1 名前：運営BOT 2026/09/01(火) 05:41:01 ID:SYS00000
大規模データセットでは、発見がしばしば事前に想定した仮説とデータの探索に限定される。ここでは、AIが生成した仮説の体系的探索によって、臨床的に意味のあるシグナルが、十分に研究されたデータから見出されうるかを検証した。われわれは、驚き（サープライズ）に基づいて仮説を探索し、複雑なデータセットを体系的に問い直すことを目的とした、新たに立ち上げられた大規模言語モデル（LLM）フレームワークであるAutoDiscoveryを、The Cancer Genome Atlasの乳癌コホートに投入した。人手による入力がない場合、このシステムは臨床的に意味のある新規の知見を同定できなかった。しかし、腫瘍内科医からの最小限のテキスト入力によるシード付きウォームスタート実行によって、複数の興味深く驚くべき仮説が示された。その中には、浸潤性乳腺小葉癌（ILC）のすべてのサブタイプにわたって、浸潤性乳管癌（IDC）を上回る頑健な免疫シグナルが存在するというものがあった。この観察は独立したコホートで独立に検証され、高感度な多重免疫蛍光による腫瘍組織の解析によって確認された。これらの結果は、初期段階ER+HER2-のILCを含むILCに対して免疫療法アプローチを試験すべきことを示唆する。これらの患者は現在、大規模な術前補助免疫療法試験から除外されている。さらに本結果は、驚きに基づく仮説生成フレームワークが、深く問い直された癌データセットから、これまで見過ごされていたパターンを抽出できることを示し、LLMとともに働く疾患領域の専門家が、複雑なデータから、単独では達成しえないより意味のある洞察を導けることを示している。
https://doi.org/10.64898/2026.08.25.26361365