ドライアイ診療における大規模言語モデルの活用：若手眼科専門家との比較研究

August 6, 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: Application of large language models in clinical decision-making for dry eye disease
BMC Medical Informatics and Decision Making｜被引用数: 0（2026年8月6日時点）

ドライアイ疾患（DED）は多くの人々を悩ませる慢性的な眼の不調ですが、その複雑さゆえに診断や治療には専門的な知識と経験が求められます。近年、医療分野で目覚ましい進歩を遂げている大規模言語モデル（LLM）が、この課題解決に貢献できるかもしれません。今回ご紹介する研究では、4つの主要なLLM（ChatGPT-4o、DeepSeek-V3、Gemini-2.5-Pro、ERNIE Bot-4.5-turbo）が、実際のDED症例における診断、分類、治療の意思決定においてどのようなパフォーマンスを発揮するかを、若手眼科専門家と比較し検証しました。その結果、特定のLLMが若手専門家と同等以上の精度と、驚異的な効率性を示すことが明らかになり、DED診療における新たな臨床支援ツールの可能性が浮上しています。

研究サマリー（FINER & PICO）

Feasible実施可能性	既存のDED症例データと公開LLMを活用し、体系的な評価プロトコルを確立することで、研究は実行可能でした。
Ethical倫理面	本研究は倫理委員会の承認を得ており、後方視的デザインのため同意取得は免除され、匿名化されたデータを使用しています。
Interesting面白さ	LLMがドライアイ疾患の診断・治療意思決定において、若手眼科専門家と同等以上の性能と高い効率性を示す点が興味深いです。
Novel新規性	これまでの研究がDEDに関する知識ベースの質問応答や対象者教育に焦点を当てていたのに対し、本研究はLLMの診断分類と治療意思決定能力を系統的に評価した点で新規性があります。
Relevant切実さ	ドライアイ管理における専門家の経験不足や業務負担という臨床課題に対し、LLMが補助ツールとして貢献する可能性を示し、医療の質向上につながる関連性があります。
Measurable測定可能性	診断精度、治療推奨の質（GQS）、臨床安全スコア、応答時間、意思決定効率といった複数の客観的指標でパフォーマンスを測定しています。
Modifiable派生・改善	LLMの性能差や課題が明らかになり、今後のモデル改善や臨床ワークフローへの統合方法の修正・最適化の余地があります。
Structured文章構造	研究デザイン、症例選択、LLMスクリーニング、評価基準、統計分析まで、明確な手順とフレームワークに従って構造化されています。
PICO / PECO対象・介入・比較・結果	対象者（P）：ドライアイ疾患の対象者。介入（I）：大規模言語モデルによる診断・治療決定支援。比較（C）：若手眼科専門家の意思決定。結果（O）：診断精度、治療推奨の質、安全性、意思決定効率。

ドライアイ診療の新たな地平：大規模言語モデルの可能性

どうも、Beyond the Pixelです。慢性的な眼表面疾患であるドライアイは、その診断と治療が複雑で、個々の対象者に合わせたきめ細やかな管理が求められます。特に経験の浅い専門家にとっては、多岐にわたる病態や治療法への対応が課題となることがあります。近年、医療分野での人工知能の進展は目覚ましく、大規模言語モデル（LLM）も診断支援、意思決定支援、教育訓練など、様々な用途で注目を集めています。今回の研究は、ドライアイ疾患（DED）におけるLLMの診断、分類、治療に関する意思決定能力を体系的に評価し、そのパフォーマンスを若手眼科専門家と比較することで、臨床支援ツールとしての実現可能性を検証しました。その結果、特定のLLMが若手専門家を上回る精度、安全性、効率性を示すことが明らかになりました。

研究の目的と評価方法

本研究の目的は、ドライアイ疾患（DED）に対する大規模言語モデル（LLM）の診断、分類、治療の意思決定能力を体系的に評価し、若手眼科専門家のパフォーマンスと比較して、臨床支援ツールとしての実現可能性を検討することでした。

**Figure 1.** Fig. 1 Study design flowchart. Step 1: Clinical cases were collected. Step 2: LLMs were preliminarily screened using 20 dry eye–related single-choice questions. Step 3: One hundred cases were used to test the performance of both the models and junior ophthalmologists. Step 4: An expert panel evalu ated the case responses of the models and junior ophthalmologists. Step 5: Various evaluation metrics were presented解説: この図は、研究のデザインフローチャートを示しています。ステップ1で臨床症例が収集され、ステップ2でLLMが20項目のドライアイ関連の選択式問題で予備的にスクリーニングされます。ステップ3で100症例がモデルと若手眼科専門家の両方のパフォーマンスをテストするために使用され、ステップ4で専門家パネルがモデルと若手眼科専門家の症例応答を評価し、ステップ5で様々な評価指標が提示されます。

