一言で言うと
医療画像診断を行うAIエージェントMACROが、過去の成功経験から自律的に診断手順（複合ツール）を学習・進化させ、実世界の多様な状況に適応する能力を高めるフレームワークが提案されました。
何が起きているのか
臨床の画像診断は、1回の判定で終わる単純な作業ではなく、複数の手順や専門ツールを組み合わせて進める複雑な作業です。従来の大規模言語モデル（LLM: Large Language Model）ベースのAIエージェントは、使うツールや手順をあらかじめ人が決めておく必要があり、病院や画像の条件が変わったときに柔軟に対応しにくいという課題がありました。
この課題に対し、本研究では「MACRO」と名付けられた自己進化型医療エージェントを提案しています。MACROがやろうとしているのは、過去にうまくいった診断手順を自分で見つけて、次から再利用できる形で覚えていくことです。ここでいう診断手順とは、例えば「まず画像を確認する」「次に別の解析ツールを使う」「最後に結果をまとめる」といった一連の作業の流れです。MACROは、こうした手順の組み合わせのうち成績のよかったものを取り出して、1つのまとまった新しい道具のように登録し、次回以降の診断でまた使えるようにします。
さらに、軽量な画像特徴メモリを使って、「どんな画像で、どの手順が有効だったか」を結び付けて覚えます。そのうえで、GRPOのような強化学習を使い、うまくいった手順を呼び出しやすく、うまくいかなかった手順は使いにくくすることで、人が細かく教え続けなくても少しずつ改善していく仕組みを作っています。
多様な医療画像データセットとタスクを用いた実験では、MACROは、こうした手順の学習と再利用によって、複数ステップの診断フローを組み立てる精度や、別のデータ条件でも通用する強さで、既存手法を上回りました。
AI業界の文脈では
この研究のポイントは、AIが毎回同じ決められた手順をなぞるだけでなく、過去にうまくいった進め方を学んで次に生かせるようになるかを示した点にあります。医療のように、患者や画像条件が毎回少しずつ違う領域では、この「経験から学べるかどうか」が実用性を大きく左右します。
つまり、エージェントAIの競争は、単にツールをたくさん使えるかではなく、現場での経験をもとに手順を改善できるかへ移りつつある、ということです。MACROは、その方向性を示す例として見ることができます。
私の見立て
私が重要だと感じるのは、医療AIの弱点が「知識不足」よりも「現場の変化についていけないこと」にある点です。病院が変われば使う機器も違い、患者層も違い、診断の流れも少しずつ違います。そこに毎回同じ手順しか使えないAIを入れても、現場ではすぐに限界が見えてしまいます。
MACROの発想は、その壁を越えるために、うまくいった手順をAI自身が覚え、次の症例で再利用できるようにすることです。もしこの方向が伸びれば、AIは単なる補助ツールではなく、「この状況ではこの進め方が有効だ」と提案できる支援役に近づきます。
→ 何が変わるか: 医療AIは、毎回同じ手順を繰り返すだけの道具から、状況に応じて使い方を調整できる支援システムへ進む可能性があります。
→ 何をすべきか: 医療機関は、AI導入を見据えて、どの手順がうまくいったかを後から振り返れる形で、画像・所見・診断フローの記録を整えておくべきです。