MedOpenClaw: 手続き可能（監査可能）な医用画像エージェントが未キュレーションの完全検査（full studies）に対して推論する

Abstract

現在、医用画像タスクにおける視覚言語モデル（VLM）の評価は、事前に選定された2D画像に依存することで臨床現実を過度に単純化しています。これは、キュレーションに大きな手作業を要するためです。この設定では、実世界の診断における中核的な課題を見落としています。すなわち、真に臨床で役立つエージェントは、複数のシーケンスまたはモダリティにまたがる3Dボリューム全体を能動的にナビゲートしてエビデンスを収集し、最終的には最終判断を支援する必要があります。そこで本研究では、MEDOPENCLAWという、VLMが標準的な医療ツールやビューア（例：3D Slicer）の中で動的に動作できるようにする、監査可能なランタイムを提案します。このランタイムの上に、マルチシーケンス脳MRIと肺CT/PETを対象とする、フルスタディの医用画像ベンチマークMEDFLOWBENCHを導入します。MEDFLOWBENCHは、ビューアのみ、ツール利用、オープン方式の3つのトラックにわたって、医療エージェントの能力を体系的に評価します。初期結果から重要な洞察が得られました。すなわち、最先端のLLM/VLM（例：Gemini 3.1 ProおよびGPT-5.4）は、ビューアをうまくナビゲートしてスタディ単位の基本的なタスクを解けますが、精密な空間的基盤（空間グラウンディング）の欠如により、専門的なサポートツールへのアクセスが与えられると、逆説的に性能が低下します。静的画像の知覚と、インタラクティブな臨床ワークフローとのギャップを埋めることで、MEDOPENCLAWおよびMEDFLOWBENCHは、監査可能なフルスタディ型医用画像エージェントを開発するための、再現可能な基盤を確立します。