研究では、福建医科大学付属病院の標準化されたDED症例100件が分析対象となりました。4つのLLM（ChatGPT-4o、DeepSeek-V3、Gemini-2.5-Pro、ERNIE Bot-4.5-turbo）は、まず初期スクリーニングとして、DEDに関する20項目の多肢選択式テストを受けました。このテストでは95%の正答率が基準とされ、この基準を満たしたモデルのみが、症例に基づいた評価に進みました。診断および治療に関する出力は、上級眼科専門家によって「グローバル品質スコア（GQS）」と臨床安全スコアを用いて評価されました。同時に、LLMと若手眼科専門家の両方の応答時間が記録され、それぞれの効率性も評価されました。

LLMのパフォーマンス：精度、安全性、そして効率

初期スクリーニングでは、ChatGPT-4o、DeepSeek-V3、Gemini-2.5-Proが95%の正答率基準を満たし、次の症例ベースの評価に進みました。ERNIE Bot-4.5-turboは90%で基準を下回りました。

**Figure 2.** Fig. 2 Accuracy of responses to test questions by the LLMs解説: この図は、LLMによるテスト質問への応答の正答率を示しています。ChatGPT-4oが100%の精度、DeepSeek-V3とGemini-2.5-Proが95%の精度を達成し、ERNIE Bot-4.5-turboは90%でした。

治療の必要性の判断において、LLM（96〜99%）の精度は、若手眼科専門家（97%）と同程度でした。DEDの分類では、DeepSeek-V3が最高の精度（92%）と専門家との高い一致度（カッパ値 = 0.80）を達成し、ChatGPT-4oおよび若手眼科専門家（71%、カッパ値 ≈ 0.53；p < 0.01）を上回りました。Gemini-2.5-Proも89%の精度で優れたパフォーマンスを示しました。

**Figure 3.** Fig. 3 Comparison of case classification between the LLM group and the junior ophthalmologists versus the expert panel for 100 cases解説: この図は、100症例におけるLLMグループと若手眼科専門家グループの症例分類と専門家パネルの比較を示しています。ドライアイタイプ1（水欠乏性）、2（蒸発性）、3（混合型）、4（未分類）が色分けで示されており、各モデルと専門家の分類パターンが視覚化されています。

治療推奨の質を評価するグローバル品質スコア（GQS）では、Gemini-2.5-Proが最も高いスコア（4.87 ± 0.37）を獲得し、DeepSeek-V3（4.48 ± 0.59）、ChatGPT-4o（4.17 ± 0.71）、若手眼科専門家グループ（3.42 ± 0.50）が続きました。LLMは若手専門家よりも有意に高いGQSスコアを示しました。

**Figure 4.** Fig. 4 GQS scores for 100 cases answered by the LLM group and the junior ophthalmologist group. * indicates a significant difference compared with ChatGPT-4o (p < 0.001); + indicates a significant difference compared with DeepSeek-V3 (p < 0.001); ^ indicates a significant difference compared with Gemini-2.5-Pro (p < 0.001)**解説:** この図は、LLMグループと若手眼科専門家グループが回答した100症例に対するGQSスコアを示しています。Gemini-2.5-Proが最も高い中央値4.87を示し、次いでDeepSeek-V3が4.48、ChatGPT-4oが4.17、若手専門家が3.42でした。アスタリスク（*）はChatGPT-4oとの、プラス記号（+）はDeepSeek-V3との、カレット記号（^）はGemini-2.5-Proとの有意差を示します。

臨床安全性の評価では、Gemini-2.5-Proが最も優れたパフォーマンスを示し、その推奨の89%が「良好」と評価されました。DeepSeek-V3とChatGPT-4oでは、「良好」な応答の割合はそれぞれ60%と37%でした。若手眼科専門家グループはLLMに比べて「良好」の割合が低く、「不適切」の割合が高い傾向が見られました。

**Figure 5.** Fig. 5 Safety assessment of 100 cases answered by the LLM group and the junior ophthalmologist group解説: この図は、LLMグループと若手眼科専門家グループが回答した100症例に対する安全性の評価結果をパーセンテージで示しています。Gemini-2.5-Proは89%が「良好」と評価され、DeepSeek-V3は60%、ChatGPT-4oは37%が「良好」でした。若手眼科専門家1は1%のみが「良好」で、56%が「不適切」と評価されました。

意思決定の効率性においては、LLMの応答時間（16〜36秒）は若手眼科専門家（315 ± 57秒）と比較して著しく短く、有意に高い効率性（p ≤ 0.001）を示しました。中でもGemini-2.5-Proは平均16.4秒と最短の応答時間を記録し、最も効率的でした。

