大規模言語モデルの神経放射線ガイドライン遵守における文化的偏り：米国中心主義の実態

August 3, 2026 · 論文解説

🎧 この記事を音声で聴く（AI生成Podcast）

解説対象論文: Cultural bias in large language models’ ability to follow neuroradiology guidelines
European Radiology｜被引用数: 0（2026年8月3日時点）

医療分野で意思決定支援ツールとしての活用が期待される大規模言語モデル（LLMs）ですが、その能力には国ごとのガイドラインへの適応性という点で課題があります。特に、国によって異なる神経放射線ガイドラインの遵守について、LLMsが地理的偏りを示すかどうかが検討されました。本研究では、主要なLLMsが、明示的な指示があっても米国のガイドラインを優先する傾向があることが判明。この米国中心主義は、トレーニングデータの偏りを反映しており、安全なグローバル展開において重大な懸念を提起しています。地域に合わせた効果的な医療意思決定支援のためには、ローカライゼーション戦略が不可欠です。

研究サマリー（FINER & PICO）

Feasible実施可能性	矛盾するガイドラインに基づく臨床シナリオを作成し、複数の主要LLMの偏りを評価することは実現可能であった。
Ethical倫理面	LLMsの地理的偏りは、特定の地域の診療標準を不適切に適用するリスクがあり、医療の公平性や対象者の安全に倫理的懸念を提起する。
Interesting面白さ	LLMがモデルの出身地やプロンプト言語に関わらず米国ガイドラインを優先する系統的な偏りを示したことは、医療AI開発において非常に興味深い発見である。
Novel新規性	医療分野におけるLLMの地理的偏りを系統的に評価した初の研究であり、既存の人口統計学的偏りとは異なるシステムレベルの課題を提示している。
Relevant切実さ	LLMの米国中心主義は、世界的な医療現場における意思決定支援ツールとしての安全な導入と、地域に応じた適切な診療提供に直接的な関連を持つ。
Measurable測定可能性	LLMのガイドライン遵守率は、米国と非米国のガイドラインに対して明確に測定され、偏りの程度が定量的に示された。
Modifiable派生・改善	ガイドライン全文をPDFとして提供するなどの緩和戦略により、LLMの偏りを大幅に改善できることが示唆された。
Structured文章構造	研究は、矛盾するガイドラインから作成された仮想臨床シナリオ、複数のLLMの評価、暗黙的・明示的設定、緩和戦略のテストを含む明確な構造で実施された。
PICO / PECO対象・介入・比較・結果	P(医療分野での意思決定支援にLLMを利用する専門家), I(LLMに明示的・暗黙的に神経放射線ガイドラインを提示), C(米国ガイドラインと非米国ガイドラインを比較), O(ガイドライン遵守における地理的偏りの有無と程度)。

はじめに：医療AIとガイドライン遵守の課題

どうも、Beyond the Pixelです。医療分野において、大規模言語モデル（LLMs）は意思決定支援ツールとして非常に注目されています。特に医療画像診断の領域は専門性が高く、日々更新される膨大なガイドラインの中から最適な選択をすることは、専門家にとって大きな負担となり得ます。LLMsが持つ広範な知識を活用すれば、この課題を解決し、より効率的で正確な医療判断を支援できる可能性があります。しかし、LLMsの能力には未知の部分も多く、特に国ごとに異なる診療ガイドラインへの適応性については、その性能が保証されていません。これまでの研究では、LLMsが性別や人種に関する固定観念を学習し、医療に関する問いかけにおいて、これらの人口統計学的偏りを反映するケースが報告されています。このような偏りは、個々の対象者に対する推奨内容に影響を与え、健康格差を助長するリスクがあります。しかし、特定の国の臨床ガイドラインを優先するという「地理的偏り」については、これまでほとんど検討されてきませんでした。地理的偏りは、人口統計学的偏りとは異なり、個々の対象者への推奨に影響するだけでなく、医療システム全体のワークフローを地域の標準から逸脱させる危険性があります。本研究は、この地理的偏りに焦点を当て、特に神経放射線分野において、主要なLLMsが米国中心的な偏りを示すかどうかを評価することを目指しました。具体的には、GPT-o3、Mistral Large、DeepSeek R1という3つの最先端LLMと、生物医学LLMであるMedGemma 1.5 4Bを対象に、矛盾する米国と非米国（主に欧州圏）の神経放射線ガイドラインを巡るシナリオで、各モデルがどのような反応を示すかを検証しました。

