データ貧困に陥るな Anuj Iravane氏、Anterior

データ貧困からの脱却：医療 AI が「合成データ」で勝つ逆転アプローチ

医療現場における機密情報（PHI）の厳格な保護は、AI モデルの開発に深刻な「データ貧困」をもたらしています。Anterior の AI リードである Anuj Iravane 氏は、このジレンマを打破するために、LLM を活用した独自の合成データ生成パイプラインを提案しました。従来の「一発生成」ではなく、決定木による推論経路のサンプリングから逆算的にデータを構築する「逆転アプローチ」と、階層的な文脈生成により、高リスク領域でも信頼性の高い学習データの創出を実現しています。

医療データが抱える「保持できない」ジレンマ

Anterior は、シークイアや NEA の支援を受ける臨床医主導の AI 企業として、健康保険組合向けに事前承認（prior authorization）や支払い整合性などの高リスク業務を自動化するエージェントを開発しています。これらのワークフローは、ファックスやスキャンされた文書といった非構造化データに基づいた「ポリシーに基づく意思決定」が核心です。

「医療現場の正確さの基準は極めて高く、95% 正解では決して十分ではありません。」

しかし、この業務を担う医療記録には患者の個人情報が含まれており、PHI（Protected Health Information）として厳重に保護されています。契約上、データを保持・再利用することはもちろん、匿名化してコピーを作成することさえ禁止されているケースがほとんどです。

「最も必要なデータこそ、最も保持できないデータである」という状況下で、開発者はどのように学習セットを構築すればよいのでしょうか？これが今回の議論の起点となります。

直接生成から逆算へ：モード崩壊を防ぐアプローチ

合成データの必要性は認識されていても、LLM を使って医療記録を「一発（one-shot）」で生成するのは現実的ではありません。300 ページを超える長文の記録を一度に生成させようとしても、LLM は多様性の欠如である「モード崩壊」を起こしやすく、画一的なデータしか生み出せないからです。

この問題の原因は二つあります。まず、学習データの事前トレーニングにおいて医療記録への暴露が限定的なこと。そして、現在の LLM の目的が「有用性」に最適化されており、「創造性や多様性」を促すよう設計されていないことです。

Anterior が採用したのは、プロセスを逆転させるアプローチです。

1. ラベルと推論経路のサンプリング: まず、決定木モデルとして記述されたポリシーから、多様な結果（ラベル）とその達成に至る推論経路をサンプリングします。
2. 条件付き生成: サンプリングした「推論経路」を条件として、LLM に医療記録を後方生成させます。

この方法により、データは多様な入力条件に制約されるため、画一的な出力を防ぎつつ、現実の複雑な臨床経過を反映した多様性のある合成データを構築できます。また、決定木という記号的表現を用いることで、実務では遭遇しにくい稀なエッジケース（例：極めて特殊な症例）も効率的にテストシナリオとして生成可能です。

粗から細へ：階層的な文脈生成パイプライン

生成された推論経路に基づき、実際の医療記録を構築する際にも、LLM のコンテキストウィンドウの制約や一貫性の問題を避けるため、「粗から細へ（coarse-to-fine）」のアプローチを採用しています。

このパイプラインは、患者の診療経過に倣って段階的に文脈を拡張していきます。

• 生物学的属性の定義: まず性別、生年月日、血液型などの固定情報を設定します。
• 患者の旅（Patient Journey）の作成: 上記情報と推論経路をもとに、患者が経験した医療イベントや診療機関のリストを作成します。これは患者の生涯における高レベルな概要です。
• ドキュメント計画の実行: 各診療 encounter（面談）ごとに文書化の計画を立てます。
• 詳細ドキュメントの生成: 過去の履歴と計画を参照しながら、個別の医療文書を生成します。

この階層構造により、LLM は一度に膨大な情報を処理する必要がなくなり、トークン効率も向上します。さらに、生成された文書間の一貫性をチェックする「リファインメントループ」を設けることで、矛盾や不整合がないよう自動検証を行います。これにより、本来は高価な正解データ（ground truth）を用意しなくても、論理的に整合性のあるラベル付きデータを構築することが可能になります。

エンジニア不要：ドメイン専門家が制御するアジェントハブ

技術的なパイプラインが完成しても、「良い医療記録とは何か」を定義するのはエンジニアではなく臨床医です。Anterior はこの課題に対し、スキルベースのアジェントハブを導入しています。

「誰がこのロジックを知っているのか？それはドメイン専門家（臨床医）です。」

パイプライン全体をアジェントハブ上の「スキル」としてモデル化することで、エンジニアがコードを変更する必要なく、臨床医自身がロジックや文書形式を直接修正・拡張できるようになっています。これにより、専門家の知見が即座にシステムに反映され、垂直特化型 AI の開発における人間と AI の協働モデルが再定義されています。

まとめ

Anterior が提案する合成データ生成のパイプラインは、機密情報の制約下にある医療・金融などの高リスク領域において、AI モデルの開発サイクルを加速させる実用的な解決策です。特に、ドメイン専門家が技術的障壁なくデータ生成ロジックを制御できる仕組みは、今後の垂直特化型 AI 開発における人間と AI の協働のあり方を示唆する重要な一歩と言えます。