Skip to content
Affectosphere Group Kansai University, Keito Inoshita Laboratory
EN

Column

「この検査、本当に撮る必要ありますか？」——AIに“データを取りに行くかどうか”を判断させると、検査負担が55%減った

多モーダルAIの研究はふつう「全部のデータが揃っている前提」で精度を競います。でもSAGEAgentは逆を行きました。患者ごとに『次の検査は本当に必要か』を能動的に判断するLLMエージェントで、予測精度を保ったまま平均取得負担を55%削減。病院の検査コスト最適化から、与信審査の追加書類請求、設備保全の追加検査まで——『情報を取りに行くコスト』がある仕事すべてに効く発想を、部署とKPIまで含めて考えます。

5 分で読める English version →
患者ごとの診断経路が分岐する意思決定フローのフラットイラスト。AIエージェントが手元の検査結果を見て「次のMRIを撮る」か「ここで止める」かを判断し、不要な検査枝が灰色に閉じられていく様子

こんにちは。Affectosphere Group の三浦です。

いきなりですが、ひとつ問いを置かせてください。

がんの患者さん全員に、フルセットの診断検査は本当に必要でしょうか。

病理、ゲノム、MRI……。多モーダルAIの論文を読んでいると、だいたい「全部のデータが揃っている前提」で話が進みます。揃っていない場合は「欠損」として、受動的に穴埋めする。でも現場はそうじゃない。検査には費用がかかるし、時間もかかるし、患者さんの身体的な負担もある。そして、撮っても撮らなくても結論が変わらない検査は、確実に存在します。

arXiv に公開された研究（Qu, Cui, Lu ほか、arXiv:2607.09521）は、そこに正面から切り込みました。提案されたのは SAGEAgent。名前の由来は Sequential Acquisition Guided by Experience、つまり「経験に導かれた逐次取得」です。

やっていることは、ものすごくシンプルに言えばこうです。患者ごとに、次のモダリティ（検査）を取りに行くべきかどうかを、AIが能動的に判断する。

今日はビジネス応用の視点から、この発想がどこまで持ち出せるかを考えてみます。

今日の3点

  1. 多モーダル生存予測の既存手法は「全部揃っている前提」か「欠損を受動的に処理する」かのどちらかで、患者ごとに「次の検査取得が正当化されるか」を能動的に推論するものはなかった。SAGEAgent はこの「診断モダリティの順序付き取得」を問題として定式化した。
  2. 中身は LLM ベースの臨床エージェント。数値予測をテキストに変換するツール、類似の過去症例を引くエピソード記憶、経験から再利用可能な決定パターンを貯めるセマンティック記憶を組み合わせて、診断的状態の変化を追いかける。
  3. TCGA-LGG / TCGA-GBM / BraTS を組み合わせた神経膠腫コホートで、競争力のある生存予測精度を保ったまま、平均取得負担を55%削減した。AIの使いどころが「精度を上げる」側から「そもそもデータを取りに行くべきか判断する」側に広がった、という話だと思っています。

① AIの出番は「当てる」ことだけじゃない

まず、この研究の一番おもしろい転換点を押さえておきたいです。

これまでのAI活用の主戦場は、ほぼ「予測精度」でした。データを全部揃えて、モデルに突っ込んで、どれだけ当たるかを競う。多モーダル学習も同じで、画像・テキスト・数値を全部混ぜるほど精度が上がりますよね、という方向で進んできました。

でも、その前段には必ずこの問いがあるはずなんです。

そのデータ、いくらかけて取りに行きますか？

検査には費用があり、時間があり、患者さんの負担がある。にもかかわらず、既存の手法はモダリティの「取得コスト」を問題の外側に置いてきました。全部あるのが当たり前。無ければ欠損として処理する。取りに行くかどうかは人間が決める、と。

SAGEAgent は、そこをAIの判断領域に引き入れました。手元にある情報だけで診断的な状態がもう十分に定まっているなら、次の検査は要らない。まだ揺れているなら、取りに行く価値がある。この「もう一手が正当化されるか」を患者ごとに推論する。

言い方を変えると、AIが担うのは答えそのものではなく、答えに近づくための一手の選択です。ここ、けっこう発想の転換だと思います。

② 経験を貯めるから「自己進化」する

では、どうやって「もう一手が要るか」を判断するのか。

SAGEAgent は LLM ベースの臨床エージェントとして設計されていて、大きく3つの部品を組み合わせています。

ひとつ目は、数値予測をテキストに変換するツール。予測モデルの出力をそのまま数字で扱うのではなく、LLMが推論できる言葉に翻訳する。これがあるから、エージェントは「今の状態がどうなっているか」を言語で考えられます。

ふたつ目は、エピソード記憶。似た過去の症例を引っ張ってくる仕組みです。「この患者に近いケースでは、追加のMRIで結論が変わったか、変わらなかったか」を参照できる。

