TL;DR: 実カルテは公開できずラベルも不完全という臨床AIベンチマークの根本問題を、完全合成データで解決した研究です。フロンティアモデルでもトップ医師の性能には届きませんでした。 タイトル: Synthetic Hospital: An Open, Verifiable, Physician-Validated Longitudinal EHR Benchmark URL: ポイント 🏥 医学教育教材から1,268人・5,602受診分の完全合成カルテを構築し、個人情報ゼロで公開可能に 🔗 診断・所見・時間関係をICD-10-CM/SNOMED CT/LOINCへ決定的に紐づけ、ラベルは知識グラフから機械的に導出 👨‍⚕️ 医師によるリアリズム検証で、実カルテとの識別精度はほぼチャンスレベルの53% 📊 10モデルを5タスクで評価。患者診断の最高スコアはKimi 2.5-thinkingの重症度加重F1 0.732で医師平均と同水準 ⚠️ トップ医師(0.89)には未到達。要約タスクではどのモデルも所見の約半分を見落とし 🔁 生成モデルを変えても性能変化は0.05以下、臨床状態そのものを測るベンチマークであることを確認 臨床LLMの実力を偽りなく測れる基盤が整った意義は大きいと感じます。 #医療AI# #LLMベンチマーク#

🩺 健康相談でAIに一番求められるのは「正確さ」と「安全さ」。GPT-5は自傷・自殺に関する難しい会話で、望ましくない回答をGPT-4o比で52%も減らしました。 📰 タイトル: Improving health intelligence in ChatGPT 🔗 URL: 💡 概要 OpenAIが、ChatGPTの健康関連の応答能力を高める取り組みを公開しました。GPT-5を「これまでで最も健康の質問に強いモデル」と位置づけ、医師が定義した基準で評価するベンチマークHealthBenchで大きくスコアを伸ばしています。 🔍 解決する課題 健康の回答は誤りが利用者の安全に直結します。もっともらしい誤答（ハルシネーション）や緊急性の見落としは重大なリスクで、正確性・明確さ・適切な受診勧奨をどう担保するかが課題でした。 🛠 方法論と提案手法 ・現実的なシナリオと医師定義の基準で採点するHealthBenchで評価 ・難しい事例は2名以上の医師が検証するHealthBench Consensusを用意 ・60か国で診療経験を持つ医師・心理職 約300名のGlobal Physician Networkを構築し安全性研究に反映 ・アドバイザーが現実の利用を反映したモデル応答を70万件以上レビュー 📊 ユースケース / 実験結果 ・自傷・自殺の困難な会話で望ましくない回答をGPT-4o比52%削減 ・困難な会話のハルシネーションをo3からgpt-5-thinkingで8倍削減 ・緊急性が高い状況での誤りをGPT-4o比50倍以上削減 症状や検査結果の理解、受診タイミングの判断、適切なフォローアップ勧奨など、自分の健康に主体的に向き合う支援に使えます。 #ChatGPT# #ヘルスケアAI#

Physical AIで象徴的なのはAIの進化を「知覚→生成→エージェント→物理」と捉える見方です。NVIDIAは2026年のCESで「物理AIのChatGPTモーメントが来た」と宣言し、自動運転AIのAlpamayoはカメラから操作出力までを一気通貫で学習するそうです。AIが現実世界で知覚し、推論し、行動し始めています。

Physical AIでざっくり要るのは ・合成データを作るシミュレーション ・知覚と動作をつなぐ基盤モデル(VLA) ・機体で動く省電力の推論チップ ・現実とのギャップを埋める検証 言葉を返すのと物を動かすのは、難しさの種類が違う。