Leveraging Few-Shot Learning and Large Language Models for Analyzing Blood Pressure Variations Across Biological Sex from Scientific Literature

完璧なケーキを大勢の人に振る舞おうとしている場面を想像してみてください。しかし、あなたのレシピ本は50年前に書かれたもので、その内容は、彼らと全く同じ見た目で、全く同じ生活を送っている人々のためにだけ作られた、非常に特定のグループの職者たちによるものでした。あなたは他のすべての人々のためにその古いレシピを使おうとしますが、ある人には乾燥しすぎ、別の人には甘すぎるケーキが出来上がってしまいます。これは、現在私たちが血圧を測定する方法が抱えている問題の本質です。何十年もの間、医師たちは、ある人が心臓に過度なストレスを感じているかどうかを判断するために、単一の「正常」な数値のセットを使用してきました。そこでは、その人の生物学的な特性（例えば、男性か女性か）によって、異なるルールが必要かもしれないという事実をしばしば無視してきました。

これを解決するために、科学者たちは新しい種類の「デジタル探偵」、すなわち大規模言語モデル（LLM）に注目しています。これらのモデルを、インターネット上に存在するほぼすべての文章を読み込んだ、超スマートなロボットだと考えてください。彼らは、あらゆる図書館の内容を暗記した学生のようなもので、疲れを知ることなく、100万ページの書籍の中から特定の事実を瞬時に見つけ出すことができます。研究者たちが答えを出したい大きな疑問は、「これらのAIロボットは、数千もの古い医学研究を読み、男女別の具体的な血圧の数値を特定し、果たして古い『一律の』レシピが本当に壊れているのかどうかを教えてくれるのか？」ということでした。

---

血圧の大捜索

この研究において、研究チームはこれらのAIロボットをテストにかけることにしました。彼らは、ロボットが膨大な科学論文の中から、非常に特定の「宝物」を見つけ出せるかどうかを確かめたいと考えました。その宝物とは、生物学的性別（男性 vs 女性）ごとに分けられた、平均的な血圧の数値と、それらの数値がどの程度変動するかというデータです。

セットアップ：デジタルのゴールドラッシュ
研究者たちは、まず膨大なデータの山を用意しました。彼らは、PubMed Centralと呼ばれる巨大なオンラインライブラリから、560万件を超える科学論文を収集しました。都市ひとつ分ほどの大きさがある干し草の山の中から、数本の針を見つけ出すような作業を想像してください。これを容易にするため、彼らは（科学者向けの超強力なGoogleのような）特別な検索エンジンを構築し、論文を血圧について述べている約11万3,000本に絞り込みました。さらに、それらの論文を小さな塊（段落）に分解し、再度フィルタリングを行うことで、最終的に約5万個の関連する段落へと絞り込みました。

この巨大な山の中から、彼らはAIツールをテストするための、管理可能な比較的小さなグループとして213本の記事を選び出しました。さらに、彼らは人間による専門家にもこれらの記事を読ませ、正解となる数値を書き込ませることで、「解答用紙」を作成しました。

コンテスト：3人の異なる探偵たち
研究者たちは、どの手法が最も正確に数値を見つけ出せるかを競うため、3つの異なる方法によるレースを設定しました。

1. 昔ながらの新兵 (DANN): これは伝統的なコンピュータプログラムであり、残りの部分を推測する前に、いくつかの例（「フューショット学習」のようなもの）を見せる必要があります。これは、テストを受ける前に数枚のフラッシュカードで勉強しなければならない学生のようなものです。
2. 有名なチャットボット (GPT-3.5): これは会話や物語を書くことができる、よく知られたAIです。研究者たちは、事前の特別なトレーニングを与えず、ただテキストを読んで数値を見つけ出すよう指示しました（これは「ゼロショット」と呼ばれます）。
3. オープンソースの巨人 (LLaMA3): これは別のグループによって構築された、強力なもう一つのAIであり、チャットボットに似ています。チャットボットと同様に、一般的な知識のみを用いて、特別なトレーニングなしでこの任務を遂行するよう求められました。

結果：レースの勝者は？
結果は非常に明確でした。「昔ながらの新兵」(DANN) はひどく苦戦しました。正解率はわずか30%程度でした。それは、テストで適当に勘で答えている学生のようでした。

「有名なチャットボット」(GPT-3.5) はそれよりも良く、約67%の回答が正解でした。それは堅実な中間の成績を収めましたが、本来見つけるべきものを見逃すこともありました。

勝者は「オープンソースの巨人」(LLaMA3) でした。このモデルは、正確性のスケールで驚異的な 0.85（または85%）を記録しました。それは最も信頼できる探偵であり、高い精度で男女の正しい数値を見つけ出し、手がかりを見逃すことも滅多にありませんでした。研究者たちは、このAIがあまりにも一貫しており、テストを何度も実行してもスコアがほとんど変動しないことを見出しました。

宝物の中に何が見つかったのか？
勝ち取ったAI（LLaMA3）が論文から数値を引き出すことに成功した後、研究者たちはそのパターンを分析しました。彼らは、データの可視化のために、カラフルなマップ（ヒートマップや等高線図と呼ばれるもの）を作成しました。これらのマップは、概して 「男性は女性よりも血圧の値が高い傾向にある」 ということを示していました。

これは、それ自体としては驚くべき発見ではありません（これまでの研究でも示唆されていました）。しかし、素晴らしいのは「どのようにして」それを見つけたかという点です。彼らは人間に数千の論文を読ませたのではなく、AIを使って自動的にそれを行ったのです。これは、私たちがこれら強力なロボットを使用して、歴史上の医学文献全体をスキャンし、異なるグループの人々が実際にどのような状態にあるのかを把握できることを示唆しています。単なる古い、汎用的なルールに頼るのではなく、です。

結論
この研究は、これらのAIロボットがメジャーリーグへ出る準備ができていることを結論づけています。彼らは科学文献を読み、データを性別ごとに分離し、単に推測したり古い方法を用いたりする場合よりも、血圧の傾向についてより明確な姿を見せてくれます。研究者たちは、今回の試行では性別のみに焦点を当て、年齢や人種といった他の要因についてはチェックしていないことを認めていますが、この手法自体は機能しています。それは、まるで、ルールが元々書かれた時の人々だけでなく、すべての人にとってルールが公平であるかどうかを判断するために、100万件の契約書の細かい字を読み解くためのツールをようやく手に入れたようなものです。

この論文は、これらのツールを使用することで、最終的には、すべての人を適合しない箱に押し込めるのではなく、現実の人々に適合する、よりパーソナライズされた正確な健康ガイドラインを作成できるようになる可能性があることを示唆しています。