みっつ目は、セマンティック記憶。経験から再利用可能な決定パターンを蓄積していく層です。個別の症例をただ貯めるのではなく、そこから「こういう状況ではもう追加検査は要らない」という判断の型を抽出して残していく。

自己進化（Self-Evolving）と名前がついているのは、この3つ目があるからですね。使えば使うほど、判断の型が溜まっていく。運用してデータが増えるほど賢くなる構造になっている、というわけです。

結果は、TCGA-LGG / TCGA-GBM / BraTS を組み合わせた神経膠腫コホートでの実験。競争力のある生存予測精度を維持しながら、平均取得負担を55%削減しました。

精度を落とさずに、検査を半分近く減らす。この一文の医療経済的なインパクトは、素直に大きいと思います。

③ 病院でどう試すか：部署とKPIの具体案

では、これを現場でどう試すか。私なりの導入シナリオを出しておきます。

狙いは、大学病院やがんセンターの診断ワークフローに「検査要否の一次判定エンジン」として組み込むことです。既存の診療情報を投げると、「この患者はもう十分に判断材料が揃っている」「この患者は追加のMRIで結論が変わる可能性が高い」という優先度つきの示唆が返る。医師はそれを見て、最終的な要否を決める。

想定する部署はこうです。まず病院経営管理部門。検査コストの適正化を数字で語れるようになります。次に診断部門（放射線科・病理科）。限られた撮像枠と読影リソースを、本当に効く患者に寄せられる。それからがんセンターの診療支援室。患者ごとの検査計画を組む側として、いちばん直接的に効く場所です。そして医療ITシステム部門が、電子カルテやオーダリングとの接続を担う。

KPIはこのあたりを提案します。第一に、患者1人あたりの平均診断検査費用の削減率。第二に、不要検査率の低減（後から振り返って「結論を変えなかった検査」がどれだけ減ったか）。第三に、診断フロー完結までのリードタイム短縮。そして第四に、予測精度の維持率です。C-index のような生存予測の指標が、削減後もきちんと保たれているか。

この4つ目が、いちばん大事だと思っています。コストだけ見ると「検査を減らせば減らすほど良い」になってしまう。精度の維持を必ずセットのKPIに置く。この2軸で見るからこそ、現場が納得して使えるはずです。

進め方としては、いきなり運用に乗せないこと。まずは過去の症例で回してみて、「AIが不要と判断した検査」が実際に結論を変えていなかったかを後ろ向きに検証する。ここで納得のいく数字が出てから、医師への提案という形で前向き運用に移す。最終判断は必ず人が持つ。医療は失敗の許されない領域なので、ここは慎重すぎるくらいでちょうどいいと思います。

「情報を取りに行くコスト」がある仕事、全部に効く

さて、ここからが本題かもしれません。

この発想、医療だけの話でしょうか。

たとえば与信審査。追加の書類を請求するかどうか、いつも判断していますよね。手元の情報で結論が動かないなら、その請求は申込者の離脱を招くだけの純損失です。「あと1枚もらえば判断が変わるのか」をAIが見積もれるなら、審査のリードタイムは確実に縮みます。

たとえば設備保全。追加の非破壊検査を入れるか、既存のセンサーデータで十分か。検査には停止コストがかかります。「この装置はもう十分に状態が見えている」と判断できれば、点検リソースを本当に危ない設備へ寄せられる。

たとえば市場調査。追加のインタビューを打つか、既存データで意思決定できるか。ユーザーテストを何人まで回すか。全部、同じ構造です。

共通しているのは、情報を取りに行くこと自体にコストがある、という構造。そして多くの現場で、その「取りに行くかどうか」は経験と勘で決められています。だいたい過剰か、たまに過少か。

SAGEAgent が示したのは、この意思決定そのものを学習可能な対象として扱える、ということです。しかもエピソード記憶とセマンティック記憶で、過去の判断が資産として積み上がっていく。

自社で試すなら、まずやることはひとつだと思います。「取りに行ったけれど結論を変えなかった情報」を、過去ログから数えてみる。追加請求した書類、追加で打った検査、追加で回したインタビュー。そのうち何割が意思決定を動かしましたか。

その数字が出た瞬間に、削れる余地が見えるはずです。

AIの使いどころは、精度を1ポイント上げるところだけじゃない。そもそもデータを取りに行くべきかを決める、その手前の一手にもある。そう思わせてくれる研究でした。

では！

参考論文

  1. Qu, Chongyu, Cui, Can, Lu, Zhengyi, Zhu, Junchao, Yao, Tianyuan, Guo, Junlin, Xiong, Juming, Zhu, Yanfan, Yang, Yuechen, Landman, Bennett A., & Huo, Yuankai (2026). SAGEAgent: A Self-Evolving Agent for Cost-Aware Modality Acquisition in Multimodal Survival Prediction. arXiv preprint. https://arxiv.org/abs/2607.09521

※ 本記事は一部 AI により執筆されており、間違った情報が含まれる恐れがあります。