ジョン・スノー・ラボは2026年5月19日(現地時間)、医療診断プロセスに特化したエージェント「DeepLens Diagnosis Agent」を発表した。このエージェントは、小規模な医療推論モデルJSL Medical Small 7B v2と検索拡張生成（RAG）を組み合わせた5段階のパイプラインを通じて、大手大規模言語モデル（LLM）に匹敵する診断精度とコスト効率を達成するという。arXivが同日公開した論文で明らかにした。
DeepLens Diagnosis Agentは、医療診断における事実抽出、知識参照、鑑別診断生成、最適診断選択という多段階のプロセスに対応するよう設計されている。従来の汎用的なLLMは、単一のプロンプトでは診断推論が不安定になる場合があることが指摘されている。
このエージェントの中核には、小規模な医療推論モデルであるJSL Medical Small 7B v2と、外部知識を補強するRAGが位置付けられている。パイプラインは、構造化された臨床情報の抽出、体系的な情報検索、候補診断の制限された生成、明確なエビデンスの三角測量、そして監査可能な最終決定という5つの段階で構成される。この設計は、モデルの能力と規律あるプロセス制約を組み合わせた「harnessing」と呼ばれるアプローチを採用している。
DiagnosisArenaベンチマークの915ケースにおいて、DeepLens Diagnosis Agentは60.14%のトップ1診断精度を達成し、中小規模モデルの中で最高精度を記録した。エージェントワークフローを適用しない同じモデルの精度は23.99%であり、ワークフロー設計のみで36ポイントの向上を示した。これは、不確実性下での診断推論が単なる知識の想起以上にプロセスの重要性を示すものである。
運用コストに関して、エージェントは1ケースあたり0.0072米ドル、レイテンシは24秒と報告されている。これはClaude Sonnet 4.5の0.0110米ドルやGemini 3.1 Proの0.0128米ドルと比較して35〜45%安価でありながら、診断精度ではそれぞれ9.70ポイント、9.17ポイント上回る結果となった。
研究者らは、このような「harnessing」のアプローチが、最先端モデルの失敗を是正する可能性も指摘している。ワークフローの制約が、パラメータ数やAPIコスト以上に重要となる場合があるという。このパイプラインは、集計精度だけでなく、各段階で中間成果物を生成するため、追跡可能性、再現性、監査可能なエビデンスが求められる高リスクな状況で有効であるとしている。
参考: arXiv cs.AI (アーカイブ) — 2026年7月28日 13:00 (JST)