**Figure 6.** Fig. 6 Average speed (A) and efficiency (B) for 100 cases answered by the LLM group and the junior ophthalmologists (★p < 0.05, ★★★p < 0.001)**解説:** この図は、LLMグループと若手眼科専門家が回答した100症例における平均応答時間（A）と効率性（B）を示しています。グラフ（A）では、Gemini-2.5-Proが平均16.4秒と最短で、若手眼科専門家は平均314.8秒と最長でした。グラフ（B）では、Gemini-2.5-Proが最高の効率性スコア0.31を示しています。星印は統計的に有意な差を示しています。

考察：LLMがもたらす臨床支援の可能性と限界

本研究の結果は、特にGemini-2.5-ProとDeepSeek-V3が、ドライアイ疾患（DED）の症例ベースの管理において高い精度、安全性、効率性を示し、臨床意思決定を強化し、経験の浅い専門家を支援する補助ツールとして大きな潜在能力を持つことを示しました。
これらのLLMはDEDに関する強固な知識基盤を持ち、治療の必要性の判断では若手専門家と同等以上の精度を達成しました。さらに複雑なDEDの分類タスクでは、DeepSeek-V3とGemini-2.5-Proが若手専門家を上回る精度を示し、より質の高い治療推奨を提供しました。LLMの意思決定効率は若手専門家をはるかに上回り、診療ワークフローの最適化と臨床業務負担の軽減に貢献する可能性が示唆されます。
しかし、課題も存在します。例えば、コルチコステロイド療法の推奨において、LLMは眼圧モニタリングの重要性を言及することが稀でした。また、強膜レンズのような最新の治療ガイドラインに基づく選択肢が推奨されないケースもあり、最新の臨床コンセンサスへの認識不足が明らかになりました。
本研究は後方視的な静的症例に依存しており、実際の動的な臨床ワークフローにおけるLLMの性能を完全に反映しているとは言えません。また、若手専門家の応答時間を人工的に長く評価している可能性もあります。さらに、単一施設からのデータセットは一般化可能性を制限し、LLMの「ブラックボックス」的性質は解釈可能性を制限する可能性があります。今後は、実世界データや動的な相互作用を取り入れた多施設研究、説明可能なAI技術の統合、画像データを直接組み込むマルチモーダルLLMの開発などが求められます。
これらの限界はあるものの、LLMはDED管理における補助ツールとして、専門家の判断のばらつきや認知バイアスを減らし、医療サービスの標準化と質を向上させる可能性を秘めています。特に、経験の浅い専門家にとっては、リアルタイムで構造化された専門家レベルの臨床推論を提供し、臨床思考スキルを迅速に向上させる効果的なトレーニング支援となるでしょう。

結論：LLMは専門家を「強化」するパートナーに

本研究は、特にGemini-2.5-ProとDeepSeek-V3といった高度な大規模言語モデルが、ドライアイ疾患（DED）の臨床管理において実質的な潜在能力を持つことを実証しました。標準化された症例を評価する際、これらのLLMは、分類の正確性、推奨の質、意思決定の効率性において若手眼科専門家よりも優れたパフォーマンスを示しました。これらは、眼科専門家、特に若手眼科専門家やプライマリケアの提供者にとって、効果的な意思決定支援ツールとして機能する可能性があります。しかし、LLMは臨床判断の「代替」ではなく、「強化」するものとして位置づけられるべきです。専門家の専門知識と組み合わせることで、LLMは対象者により効率的で正確、かつ個別化されたケアを提供する可能性を秘めています。

用語集

ドライアイ疾患（DED）: 涙液の不安定性、眼表面の炎症、神経感度の異常などを特徴とする、一般的な慢性の眼疾患。
大規模言語モデル（LLM）: 大量のテキストデータで訓練され、自然言語の理解、生成、要約、翻訳などを行う人工知能モデル。
グローバル品質スコア（GQS）: 臨床推奨の全体的な品質（一貫性、臨床的関連性、症例情報との整合性）を評価するための5段階評価システム。
カッパ係数: 2人以上の評価者間、または評価者と基準との間の一致度を測定する統計的指標。偶然の一致を考慮に入れる。
BERTScore F1: 生成されたテキストと参照テキストの間の意味的類似性を評価する指標。F1スコアが高いほど類似性が高いことを示す。
水欠乏性ドライアイ（ADDE）: 涙液の産生量不足が原因で生じるドライアイのサブタイプ。
蒸発性ドライアイ（EDE）: 涙液の過度な蒸発が原因で生じるドライアイのサブタイプ。マイボーム腺機能不全などが関連する。
マイボグラフィー: 赤外線画像を用いてマイボーム腺の構造と欠損を評価する検査。
TFOS DEWS IIレポート: ドライアイ疾患の世界的な定義、分類、診断、管理に関する専門家コンセンサスレポート。