Yi Lin氏らの研究チームは2026年7月15日(現地時間)、胸部CTレポート作成を支援する、多粒度知識検索強化フレームワーク「MonteRET（モンテレト）」を発表した。臨床的に信頼性の高いレポートには、ボリューム全体の理解と局所的な解剖学的所見の正確な記述が不可欠であり、MonteRETはマルチモーダルLLMを多粒度知識検索で強化するAIエージェントとして、この課題解決を目指す。
MonteRETは、胸部CTスキャンから得られるグローバルなCT特徴と、領域レベルの解剖学的表現を統合する独自のアプローチを採用している。このフレームワークは、予測された医学的状態と、特定の領域における視覚と言語情報のアラインメントを深く利用することで、臨床的に関連性の高い知識を効率的に検索するメカニズムを持つ。この多粒度知識検索機能により、診断の精度と信頼性の向上を目的としている。
MonteRETの中心的な機能の一つとして、知識に基づいたレポート書き換えエージェントが挙げられる。このエージェントは、最初に生成されたレポートを分析し、検索された臨床知識を基に内容を洗練・修正する役割を担う。これにより、より正確で詳細な、そして臨床的に有用なレポートの作成を可能にする。このプロセスは、複雑な医療情報の解釈における誤りや不正確さを最小限に抑えることを目指している。
モデルの訓練には、公開コホートであるRadGenome-ChestCT（ラドゲノム・チェストシーティー）から提供された、24,128件のCTスキャンデータが用いられた。この大規模なデータセットを使用することで、MonteRETは多様な臨床シナリオと解剖学的バリエーションを学習し、堅牢な知識ベースを構築した。
MonteRETの性能評価は、二つの主要なコホートで実施された。一つはRadGenome-ChestCTテストセットに含まれる1,564件のCTスキャン、もう一つはNewYork-Presbyterian/Weill Cornell Medical Centerからの82件のCTスキャンを含む外部コホートである。この二段階評価により、モデルの汎用性と実臨床における有効性が検証された。
評価の結果、MonteRETは既存のベースライン手法および複数の先行研究と比較して、レポートの品質、意味的類似性、および臨床的有効性の全てにおいて顕著な改善を示した。特に、診断の見落としを減らすことを意味するリコール指標において、最も顕著な性能向上が確認された。さらに、放射線科研修医による専門家の人間評価も、MonteRETが生成したレポートの臨床的信頼性と有用性を高く評価しており、このフレームワークが実際の臨床現場で貢献し得る可能性を示唆している。
医療AI開発への示唆
この研究成果は、医療分野におけるAI開発者や研究者に以下の具体的な示唆を提供する。
- 多粒度知識検索の応用: 本研究が示した、グローバルな特徴と領域レベルの表現を統合する多粒度知識検索アプローチは、医療文書生成に限らず、他の専門領域における高度な情報抽出や要約タスクへの応用が期待される。
- 評価軸の多様化: AIモデルの評価において、既存の定量指標（品質、意味的類似性、リコール）に加え、専門家による人間評価を導入することで、臨床的信頼性と実用性を多角的に検証する重要性が示された。これは、医療AIの実装に向けた信頼性構築において不可欠な視点である。
- 公開データセットの活用: RadGenome-ChestCTのような大規模な公開コホートを活用し、多様な臨床シナリオに対応可能な堅牢なモデルを構築するアプローチは、医療AI開発における有効な戦略である。類似のデータセットを用いたモデルの事前学習やファインチューニングの可能性を検討することが推奨される。
参考: arXiv cs.CV (アーカイブ) — 2026年7月17日 13:00 (JST)
原文ハイライト"AI Agent Enhancing Multimodal LLMs with Multi-granularity Knowledge Retrieval for Chest CT Report Generation"