臨床大規模言語モデル（LLM）の普及は、自動化バイアス、早期終結、臨床医の技能低下という重大なリスクをもたらす。潜在空間軌跡、概念活性化ベクトル、概念ボトルネックモデルなど、現在の解釈可能性パラダイムには、位相的停滞、距離尺度の歪み、認識論的遮蔽という問題があり、偽りの確信に満ちた出力の背後に中間的な診断上の不確実性をしばしば覆い隠してしまう。これらの構造的脆弱性に対処するため、本稿では、臨床LLMの推論における動的な認識論的不確実性を定量化し、可視化する新たな閉ループ型マルチエージェント・フレームワークを提案する。本アーキテクチャは、予測シャノンエントロピーと非線形等長特徴写像（ISOMAP）を組み合わせることで、高次元の推論状態ベクトルを較正済みの二次元潜在空間へ射影し、推論経路に定量可能な熱力学的エネルギー状態を割り当てる。これにより、逐次的な診断ラウンドを通じて、診断速度、認知的運動量、軌跡効率を追跡する。代表的な救急医療シナリオによる予備的検証では、それぞれ異なる位相的および情報理論的挙動が確認された。交絡のない症例（小脳梗塞）では、正解に向けた滑らかな測地線的進行とともに、シャノンエントロピーが2.15から1.74へ単調に減少した。曖昧な所見を伴うノイズの多い環境（自然気胸）では、陰性所見に対する反発重みが不十分であったため、軌跡の彷徨、局所最小値への捕捉、約2.41という高いエントロピーの持続が生じた。トリアージ上の競合を伴う症例（急性胆管炎）では、真のノードに幾何学的に正確に近接したものの、モデルが急性重症度に基づくトリアージ（敗血症）と解剖学的病因を混同したため、上位1位の順位が停滞した。最終診断が確定する前に、機械のためらいと認知的乖離を視覚的に監査可能にすることで、この幾何学的・情報論的フレームワークは、診療現場における動的な信頼較正と人間・AI間の協調的調整を可能にする。同時に、二重チャネルによる安全性の分離や非線形反発重み付けなど、将来のアーキテクチャ介入に向けた明確な数学的基盤を確立する。今後、その臨床的有用性を十分に実現するには、大規模電子健康記録データベースおよび前向き臨床試験を通じて、これらのアーキテクチャ拡張を検証することが不可欠であり、将来の医療実践における安全で透明性が高く、認知的相乗効果をもたらすAI統合の基礎的青写真となる。LLMの推論過程を視覚的に監査可能にすることで、本フレームワークは、臨床医自身の認知パターンをAI内に取り込み、外在化して、結合系を形成するための基盤を築く。これにより、医師の仮説とAIの推論との認知的隔たりを明示的に可視化でき、両者の相互作用を単なる回答確認から、診断上の見落としを防ぐ人間と機械双方の動的な学習過程へと変革する。最終的な臨床意思決定の責任は人間の医療従事者にあるため、本フレームワークは重要な意思決定支援機構として機能する。今後、その臨床的有用性を十分に実現するには、大規模電子健康記録データベースおよび前向き臨床試験を通じて、これらのアーキテクチャ拡張を検証することが不可欠であり、将来の医療実践における安全で透明性が高く、認知的相乗効果をもたらすAI統合の基礎的青写真となる。
https://doi.org/10.64898/2026.08.27.26361497