研究方法：矛盾するガイドラインを用いた検証

この研究では、制度審査委員会による承認やインフォームドコンセントは免除されました。これは、実際の対象者データや人間を対象としていないためです。研究者たちは、まず神経放射線専門家により、米国と非米国のガイドライン間で矛盾する推奨がある代表的な臨床状況を特定しました。これは、画像診断の適応、推奨されるモダリティ（CT、MRI、X線など）、タイミング、技術的プロトコルに関する不一致を指します。最終的に、米国、フランス、英国、カナダ、欧州の計18の専門家組織が発行する30のガイドラインが選定されました。これらの矛盾するガイドラインに基づき、30の架空の臨床シナリオ（ビネット）が作成されました。各シナリオは、米国と他国のガイドラインが異なる推奨を行うように設計され、英語とフランス語の両方で記述されました。検証には、米国OpenAI製のGPT-o3、フランスMistral AI製のMistral Large、中国DeepSeek製のDeepSeek R1という3つの主要なLLMが使用されました。また、事後解析として、米国Google製の生物医学LLMであるMedGemma 1.5 4Bも評価されました。LLMへの質問は、主に2つの条件で実施されました。一つは「暗黙的設定」で、特定のガイドライン名を指定せず臨床シナリオのみを提示しました。もう一つは「明示的設定」で、「[臨床シナリオ]。[ガイドライン名、例：New Orleans Head CT Criteria]ガイドラインに従って、どの画像検査を行うべきか？」という形で、モデルに特定のガイドラインに従うよう指示しました。明示的設定では、モデルの忠実性を向上させるための緩和戦略もテストされました。具体的には、「ウェブ検索の有効化」と「完全なガイドラインテキストをPDFとしてプロンプトコンテキスト内で提供する」という2つの戦略が試されました。モデルの反応は、2人の神経放射線専門家によって、対応するガイドラインに対する適切性が独立して評価されました。

**Figure 1.** Fig. 1 Experimental setup. Large language models were presented with clinical scenarios corresponding to situations with disagreeing guidelines. Models’ responses were analyzed to assess appropriateness relating to the corresponding guidelines解説: 本研究の実験設定を示しています。30の臨床シナリオが大規模言語モデルに提示され、その反応を2人の神経放射線専門家が分析しました。シナリオは、米国と非米国のガイドライン間で矛盾する状況に基づいています。

驚くべき結果：LLMの顕著な米国中心主義

この研究の最終分析では、3つの大規模言語モデルによって評価された30の臨床シナリオが含まれました。「暗黙的設定」では、全てのモデルが非米国オプションよりも米国オプションをより頻繁に選択しました。GPT-o3、Mistral Large、DeepSeek R1の各モデルは、30シナリオ中27シナリオ（90.0%）で米国ガイドラインに沿った回答を示しました。この米国ガイドラインへの明らかな偏りは、モデルの種類による統計的な有意差はなく（p=0.46）、プロンプトの言語（英語とフランス語）を変更しても一貫して見られました。例えば、フランス語でのプロンプトでも、GPT-o3は30シナリオ中26シナリオ（86.7%）、Mistralは24シナリオ（80.0%）、DeepSeekは25シナリオ（83.3%）で米国ガイドラインを支持しました。

**Figure 2.** Fig. 2 Selection of U.S. vs non-U.S. guidelines in the implicit scenarios, with prompts in English and French解説: 暗黙的設定において、大規模言語モデルが米国および非米国のガイドラインをどの程度選択したかを示しています。英語とフランス語の両方のプロンプトで、すべてのモデルが米国ガイドラインを優先する傾向が明らかになりました。

「明示的設定」では、特定のガイドラインに従うようモデルに明示的に指示した場合、非米国ガイドラインに対する遵守率は著しく低下しました。DeepSeekの全体的な正確性は58.3%（35/60）で、米国ガイドラインのシナリオでは86.7%が正しかったのに対し、非米国ガイドラインのシナリオではわずか30.0%しか正しくありませんでした（p < 0.001）。GPT-o3も同様に、米国ガイドラインでは76.7%が正しかったのに対し、非米国ガイドラインでは36.7%にとどまりました（p = 0.004）。Mistralも米国ガイドラインで80.0%の正確性を示したのに対し、非米国ガイドラインでは30.0%でした（p < 0.001）。これらの結果は、モデルが明示的に指示されても、非米国ガイドラインに従うことに困難を抱えていることを示しています。

**Figure 3.** Fig. 3 Correct adherence of each model to explicit guidelines, depending on its U.S. vs non-U.S. origin解説: 明示的なガイドラインに従うように指示された際の、各モデルの正確性を示しています。全てのモデルにおいて、非米国ガイドラインへの遵守率は、米国ガイドラインへの遵守率と比較して著しく低いことが示されています。

