国産医療LLM「SIP-jmed-llm-4」とは｜医師国家試験9割超えは「診療で使える」という意味か

結論：注目すべきは「9割」より「知識グラフ」

• 医師国家試験のベンチマークで正答率9割超。ただしこれは研究用ベンチマークの結果で、臨床試験ではない
• 本当に注目したいのは、約3万例の症例をもとにした知識を「外部ツール」として参照させると、鑑別診断の評価が上がったこと（3点満点で1.74→1.97）
• 知識グラフなしでは、比較対象の大型オープンウェイトモデル（gpt-oss-120b：1.93）を下回っていた。知識グラフを参照すると1.97となり、わずかに上回った。医療LLMにどのような医学知識を組み合わせるかが、性能を左右しうることを示す結果
• 2026年度内に、主に医師を対象とした試験的な限定公開を目指す。位置づけはあくまで医師の判断の補助

何が発表されたのか

発表されたのは、大きく3つです。

研究は、内閣府の戦略的イノベーション創造プログラム（SIP）第3期「統合型ヘルスケアシステムの構築」の一環として行われ、NII、京都大学、自治医科大学などが参加しています。

仕組み：LLMが「症例の知識」を参照する

このエージェントの特徴は、LLMが自分の記憶（学習した知識）だけで答えるのではなく、外部の知識を引きながら答えるところにあります。

参照される知識のもとになっているのが、「疾患因果ダイアグラム」です。これは約3万例の症例について、疾患・病態と症状・所見の関係を整理・構造化した医学知識の基盤で、自治医科大学の永井良三学長が長年にわたって構築してきたものだと説明されています。約5万語の医学用語辞書とあわせて作られています。

なお、ここからは発表の内容ではなく、一般的な背景の説明です。LLMには、もっともらしい誤り（ハルシネーション）を出す弱点があり、外部の知識を参照させる設計は、一般にその弱点を補う考え方の一つとされています。筆者の理解では、文書を検索して答えに使うRAG（検索拡張生成）と発想が近い仕組みです（発表ではRAGという語は使われていません）。LLMの基礎はG検定用語：大規模言語モデル（LLM）で解説しています。

結果の数字を読む

① 医師国家試験ベンチマーク：正答率9割超

日本の医師国家試験の問題をもとにしたベンチマーク（JMedQA）で、外部ツールを使わない条件で正答率90%超と発表されています。比較モデルの具体的な点数は、発表本文には示されていません。

② 鑑別診断ベンチマーク：知識グラフで1.74→1.97

もう一つは、症例の情報から鑑別診断を挙げる力を日本語で測るために作られたベンチマーク（PMC-Patients-JA-DDx）です。選択肢から選ぶ国家試験形式と比べると、課題の形は診療に近いと言えます。医学論文データベースPubMed Centralの症例報告をもとに作られています。結果は次のとおりです。

この表から読み取れることは3つあります。

• 知識グラフの効果がはっきりしている……同じSIP-jmed-llm-4でも、知識グラフを参照すると1.74から1.97に上がった
• 知識グラフなしでは、大型オープンウェイトモデルに届いていない……gpt-oss-120b（1.93）を、知識グラフなしでは下回り、ありでわずかに上回る
• このベンチマークでは、同じLLM-jp-4系統の別モデルより高い……知識グラフなしでも1.74で、llm-jp-4-33b-thinking（1.58）を上回っている

「国家試験9割」と「診療で使える」の距離

「医師国家試験で9割」と聞くと、医師並みに使えるように感じます。しかし、試験を解く力と、診療で役に立つ力は別物です。医療現場の視点で見ると、その差は次のようなところにあります。

鑑別診断のベンチマークは国家試験より課題の形が診療に近いものの、題材は論文として報告された症例です。論文の症例報告は、情報が整理され、結末まで分かっています。目の前の患者の、整理されていない情報からどこまで役に立つかは、医師による試験利用で確かめていく段階です。

