EPEE：生物医学における効率的かつ効果的なファウンデーションモデルを目指して

なぜ医療でより速く考えるAIが重要か

現代の人工知能は診療記録を読み、画像を解析する能力に優れているが、実際の病院では一秒一秒が重要だ。救急外来や集中治療室の医師は、巨大なモデルが何十ものステップをゆっくりと“考える”のを待てない。特にその追加のステップで答えが改善されないならなおさらだ。本研究は、大規模な医療AIシステムが安全で自信ある判断を下すのに十分な情報を既に得ていると認識し、時間と計算資源を節約しつつ精度を損なわない方法を提案する。

遅くて融通の利かないAIの問題

多くの最近の医療技術の進歩は大規模な「ファウンデーション」モデルによって支えられている。言語モデルは電子カルテや研究論文の取捨選択を助け、視覚モデルはX線や組織スライドなどの画像を診断する。しかしこれらのモデルは同じ入力を何度も処理する多数の積み重なった層で構成されている。実際には後半の層がほとんど付加価値を生まないことが多く、場合によっては精度を損なうことさえある。著者らはこれを過考（overthinking）と呼ぶ。危険な薬物相互作用の警告やリスクスコアを待つ医師にとって、コンピュータ側のこの余計な計算は実際の遅延と高い計算コストにつながる。

簡単な症例を早く終了させる

先行研究では「早期終了」が提案されており、モデルは層の間に小さなチェックポイントを設ける。チェックポイントが既に高い確信を持っている場合、モデルはそこで停止し残りの層を通さずに結果を返せる。ある手法群は確信度に基づいて決定する：予測がある結果に強く集中して見えるなら終了する。これらのアプローチは単純で柔軟だが、速度重視に調整すると精度を失うことがある。別の手法群は連続した複数の層が同じ答えで一致するのを待つ「忍耐（patience）」ルールを採る。これは精度を守る傾向があるが、何回の一致を要求するかに敏感で、異なる臨床ニーズに合わせて設定するのが難しい。

ハイブリッドな早期終了手法：EPEE

著者らはEPEE（Entropy- and Patience-based Early Exiting）を提示する。これはこれら二つの考え方を融合したものだ。トランスフォーマーモデルの各層に軽量な分類器を付け、次の二つの単純な条件をチェックする：現在の予測は非常に確信があるか、そして最近の層は一貫して同じ判定をしているか。いずれかの条件が満たされれば、モデルは停止して結果を返す。どの程度を「確信がある」とみなすか、また何回の連続一致を必要とするかを調整することで、速度と慎重さの両方をチューニングできる。重要な点として、著者らは従来の確信度のみ、あるいは忍耐のみの手法がこの一般的な戦略の特別な場合に過ぎないことを示している。

実際の医療テキストと画像でのテスト

EPEEが実用で機能するかを検証するため、研究チームは三種の生物医学タスクで評価した：ノートやレビューの分類、薬物相互作用のような関係の検出、テキストからの医療イベント抽出。BERTやGPT-2のような言語モデルや医用画像用のビジョントランスフォーマーを含む八つの代表的なファウンデーションモデルを用いた。集中治療記録、患者レビュー、医療文献、胸部X線や血液細胞スライドなどの画像コレクションから取られた十二のデータセットで、EPEEを標準の全層推論および既存の早期終了手法と比較した。多くの場合、モデルは中間の層で最良、あるいは準最良の精度に到達しており、すべての層を強制的に使う必要はなかった。EPEEはこの性質を利用して、簡単な症例は早期に終了させ、難しい症例はより多くの層を通過させることができた。

臨床での速度と信頼性のバランス

研究者らが実行時間を測定したところ、EPEEは通常の全層モデルおよび既存の早期終了技術と比べて推論遅延を一貫して短縮し、しばしば有効計算量を削減しながら精度を同等かわずかに改善した。トレーニング時の追加コストは小さく、言語モデルと画像モデルの両方、さらには新しい大規模生物医学モデルに対しても同様に効果的に機能した。二つの設定を調整して速度と正確さのトレードオフを狙えるため、迅速な回答が重要だが誤りのコストも高い集中治療のような現場に適している。

将来の医療AIにとっての意味

簡潔に言えば、この研究は大きな医療AIシステムに対して、何度も再確認するのではなく既に答えを知っているときに止まるよう教えるものだ。二つの一般的な終了ルールを柔軟な枠組みで組み合わせることで、EPEEはより良い性能を得るためにさらに大きなモデルが必ずしも必要でないことを示している。既存の“脳”をより賢く使うモデルがあればよいのだ。広く採用されれば、この種の早期終了戦略は強力なテキスト・画像モデルをリアルタイムの臨床ワークフローに取り入れ、ベッドサイドでより速くそれでも信頼できる判断を支援するのに役立つ可能性がある。

引用: Zhan, Z., Zhou, S., Zhou, H. et al. EPEE: towards efficient and effective foundation models in biomedicine. npj Health Syst. 3, 30 (2026). https://doi.org/10.1038/s44401-026-00083-2

キーワード: 早期終了, 生物医学AI, ファウンデーションモデル, モデル効率, 臨床意思決定支援