断・対話） MCQ を会話に変換し問診力を測定 静的 QA の過大評価を可視化 MedAgentsBench （推論） 8 ベンチから難問を敵対抽出 思考モデル/ エージェント評価の標準 MedCalc-Bench （推論） 55 種の臨床計算タスク 量的・規則ベース推論の代表 HealthBench （安全性） 5,000 会話 × 48,562 採点基準 採点基準による評価を確立 CARES （安全性） 18,000 敵対プロンプト × 8 安全原則 敵対ロバスト性評価の代表 NOHARM （安全性） 見落とし（omission ）を主因と定義 安全評価軸の再設計を促す JMedEthicBench （安全性・日本語） JMA 67 ガイド接地・多ターン敵対 日本語安全性の旗艦 19
20. 付録2. 代表データセット早見表 データセット（軸） 概要 ★ 代表である理由 ELYZA SIP UC2 （事務・レセプト） 実レセプトの確認修正提案（非公開） 日本の診療報酬を扱う唯一の体系的事例 MedAlign （カルテ・EHR ） 実 EHR への自然言語指示遂行 EHR 指示遂行タスクの代表 ACI-Bench （カルテ・EHR ） 医師- 患者会話 → 診療ノート生成 会話からの文書生成で最大級のコーパス MedAgentBench （カルテ・EHR ） FHIR 仮想 EHR ・300 タスク エージェント型 EHR 操作の旗艦 MEDIC （統合） 5 次元・参照不要の評価 「知識- 実行ギャップ」を提唱 HELM （統合） 多ベンチ統合の評価基盤 包括的評価の標準基盤 LiveMedBench （統合） 問題を継続更新 汚染を構造的に回避する運用設計 JMedBench （統合） 20 データセット・38,000 の日本語基盤 日本語医療 LLM 評価の土台 20
21. Thank you ご清聴ありがとうございました 21