統計がすべて：ベイズ推論エンジンを組み込んだモジュール型医療対話

要旨: 大規模言語モデルは、自律的な診断エージェントとしてますます導入されているが、それらは根本的に異なる2つの能力――自然言語によるコミュニケーションと確率論的推論――を取り違えてしまう。本研究では、この取り違えは工学上の不十分さではなく、アーキテクチャ上の欠陥であると主張する。そこで我々は、言語と推論の間に厳密な分離を強制するモジュール型の診断対話フレームワーク BMBE（Bayesian Medical Belief Engine）を導入する。具体的には、LLMは患者の発話を構造化されたエビデンスへと解析し、質問を言語化する「センサ」のみとして機能し、診断推論のすべては決定論的で監査可能なベイズエンジンにのみ存在する。患者データがLLMに入力されることがないため、アーキテクチャは構成上プライベートである。さらに、統計バックエンドが単独のモジュールであるため、再学習なしで対象集団ごとに置き換え可能である。この分離により、自律的なLLMが提供できない3つの特性が得られる。すなわち、精度とカバレッジの間のトレードオフを連続的に調整できる較正済みの選択的診断、同一系列の最先端（frontier）単体モデルよりも少ないコストで優れる、統計的な分離ギャップ、そして単体の医師を崩壊させてしまうような敵対的な患者のコミュニケーションスタイルへの頑健性である。我々は、最先端のLLMに対して、実証的な知識ベースおよびLLM生成の知識ベースの双方で検証し、その優位性が情報（インフォメーション）的なものではなく、アーキテクチャ的なものであることを確認する。