発表自体も、結果は研究用ベンチマークにもとづく評価であり、そのまま実際の診療における安全性や有用性を保証するものではないと明記しています。この慎重さは、そのまま受け取るべきところです。数字の読み方については、医療AIの「精度95%」をどう読むかでも詳しく解説しています。

日本の医療に特化したLLMが求められる背景

海外の汎用LLMでも日本語は扱えます。それでも日本の医療に特化したLLMが求められる背景は、言葉の問題だけではありません。

• 患者背景の違い……年齢構成や生活習慣、疾患の頻度などは国や地域によって異なる
• 治療環境の違い……標準的な治療や、利用できる薬剤・医療機器は国によって異なる
• 医療制度の違い……保険適用や診療報酬など、日本独自の制度を踏まえた情報提供が必要になる

医療現場の視点からも、日本の患者・治療・制度を前提に考えられるAIは重要だと感じます。

ただし、この3点は一般的な背景の説明であり、今回のベンチマークで直接確かめられたものではありません。今回の研究は日本と海外の患者集団を比べたものではなく、鑑別診断のベンチマーク（PMC-Patients-JA-DDx）も、PubMed Centralの症例報告をもとに作られています。また、知識グラフのもとになった約3万例が、すべて国内の症例であるとは発表に明記されていません。今回の結果から言えるのは、日本の医療に特化したLLMと、約3万例の症例をもとに構築された医学知識基盤を組み合わせることが有効であることを示す結果の一つだ、という範囲です。

現場ではどう使われそうか

こうした鑑別診断支援AIが使えるようになったとき、現場で想定される使われ方は、院内のガバナンス（利用ルール）に従った、補助的な使い方です。考え漏れがないかを確かめる、関連する症例報告を探す、といった場面が中心になるはずです。

あわせて、使う側が気をつけたい点もあります。

• 出力をそのまま使わない……鑑別の候補は、考える材料であって答えではない。AIの助言に医師がどう反応するかを調べた研究でも、誤りに引きずられる「過信」が確認されている
• 患者情報の扱い……どのような環境で動き、入力した情報がどう扱われるかは、施設のルールに沿って確認が必要。一般的な生成AIでの注意点はなぜ患者情報を生成AIに入力してはいけないのかにまとめています
• 倫理審査・法令……発表でも、実用化には倫理審査や関連する法令・指針の遵守が必要とされている

今後の予定

研究チームは、2026年度内に、主に医師を対象とした試験的な限定公開を目指すとしています。権利関係や利用条件が整理された範囲で公開し、医師による試験利用を通じて有用性と安全性を検証していく計画です。

まとめ

• NIIなどが、国産医療LLM「SIP-jmed-llm-4」（約332億パラメータ）と、鑑別診断を支援する医療AIエージェントを発表（2026年10月26日）
• 医師国家試験ベンチマークで正答率9割超。ただし研究用ベンチマークの結果で、臨床試験ではない
• 約3万例の疾患因果ダイアグラムをもとにした知識グラフを参照すると、鑑別診断の評価が1.74→1.97に向上
• 知識グラフなしでは大型オープンウェイトモデル（1.93）を下回り、ありでわずかに上回る。採点方法とばらつきは非公表なので、小さな差は慎重に読む
• 国家試験と診療の間には、訴えのあいまいさ・カルテの癖・検査の前提条件という距離がある
• 現場での使われ方は院内ルールに従った補助。「補助」という位置づけは建前としても重要

日本の医療AIは、海外の汎用モデルを使うか、日本向けに作るかの分かれ道にあります。今回の発表は、日本語の医療LLMに、約3万例の症例をもとにした医学知識基盤を組み合わせることで、比較対象の大型モデルに並ぶ評価が得られたことを示しました。あとは、整理されていない現場の情報の中で、医師の考えを本当に助けられるか。試験公開後の検証に注目したいところです。