事後分析で評価された生物医学LLMのMedGemma 1.5 4Bも、暗黙的設定および明示的設定の両方で強い米国優先の傾向を示し、非米国ガイドラインへの遵守率は非常に低い結果となりました。

偏りの原因と臨床的意義

本研究で示された大規模言語モデルの神経放射線ガイドラインにおける米国中心主義は、モデルが開発された大陸や使用された言語に関わらず、一貫して観察されました。これは、現代の汎用LLMに共通する特性であり、現在のLLMが持つ系統的な偏りを浮き彫りにしています。この米国中心主義の主な原因は、トレーニングデータの不均衡にあると考えられます。現在のLLMのトレーニングコーパスの詳細は非公開であるものの、以前のGPTのバージョンでは英語のテキストが93%を占めるなど、強い英語テキストへの偏りが明らかになっています。医療分野においても、英語文献が他の言語の資料を圧倒的に上回り、その中でも米国の情報源が支配的です。ある研究では、肺がんガイドラインの引用文献のうち、米国が30.6%を占め、他のどの国も15%を下回っていました。このような引用の偏りが、LLMのトレーニングコーパスにおける米国論文の相対的重みを増加させ、結果として米国中心の参照への偏りにつながる可能性があります。さらに、人間によるフィードバックからの強化学習（RLHF）の過程でも、多くの評価者が米国の規制基準を通して回答を評価しているため、この不均衡が増幅されると考えられます。これらの複合的な要因が、米国基準が最適化の「抵抗の少ない道筋」となるトレーニング環境を作り出しているのです。欧州の厳格なデータ保護規制（GDPR）も、欧州の標準を代表する医療データセットの普及を制限する主要な要因となっています。このような不均衡な規制状況はモデルのテストにも影響し、ほとんどの利用可能なテストや先行研究は、米国の一部の病院から得られた標準化された英語テキストに依存しています。この偏りは、臨床上の重大なリスクをはらんでいます。例えば急性脳卒中の画像診断において、CTとMRIはそれぞれ異なる利点と限界を持ち、代替することはできません。米国のプロトコルが血栓溶解を可能にするための迅速な出血除外を優先してCTに重きを置くのに対し、フランスや韓国のプロトコルは病因診断や予後予測のガイドとして早期MRIを重視するなど、画像選択は各国の治療哲学を反映しています。したがって、誤ったモダリティをデフォルトで選択するモデルは、統合されたワークフローを混乱させ、最適な選択ではなくなる可能性があります。また、この偏りは医療法務上の懸念も引き起こします。例えばフランスでは、医療過誤の基準は「フランスで働く合理的な専門家が何をすべきか」に依拠しており、カリフォルニアでトレーニングされたアルゴリズムの推奨とは異なります。LLMが地域の実践標準に合致しない推奨を行った場合、法的な責任問題が生じる可能性があります。

偏りの軽減策と今後の展望

研究では、この地理的偏りを軽減するための戦略もテストされました。展開後の緩和戦略として、LLMにウェブ検索を許可することと、完全なガイドラインをPDFとしてプロンプトのコンテキスト内で提供することの2つが試されました。ウェブ検索オプションは、GPT-o3とMistral Largeにおいては非米国ガイドラインへのモデルの遵守を改善しましたが、DeepSeek R1では効果が見られませんでした。最も効果的な緩和戦略は、完全なガイドラインテキストをPDF形式で提供することでした。この方法では、DeepSeek R1が全体で90.0%の正確性（非米国ガイドラインで86.7%）、GPT-o3が全体で95.0%の正確性（非米国ガイドラインで90.0%）、Mistral Largeが全体で86.7%の正確性（非米国ガイドラインで80.0%）を達成し、すべてのモデルで90%以上の高い正確性を回復させました。

**Figure 4.** Fig. 4 Effect of the mitigation strategies (web search and guideline PDF) on the correct adherence of each model to explicit guidelines, depending on their U.S. vs non-U.S. origin解説: ウェブ検索とガイドラインPDFの提供という緩和戦略が、明示的なガイドライン遵守の正確性に与える影響を示しています。特にガイドラインPDFの提供は、非米国ガイドラインへの遵守率を大幅に向上させる最も効果的な戦略でした。

