Diagnostic Performance of Agentic AI for Rare Disease Diagnosis: A Systematic Review, Meta-analysis, Workflow Development, and Benchmark-based Validation

世界中の何百万人もの人々にとって、診断は出発点ではなく、到達できない目的地なのです。希少疾患はその性質上、捉えどころのないものです。それらは、しばしば曖昧であったり、他の疾患と重複したり、あるいは特定の個人に特有であったりする症状を呈します。これらの点と点を結びつけるために必要な医学的知識は、日常的に多くの医師が遭遇することのない専門分野に分散しています。このことが、「診断の迷宮（diagnostic odyssey）」と呼ばれる、もどかしい旅へとつながります。患者や家族は、膨大な医療データの中に隠されているかもしれない答えを求めて、何年も探し続けることになるのです。近年、人工知能はこのパズルを解くための新たな希望をもたらしています。具体的には、単にテキストを読み取るだけでなく、問題に対して能動的に思考する新しい世代のインテリジェント・システムが登場しました。「エージェント」システムと呼ばれることが多いこれらのシステムは、人間の専門家が働く方法を模倣するように設計されています。つまり、複雑な問題を小さなステップに分解し、外部のデータベースから情報を検索し、単一のプロンプトに基づいて推測するのではなく、より多くの証拠を集めるにつれて推測を洗練させていくのです。

浙江中国医科大学とその附属病院の研究者たちは、これらの高度な思考機械が、希少疾患という特定の課題に直面した際にどの程度の性能を発揮するかを理解するために調査を行いました。彼らは自ら新しい機械を構築したのではなく、調査員として、2025年から2026年の間にすでに発表された、あるいはプレプリントとして共有された7つの異なる研究の結果を収集し、分析しました。これらの研究では、さまざまなバージョンのインテリジェント・エージェントを数千件の希少疾患ケースに対してテストし、「システムが最初の推測として正しい疾患を正しく特定できる割合はどのくらいか」という、単純ながらも極めて重要な問いを投げかけました。これらの個別の調査から得られたデータを組み合わせることで、研究者たちは現在のテクノロジーの現状を示す大規模な全体像を描き出しました。その結果、33,000件以上のケースを通じて、これらのインテリジェント・システムは、最初の試行で正しい診断を約半分の確率で的中させていることが分かりました。これは、単一の静的なモデルに依存していた旧来の手法と比較すると大幅な改善ですが、結果は決して完璧ではありませんでした。性能は使用される特定のシステムやテストに使用されたデータの種類によって大きく異なり、構成によっては80%近い成功率を示すものもあれば、30%にさえ届かないものもありました。この不一致は、この技術が有望ではあるものの、まだ一様な解決策にはなっていないことを示唆しています。

これらのシステムがなぜ成功し、あるいは失敗するのかを理解するために、チームは異なるエージェントが用いた内部の「ワークフロー」、すなわち段階的なプロセスを詳細に調査しました。彼らは、最も成功しているシステムには共通の行動パターンがあることを発見しました。効果的なエージェントのほとんどは、診断タスクを管理可能な小さなステップに分解し、それらのステップを通じて推論を行い、初期のアイデアを洗練させるという戦略を用いていました。また、彼らは頻繁に、遺伝情報データベースや希少疾患レジストリなどの外部の医学的知識ベースにアクセスし、自身の仮説を検証していました。研究者たちは、これらの共通した成功パターンを取り入れ、簡略化された軽量なバージョンのワークフローを構築しました。そして、この新しいワークフローを、標準的な50件の希少疾患ケースに対してテストし、「思考型」エージェントを、ステップバイステップのプロセスや外部検索の助けを借りずに推測を行う「スタンドアロン」モードで動作する同じ基礎モデルと対決させました。

この直接対決の結果は、微妙な物語を明らかにしました。モデルが単独で動作した場合、50件中わずか5件のケースでトップの診断を正しく特定できました。しかし、同じモデルが構造化されたワークフローによって導かれた場合、性能が向上し、50件中11件で最初の回答として正解を得ることができました。これは明確な改善ではありますが、この小さなサンプルサイズにおいては、決定的な勝利と見なせるほど統計的に大きな差ではありませんでした。しかし、研究者たちは、単に「トップ1」だけでなく「トップ5」の推測に注目したとき、さらに勇気づけられることに気づきました。ワークフローによる支援を受けたモデルは、正しい診断をトップ5の選択肢の中に50%の確率で含めていました。これは、ベースラインからの大幅な跳躍です。このことは、システムが必ずしも即座に完璧な答えに辿り着けないとしても、構造化された思考プロセスが、正しい疾患を候補の中に留め、可能性の範囲を大幅に絞り込むのに役立っていることを示唆しています。

本研究は、これらのインテリジェント・エージェントが希少疾患の診断を支援する真の能力を示しているものの、まだ完成した製品ではないと結論付けています。異なるシステム間での性能の大きなばらつきは、ワークフローの具体的な設計や、アクセスするデータの質が極めて重要であることを示しています。研究者たちは、彼らの知見は最終的な解決策ではなく、概念実証（プルーフ・オブ・コンセプト）であることを強調しています。彼らが構築したワークフローは、これらのシステムがどのように思考するかを改善するための再現可能な手法として機能しますが、その信頼性を証明するためには、より大規模なスケールおよび実際の臨床現場でのさらなるテストが必要です。究ටに、目標は機械で人間の医師を置き換えることではなく、膨大な情報を処理し、厳格な推論プロセスに従うという機械の能力が、臨床医の判断をサポートするという協調的なパートナーシップを築き、答えを待つ患者たちの長く困難な旅を短縮することにあるのです。