医療AIの新星ClinFusion、画像診断を変える視覚中心マルチモーダルLLM

CTスキャンの開発には、ビートルズのレコード売上が貢献していた、そんな豆知識があります。

EMIの研究者だったゴッドフリー・ハウンズフィールドは、音楽事業の利益を原資にX線断層撮影の研究を進め、ノーベル賞に結びつく大発明に至りました。

画像診断の歴史には、こうした偶然や異分野の支えが幾重にも積み重なっています。

さて、いま医療AIの分野で注目を集める「ClinFusion」も、視覚とテキストを巧みに組み合わせ、診断支援の新たな可能性を切り拓いています。

これは、CTやMRIなどの2D画像だけでなく、3Dの医療データもそのまま理解できる、マルチモーダルLLM（大規模言語モデル）と呼ばれる技術です。

画像とテキストを融合する「ClinFusion」

医師が画像診断をするとき、単に画像を見るだけでなく、そこから得た所見を言語化し、患者の状態を総合的に判断します。

ClinFusionは、この一連の流れをAIで再現しようとするシステムです。

最大の特徴は、2Dと3Dの医療画像をひとつの符号化器に統合できる「Cascade Spatial-Aware Locality Fusion」という仕組み。

これは、画像の空間的な位置関係を段階的に融合しながら、細部と全体の情報をバランスよく捉える技術で、従来のモデルが苦手だった立体構造の理解を大きく改善しました。

評価方法にも工夫があります。

一般的なAI評価では「正答率」だけが重視されがちですが、医療の現場で本当に役立つかを見極めるには、指示への忠実さや、報告書としての事実性が欠かせません。

そこで、放射線科医の臨床実践に合わせた新たな指標を導入。

MedIF-Benchという指示追従性テストと、関心領域（RoI）に基づくレポート評価法を組み合わせ、より実践的な精度測定を可能にしました。

結果は目覚ましく、24項目のベンチマーク中20で既存のオープンソース医療MLLMを上回り、16項目中13ではGPT-5.2やGemini-3-Flashといった強力な商用モデルさえも凌駕。

さらに放射線科医によるブラインド評価でも、ClinFusionの生成したレポートが最も高く評価され、上記のRoI指標が医師の判断と最も強い相関を示した点は特筆に値します。

もちろん、こうした技術はまだ研究段階ですが、エージェント機能による外部ツール連携も視野に入っており、将来的には文献検索や診断支援を自動で行うワークフローも現実味を帯びています。

まるで熟練医の思考をなぞるかのような、緻密で柔軟な医療AIの姿が、そこにはあります。