この結果は、LLMに適切な情報源（この場合は完全なガイドラインテキスト）を提供することが、偏りを効果的に軽減し、地域に特化した意思決定支援を可能にする上で極めて重要であることを示唆しています。ただし、ガイドラインPDFを提供しても100%の正確性には達しませんでした。これは、モデルのPDF処理の不完全性や、大量のテキストの中から関連情報を見つける難しさ（「干し草の山から針を見つける」問題）に起因する可能性があります。したがって、安全な展開のためには、基盤モデルの推論と、国のガイドラインをエンコードするモジュール式ポリシーレイヤーを融合させた、国や病院固有のシステムが必要になるかもしれません。本研究は、放射線学における地理的偏りの具体的な問題に焦点を当てていますが、この現象は、地域ガイドラインの違いや医療推奨の時間的変化によってLLMが知識の矛盾に遭遇する、より広範な「コンセプトドリフト」という課題の一部です。現在、自然言語処理の研究では、検索拡張生成（RAG）と、Direct Preference Optimization（DPO）やOdds Ratio Preference Optimization（ORPO）といった高度なファインチューニング手法を組み合わせることで、これらの矛盾を能動的に緩和する試みが進められています。RAGはモデルが最新のローカライズされた文書を動的に検索し、それを基に回答を生成することで、静的な事前学習メモリの限界を回避します。一方、DPOやORPOのような選好ベースの手法は、正しい地域のプロトコルと不正確な米国中心のプロトコルといった対照的な臨床判断のペアでモデルを訓練することにより、アルゴリズムに好ましい地域標準を優先するよう明示的に「教育」します。本研究の結果は、領域特化型モデル（MedGemma 1.5 4B）が汎用モデルよりも医療タスクで劣る可能性を示唆しており、また、やはり米国中心の偏りを示しました。これは、その比較的小さいモデルサイズや、米国生物医学テキストに特化したファインチューニングが、指示追従能力を低下させたためと考えられます。

研究の限界と今後の課題

本研究にはいくつかの限界があります。第一に、研究対象は神経放射線学に限定されており、この分野はガイドラインが豊富で矛盾も多いため、他の専門分野では異なる結果が得られる可能性があります。第二に、英語とフランス語のプロンプトのみを分析しており、他の言語、特にリソースの少ない言語については未探索のままです。第三に、テストされたモデルは2025年3月時点のスナップショットであり、AIモデルの急速な進化は偏りのプロファイルに変動をもたらし、ガイドライン遵守の一貫性に影響を与える可能性があります。さらに、本研究では地理的偏りと、性的指向、雇用状況、人種などの他のLLMの偏りとの間の相互作用はテストされていません。最後に、正解の判断はガイドラインへの合致度に基づいており、対象者のアウトカム（結果）に直結するものではありません。実際の有用性は、アドバイスが臨床的決定をどれだけ改善するかによって決まるため、これには将来的な前向き試験が必要となるでしょう。現代のLLMが、地域の最善の診療慣行と乖離する可能性のある暗黙的な地理的偏りを抱えていることが示されました。医療コミュニティがこれらのツールを画像診断のトリアージやプロトコルに活用する際には、慎重な姿勢と、堅牢なローカライゼーション（地域適応）の仕組みが不可欠です。より広範には、地理的公平性は、性別や民族性といった既存のバイアス評価指標と同様に、臨床AIの標準的な評価項目に加わるべきです。データ駆動型の意図的な緩和策と、人間が関与する仕組みを通じてのみ、LLMによる意思決定支援が、トレーニングデータにたまたま支配的なガイドラインを持つ地域だけでなく、世界中のすべての対象者に役立つことを保証できるでしょう。

用語集

大規模言語モデル（LLM）: 自然言語を理解し生成できる人工知能モデル。
神経放射線: 脳、脊髄、頭頸部などの中枢神経系を画像診断する専門分野。
ガイドライン: 専門家組織が策定する、特定の疾患や状態に対する最善の診療方法に関する推奨事項。
米国中心主義（US-centrism）: データの偏りなどにより、モデルが米国の情報や価値観を優先する傾向。
暗黙的設定: プロンプトで特定のガイドライン名を明示せず、モデルが自律的に判断する状況。
明示的設定: プロンプトで特定のガイドライン名を指定し、それに従って回答するようモデルに指示する状況。
緩和戦略: 大規模言語モデルの偏りや誤りを減らすための対策。
トレーニングデータ: 大規模言語モデルが学習するために用いられる膨大な量のテキストや画像データ。
ハルシネーション: 大規模言語モデルが事実に基づかない、でたらめな情報を生成すること。
コンセプトドリフト: モデルが学習した知識と、時間経過や地域によって変化する現実の知識との間に乖離が生じる現象。
検索拡張生成（RAG）: 大規模言語モデルが外部の知識源から情報を検索し、それを基に回答を生成する技術。