論文リポジトリのarXiv cs.CLは9月3日(現地時間)、「MedProb: Probing Internal Representations of Vision-Language Models for Medical Question Answering」と題する研究論文を公開した。Erfan Nourbakhsh、Ke Yang、Anthony Riosの各氏が執筆した本研究は、医用画像質疑応答（Med-VQA）における従来の前提に再考を促すもの。MedProbは軽量なプロービングフレームワークとして、凍結されたVision-Language Model (VLM) の内部表現から、フリーテキスト生成なしに多肢選択式のMed-VQAの回答を予測する。
医用画像質疑応答（Med-VQA）は、これまで医療分野に特化したファインチューニング、大規模なモデル、あるいは複雑なマルチエージェントパイプラインが必要とされてきた。これに対し、本研究で提案されたMedProbは、これらの前提を検証する。
PATH-VQA、SLAKE、VQA-RADといったデータセットを用いた評価において、MedProbはプロンプティングよりも多くの回答関連信号を回復し、医療VLMやエージェントシステムよりも優れた性能を示した。また、プロービングは小規模モデルと大規模モデル間の見かけ上の性能差を縮小することが確認された。これは、小規模なVLMが、生成ベースの評価では明らかにならない、より多くの回復可能なMed-VQA信号を含んでいる可能性を示唆している。
さらに、14組の汎用VLMと医療VLMのペアを比較した結果、医療に特化した適応が線形デコーダビリティを一貫して改善するわけではないことも明らかになった。フリーテキスト生成が最大10パーセントポイントの回答位置バイアスを示す一方、MedProbも位置バイアスを持つものの、その影響はプロンプティングとは異なる。本研究の主要な結果は多肢選択/多クラスのMed-VQA設定に焦点を当てているが、リジェクションサンプリングスコアリング手順を用いることで、オープンエンド生成へのプローブの拡張も可能であるとしている。本論文はEMNLP Findings 2026に採択されている。
参考: arXiv cs.CL (アーカイブ) — 2026年9月7日 13:00 (JST)