8月13日、Nature Cancerが「Local AI agent brings tumor board expertise to hematological malignancies」と題した論文を公開した。血液悪性腫瘍（hematological malignancies）の治療方針決定を支援するローカルAIエージェント「HemaGuide」の研究成果について詳しく報告している。
腫瘍委員会をAIで支援・補完する、という挑戦
血液がん（白血病・リンパ腫・形質細胞腫瘍〔plasma cell neoplasms〕など）の治療においては、多職種腫瘍委員会（Multidisciplinary Tumor Board、MTB）が治療方針のゴールドスタンダードとされている。専門医・腫瘍内科医・病理医・遺伝子診断医らが一堂に会し、個々の症例を議論して最適な治療法を決定する仕組みだ。
しかしMTBはリソース集約的であり、地域間の偏在も深刻だ。専門的なMTBが機能しているのは主に欧米の三次医療機関に限られ、地方病院や途上国の患者はこの恩恵を受けにくい。LLM（大規模言語モデル）を臨床意思決定支援に活用する研究は増えているが、ハルシネーション（事実と異なる内容の生成）や推論根拠のトレーサビリティ不足が、実臨床への展開を阻んできた。
今回、Zoller らが Nature Cancer に発表したHemaGuideは、こうした課題に正面から向き合った設計になっている。
HemaGuideのアーキテクチャ：「検索優先」の設計思想
HemaGuideの核心は、retrieval-first（検索優先）アーキテクチャにある。LLMに自由に推論させるのではなく、まず根拠を引いてからLLMに推論させる構造だ。
処理の流れは以下の通りだ。
- 構造化：非構造化の診療メモ・カルテをAIが解析し、構造化された症例プロファイルに変換する。
- ルーティング：症例の難易度に応じてルーティングアルゴリズムが推論戦略を切り替える。
- ルーチン症例：病院の標準治療プロトコル（SOC）に従った推薦を生成。
- 難症例（再発例・多ライン治療例など）：欧州の三次医療機関における2,000件超の過去腫瘍委員会決定から臨床的に類似した症例を検索・参照して推薦を生成。
- 遺伝子診断が曖昧な症例：専門家コンセンサス基準を適用してアクション可能な変異を特定し、関連文献を検索。
このルーティング設計が重要な点は、単一のLLMプロンプトで全症例を処理しようとしないことだ。症例の複雑さに応じて参照先を切り替えることで、推薦の根拠が常に外部ソースに紐付く構造になっており、ハルシネーションのリスクを抑えている。
コホートには白血病・リンパ腫・形質細胞腫瘍が含まれており、実臨床の疾患頻度を反映しつつ、希少・高複雑症例を意図的に多く含めている。
ローカル動作という設計判断
記事タイトルに「Local AI agent」と明記されているように、HemaGuideはローカル環境で動作する設計になっている。患者データをクラウドの外部APIに送信しないアーキテクチャは、医療情報のプライバシー規制（GDPRやHIPAAなど）への対応として現実的な選択だ。欧州の三次医療機関のデータを学習・参照に使っていることと合わせ、研究段階から実装可能性を意識した設計といえる。
結果：施設をまたいだ一致率、ハルシネーションの最小化
論文のキーポイントとして以下が挙げられている。
- 施設間一致率（cross-institutional concordance）が高い：異なる医療機関間でHemaGuideの推薦がMTBの決定と一致する割合が高く、施設ごとのバラツキが小さいと報告されている。具体的な一致率の数値については論文本文を参照されたい。
- ハルシネーションが最小化：retrieval-firstの構造により、根拠のない推薦の生成を抑制。こちらも定量的な評価指標の詳細は論文本文に記載されている。
- 監査可能性（auditability）：推薦の根拠となった過去症例・プロトコル・文献が追跡可能な形で提示される。
なお、HemaGuideはあくまで臨床医の意思決定を支援・補完するツールとして設計されており、MTBや専門医の判断を置き換えることを意図したシステムではない点は強調しておく必要がある。
医療AIの実用化における位置づけ
LLMを医療に使う研究はここ数年で急増しているが、「ハルシネーションが怖くて使えない」「なぜその推薦が出たか分からない」という問題が臨床現場への普及を妨げてきた。HemaGuideのアプローチは、LLMを「知識の生成器」として使うのではなく、構造化された外部知識（過去の腫瘍委員会決定・標準プロトコル・文献）へのインターフェースとして位置付けることで、この問題を回避しようとしている。RAG（Retrieval-Augmented Generation）の医療特化版として、実用化に向けた一つの方向性を示す研究だ。
詳細はLocal AI agent brings tumor board expertise to hematological malignanciesを参照していただきたい。
