セクション1: 事前学習（Pre-training）
大量データからの学習
事前学習は、書籍・論文・ウェブページなど数十億から数兆トークン規模のテキストデータから、言語の基本パターン・一般知識・推論のパターンを学習する段階です。多様な分野のデータを含めることで、幅広い知識を獲得します。
自己教師あり学習
事前学習では自己教師あり学習が使われます。正解を人手で与えず、文脈から次の単語を予測するタスクを通じて自動的に学習する方法です。ラベル付けが不要なため、大規模なデータから効率的に学習できます。
事前学習でAIが獲得するのは一般的な医学知識までです。特定の医療機関や診療科に特化した知識は、この段階ではまだ持っていません。
セクション2: ファインチューニング（Fine-tuning）
特定タスクへの特化
ファインチューニングは、事前学習済みモデルを特定のタスクに特化させる追加学習です。
事前学習済みモデルを取得
汎用的な言語能力を持つベースモデル
特定タスクのデータで追加学習
医学文献、診断書、症例報告書など
タスクに特化したモデルを獲得
専門性の高い出力ができるようになる
医療現場では、医学文献でファインチューニングすれば医学専門のAIに、診断書データを使えば診断書作成に特化したAIに、症例報告書データを使えば症例報告書作成に特化したAIになります。
ファインチューニングの利点
ファインチューニングの利点は、ゼロから学習するより効率的なこと、特定タスクへの専門性が上がること、少ないデータでも学習できることの3つです。専門性の高い医療分野では、この利点がそのまま実用上のメリットになります。
セクション3: プロンプトエンジニアリングとの違い
ファインチューニングとプロンプトエンジニアリング
モデル自体をデータで学習させ、永続的に改善する
特定のタスクに継続的に使う場合、専門データが大量にある場合、高い精度が求められる場合に向く
モデルは変更せず、プロンプトで一時的に制御する
様々なタスクに対応したい場合、データが少ない場合、迅速な対応が必要な場合に向く
セクション4: 医療分野でのファインチューニング
医療文書AIを構築する2つの例
診断書作成AI
過去の診断書サンプル・診断名と症状の対応・診療科ごとの表現パターンを使う
症例報告書作成AI
過去の症例報告書・症例の構造と内容・各セクションの書き方を使う
重要な洞察：データの重要性
ファインチューニングの成功は、データの質と量に大きく依存します。正確で一貫性のあるデータという質、数千から数万件という十分な量、様々なパターンを含む多様性の3つが要件です。
医療現場でファインチューニングを行う際は、患者データの適切な管理というプライバシーへの配慮が重要です。個人情報保護のための匿名化、そしてデータ使用の適切な同意という倫理的な配慮も欠かせません。
セルフチェック
1. ファインチューニングとプロンプトエンジニアリングの違いとして正しいものはどれですか？
2. 医療分野でファインチューニングを行う際に最も注意すべき点はどれですか？
3. 自己教師あり学習の特徴として正しいものはどれですか？
明日のアクション
明日、自分の診療科で繰り返し作成している文書（紹介状、退院サマリーなど）を1つ選び、生成AIにプロンプトエンジニアリングで作成を試みてみましょう。プロンプトに「あなたは○○科の専門医です」という役割設定や、具体的なフォーマット指示を加え、ファインチューニングなしでもどこまで専門的な文書が作成できるか確認してください。