医療向けLLMは国家試験で高得点を取るのに、電子カルテの現場テキストでは半分以下の正答率に落ちる——Mass General Brigham（MGB）の研究チームが示したギャップです。

この記事では、MGBが公開した臨床テキスト理解ベンチマーク「BRIDGE」と、107モデルを比較できるオンライン・リーダーボードの内容と使い方を整理します。

この記事でわかること

  • BRIDGEが測定する臨床タスクと、既存ベンチマークとの違い
  • 国家試験スコアと実臨床テキスト理解の乖離
  • リーダーボードの見方と、開発者が結果を提出する方法

https://huggingface.co/spaces/YLab-Open/BRIDGE-Medical-Leaderboard

医療LLM評価に何が加わったか

2026年6月、MGBの研究者が「BRIDGE（Benchmarking Large Language Models for Understanding Real-world Clinical Practice Text）」を発表しました。成果は『Nature Biomedical Engineering』に掲載され、評価用データセットと推論コードはGitHubで公開されています。

BRIDGEの中核は、実臨床データに基づく87タスクと、モデル性能を継続更新するオンライン・リーダーボードです。2026年4月8日時点で107のLLMが掲載され、Zero-shot・Chain-of-Thought（CoT）・Few-shotの3種類の推論戦略ごとにスコアを比較できます。

国家試験の高得点が示せないもの

医療LLMの性能は、これまで医師国家試験形式の問題集で測られることが多くてきました。問題文は標準化され、医学知識の正誤が問われます。

一方、実際の診療現場では、電子カルテ（EHR）の記述、症例報告、医師と患者の対話記録など、表現が曖昧で文脈依存のテキストが大量に存在します。BRIDGEはこうした「現場の言語」を対象に設計されています。

MGBの公式発表によると、標準化された医学試験で最高92点を記録したLLMでも、BRIDGE全体では44.8%にとどまりました（参考）。論文でも、USMLEデータセットで92点のDeepSeek-R1がBRIDGEでは44.2点だったと報告されています（参考）。試験の得意分野と、臨床テキスト理解は別物だという証拠です。

BRIDGEがカバーする範囲

BRIDGEは59の臨床データソースから構成され、100万件超のサンプルを含みます。対応言語は9言語、診療科は14、タスク種別はトリアージ、情報抽出、診断、予後、請求コード付けなど患者ケアの連続体を横断します。

論文では95のLLMを体系的に評価しました。プロプライエタリモデル（GPT-4o、Geminiシリーズ）、オープンソースモデル（Qwen、Llama）、医療特化モデル（MedGemma、Baichuan-M2など）を含み、モデルサイズ・言語・診療科ごとに性能差が大きいことが示されています。

注目すべき知見は次の2点です。まず、オープンソースLLMがプロプライエタリモデルに匹敵する水準に達しうること。次に、古いアーキテクチャを医療データで微調整したモデルが、最新の汎用モデルに劣るケースが多いことです。医療特化のラベルだけでは、実臨床テキストの多様なタスクに対応しきれない可能性があります。

推論戦略で結果は大きく変わる

BRIDGEのリーダーボードは、同じモデルでもプロンプト設計でスコアが変わることを可視化します。

  • Zero-shot：指示と入力だけを渡し、例示なしで回答させる
  • CoT：段階的な推論過程を出力してから最終回答を出す
  • Few-shot：各タスクにつき5件の例を提示してから回答させる

論文の結果では、Zero-shot最高はGemini-2.5-Flashの44.8%でした。Few-shotではGemini-1.5-Proが55.5%と最高値を記録し、BRIDGE全体でもこの55.5%が上限です。95モデル中91モデル（95.8%）がFew-shotでZero-shotを上回り、臨床テキスト理解では少数例の提示が有効だと示されています（参考）。

診療科別の傾向もばらつきます。例として、放射線科ではDeepSeek-R1が最高49.8%、消化器科ではGemini-2.5-Flashが65.8%と、一つのモデルが全領域で優位になるわけではありません。導入前に用途に合ったモデルを選ぶ必要があります。

リーダーボードの使い方

https://huggingface.co/spaces/YLab-Open/BRIDGE-Medical-Leaderboard

上記のHugging Faceスペースでは、モデル種別（プロプライエタリ／オープンソース／医療特化／推論モデル）や臨床タスクでフィルタし、性能を横並びで確認できます。GPT-4o、Gemini-2.5-Flash、DeepSeek-R1、Qwen3シリーズなど主要モデルが掲載されています。

開発者が自社モデルを評価したい場合は、GitHubリポジトリの手順に従います。

https://github.com/YLab-Open/BRIDGE

  1. 公開データセット「BRIDGE-Open」を取得する
  2. ローカルで推論を実行し、各サンプルの予測結果を保存する
  3. 生成したresultフォルダをメンテナーに送付する

推論を任せる場合は、リーダーボードのGoogleフォームからモデルリンクを提出します。計算資源の制約により、全モデルの即時評価は保証されません。

既存ベンチマークとの位置づけ

PubMed由来のテキストや医学試験問題に限定した評価は、研究論文の理解力は測れても、EHRの略語・欠落・口語表現には届きにくいです。特定アプリケーションに絞ったベンチマークは比較範囲が狭く、汎用LLMの選定基準にはなりにくいという課題もあります。

BRIDGEは「実臨床データのみ」「多言語」「患者ケア全体」を掲げる点で、これらと線を引いています。MGBの研究者は、BRIDGEとリーダーボードが「実臨床テキスト理解におけるLLM開発・評価の基盤資源になる」と述べています（参考）。

臨床現場で押さえるべき点

BRIDGEは診断支援の代替ではなく、モデル選定と改善のための参照枠組みです。多言語対応により、英語以外の患者データで性能が落ちるモデルを事前に見極められます。これは非英語圏での公平な医療AI導入に直結する論点です。

一方、規制対象の臨床データは公開できないタスクも含むため、全87タスクを誰でも再現できるわけではありません。公平性のため、各タスクのFew-shot例5件とテスト用の指示・入力は公開され、出力予測は各自が生成する設計です。

医療AIの導入判断では、試験スコアの数字だけを信じるリスクがBRIDGEによって可視化されました。臨床テキストの理解力を、タスク・言語・診療科の切り口で比較できる時代に入ったと言えます。