01
Extract
医療文書の構造化
医療文書から情報を抽出・分類。判定理由と本文中の根拠を含むJSONを生成します。
4タスクモデルで評価済み
Our Research
医療文書の仕事を、
ひとつにつなぐ。
医療文書から必要な情報を取り出す。診療経過をまとめる。誤字や文字起こしの誤りを整える。Mediestは、こうした異なる業務を1つの日本語LLMで支援するための研究を進めています。
Qwen3.5-9BとGemma 4 12Bを中心に、複数タスクのデータを混ぜて追加学習。新しいタスクを加えたときにも、先に学んだタスクの性能を維持できるか検証しています。
将来の院内・社内などクローズドな環境での利用を見据え、モデルの規模と性能の両面から開発を進めています。
One Model, Multiple Tasks
情報の抽出から、文書の作成まで。
4つのタスクで評価を行い、紹介状と返書を加えた6タスクへの統合を進めています。いずれも研究段階の取り組みです。
02
Compose
退院サマリの作成
入院中のカルテ、検査、処方、手術・処置記録などから、指定書式の退院サマリを作成します。
4タスクモデルで評価済み
03
Correct
医療文書の誤字修正
医療用語や薬剤名の誤字、漢字変換、文字の重複・欠落などを検出し、修正文を生成します。
4タスクモデルで評価済み
04
Refine
音声認識テキストの補正
文字起こし後の専門用語、同音異義語、略語などの誤りを、医療文脈に沿って補正します。
4タスクモデルで評価済み
05
Refer
紹介状の作成
カルテから診療情報提供書を作成するタスクを追加。学習と推論結果の生成まで完了しています。
6タスクモデルの統合評価待ち
06
Reply
紹介元への返書生成
紹介状と診療経過から紹介元への返書を作成するタスクを追加。学習と推論結果の生成まで完了しています。
6タスクモデルの統合評価待ち
音声認識テキストの補正は、文字起こし後のテキストを対象とする処理です。音声から文字を起こすモデルは、医療音声認識AIのページで紹介しています。
Research Results
4つのタスクで確認した研究成果。
構造化・退院サマリ・誤字修正・音声認識テキスト補正を同時に学習した、Qwen3.5-9Bの評価結果です。
医療文書の構造化
98.1%正解率
評価データ362件
退院サマリの作成
98.2/ 100総合点（LLM採点）
評価データ50件
医療文書の誤字修正
93.9%修正率
100文書・誤り244個
音声認識テキストの補正
90.9%修正率
50文書・誤り503個
指標はタスクごとに異なります。構造化は正解率、退院サマリは100点満点の総合点、補正タスクは修正率です。退院サマリの点数はLLMによる採点であり、他のタスクの割合と直接比較できません。
タスクを増やしても、既存タスクの性能をおおむね維持
2タスク学習後と4タスク学習後を比べると、Qwen3.5-9Bの構造化は98.6%から98.1%、退院サマリは98.25点から98.2点でした。補正タスクを追加した後も、先に学習したタスクの性能をおおむね維持しました。
評価の内訳と補正タスクの詳細を見る
構造化の対象：肺癌・乳癌・大腸癌のTNM分類、RECIST効果判定、NYHA心機能分類、アレルギー歴、LVEF（左室駆出率）の7種類。分類・抽出結果に、判定理由と本文中の根拠を付けて出力します。
補正タスク：修正率に加え、誤りを見つける検出率と、検出内容の適合率を確認しました。以下も合成データによる4タスク統合Qwen3.5-9Bの評価です。
| タスク | 修正率 | 検出率 | 適合率 |
|---|---|---|---|
| 医療文書の誤字修正 | 93.9% | 94.7% | 97.5% |
| 音声認識テキストの補正 | 90.9% | 94.8% | 96.4% |
誤字修正では、誤りのない20文書すべてで不要な修正を行いませんでした。一方、文字の欠落を補うケースなどには課題が残ります。音声認識テキストの評価データは、実音声の認識結果ではなく、ASRの誤りパターンを参考に文字で合成したものです。
Research in Progress
紹介状と返書を加え、
6タスクの統合評価へ。
2026年11月5日 学習・推論完了
紹介状作成と紹介元への返書生成を加え、Qwen3.5-9BとGemma 4 12Bの両方で6タスク統合モデルを学習しました。6タスクの推論結果生成まで完了しています。
追加したデータは、紹介状が学習945件・評価47件、返書が学習950件・評価46件。学習に使っていない書式にも対応できるか、評価専用の書式を用意しています。
現在の段階：統合評価待ち
返書・紹介状の採点を含む統合評価は未完了です。6タスクモデルの性能値は、統合採点後に掲載する予定です。
Method & Evaluation
学習の方法と、評価の前提。
タスクに合わせたデータ設計と、複数タスクを同時に扱う学習方法を検証しています。
- 主なベースモデル
- Qwen3.5-9B、Gemma 4 12B。9B〜12B規模を中心に、ローカル環境での利用を見据えて比較しています。
- 追加学習の方法
- LoRAによるファインチューニング。複数タスクのデータを混ぜた教師あり学習（SFT）を実施。rank 32、alpha 64、3エポック、実効バッチサイズ8で学習しました。
- データの作成・分離
- 症例条件を先に定義し、GPT-4oで医療文書を合成。学習用と評価用は別の条件から作成し、全タスク間で評価データとの重複を確認しています。
- 評価の方法
- 構造化・誤字修正・音声認識テキスト補正は主に機械的に採点。退院サマリは、事実の網羅性・正確さ・書式・文章品質をGPT-4.1で採点しています。
- 学習・評価環境
- RTX PRO 6000 Blackwell 96GB × 1。ローカル運用に向けた量子化後の精度・速度・必要メモリは、今後の検証課題です。
評価結果を読む際の制約
- 学習用と評価用は分離していますが、同じ生成方法・設計思想で作った合成データのため、実データより高い点数になる可能性があります。
- 実際のカルテ・紹介状・退院サマリや、実音声から得たASRの誤りを用いた十分な評価は未実施です。医療専門家による妥当性確認も今後の課題です。
- 退院サマリなどの生成タスクはLLMで採点しており、採点モデルの判断やばらつきを含みます。各条件の学習は原則1回で、再学習によるばらつきも十分に測定していません。
- 本研究は診断や治療方針の決定、医師の判断の代替を目的としていません。実利用には、人による確認、アクセス制御、監査、個人情報保護、誤生成への対策を含む運用設計が必要です。
Next Steps
実際の利用を見据え、検証を重ねる。
合成データで得られた成果を出発点に、評価と運用の両面から研究を進めます。
01
6タスクの統合評価
紹介状・返書を含めた総合採点と、既存タスクの性能確認を実施。複数回の学習による再現性も検証します。
02
実データ・専門家の視点
実際の文書に近い書式や略語、表記揺れへの対応を評価。実音声由来の誤りの検証と、医療専門家による内容確認を進めます。
03
ローカル運用の検証
量子化後の精度、推論速度、必要なGPUメモリを評価。利用環境に合った推論方式と、情報管理・承認フローを検討します。
Collaboration
医療文書AIの可能性を、
ともに確かめる。
本研究について
本研究では、Qwen3.5およびGemma 4をベースモデルとして使用し、LoRAによる追加学習で医療文書タスクへの適応を検証しています。
掲載内容は2026年11月10日時点の研究状況に基づきます。
研究開発一覧へ戻る