Googleの対話型AI「SymptomAI」、同じ会話記録を読んだ医師より高い診断精度──約1.4万人を対象とした査読前研究

Google Researchが2026年7月22日付の公式ブログで、Gemini 2.0 Flashを基盤とする対話型診断エージェント「SymptomAI」に関するプレプリント論文を紹介した。Fitbitアプリ上で13,917人の実参加者を対象に実施された研究では、AIが能動的に問診を行った場合、同じ会話記録を読んだ家庭医が作成した鑑別診断よりも高い精度を示した。ただし、SymptomAIは患者が利用できない研究用プロトタイプで、臨床利用のための規制上の認可も受けておらず、論文も査読前である。

■受動的なチャットボットとの違い

多くのAIシステムに症状を伝えると、可能性のある病名のリストが返ってくる。こうした受動的なやり取りが、一般消費者向け健康チャットボットの信頼性を損なう一因となっており、Google Researchの新たな研究はまさにこの点を改善しようとするものだ。

Google Researchは2026年7月22日付の公式ブログでプレプリント論文を紹介した。対象となったSymptomAIは、Gemini 2.0 Flashを基盤に構築された対話型AIエージェントである。追加の質問を行い、詳細を掘り下げ、回答に応じてリアルタイムに会話を調整しながら能動的に症状を聞き取り、最終的に順位付けした鑑別診断（DDx）を出力する。鑑別診断とは、医師が診察時に作成する候補疾患のリストである。プレプリントは2026年5月5日にarXivへ投稿された。

研究チームはGoogle ResearchのJoseph Breda氏、Jake Sunshine氏、Daniel McDuff氏らが率い、このほか約30人が参加した。SymptomAIは2025年6月から2026年4月までFitbitアプリ内に導入された。その結果、自分の言葉で実際の症状を説明した13,917人を対象とする、実環境下の対話型診断AI評価としてはこれまでで最大規模の研究となった。

■臨床ビネットに頼らない設計

これまでのAI診断研究は、ほぼ全面的に臨床ビネット、すなわち正確な医学用語、完全な症状歴、専門家による枠組みを備えた、注意深く作成された症例記述に依存してきた。こうした文脈情報は、実際の患者からは通常得られない大きな情報上の優位性をAIに与える。SymptomAIの研究では、この優位性が意図的に取り除かれた。

参加者は、その時点で実際に経験している症状を、自分の語彙と医学知識の範囲で自由に説明した。参加者は5種類のエージェント構成のいずれかに無作為に割り付けられた。構成は、現在の汎用チャットボットに症状をそのまま入力する場合に近い、特別な指示を与えていないGeminiのベースラインから、参加者の回答に応じて掘り下げる内容を適応的に選び、制限なく追加質問を行う完全に動的なエージェントまでにわたる。

AIとの会話から2週間後、参加者は医療機関を受診したか、受診した場合にはどのような診断を受けたかを尋ねられた。参加者が申告した医療提供者による診断が、本研究の精度評価における正解データとして用いられた。

さらに、専門研修修了後の経験が合計35年を超える家庭医療専門医3人からなる臨床評価パネルが、517件の会話記録を抽出して評価した。臨床医は、ほかの臨床医やSymptomAIが作成した内容を見ずに、独立して鑑別診断を作成した。評価を担当する臨床医は、作成者と参加者の実際の診断名を伏せられた状態で、SymptomAIと臨床医による3つのDDxリストを順位付けし、それぞれの上位5候補に正しい診断が含まれているかを評価した。

■半数超の症例でAIのDDxが1位に

作成者を伏せた状態で臨床評価者が各症例の3つのDDxを比較したところ、SymptomAIの出力を1位に選んだ割合は52.9%で、偶然に期待される3分の1を有意に上回った（オッズ比2.20、p<0.001）。

順位による評価だけでなく、SymptomAIのDDxは測定された精度でも上回った。トップ5精度、すなわち参加者が医療提供者から受けたと申告した診断が5つの候補のいずれかに含まれる割合では、SymptomAIは5つすべての試験群で臨床医のDDxを上回り、オッズ比の中央値は2.47だった（p<0.001）。具体的には、AIのトップ5精度は73%に達したのに対し、臨床医が作成したリストは60%だった。

この73%という数値には説明が必要だ。これはあくまでトップ5精度であり、正しい診断が5候補のどこかに含まれた割合を意味する。SymptomAIが正しい診断を1位に置いた割合であるトップ1精度は、診断を受けた参加者全体で39.74%だった。見出しの結果だけでは見えにくい重要な性能指標であり、研究チームも明示している。

それでも、トップ5精度で見ると、従来世代の症状チェッカーを大きく上回る。2015年に23種類の症状チェッカーを対象とした系統的レビューでは、正しい診断が1位になった割合は34%にすぎなかった。従来のAIベースの症状チェッカーは、一般にトップ5精度が20～40%の範囲だった。SymptomAIの73%は、世代を画するほどの改善といえる。

■「質問する」こと自体が重要

研究から得られた最も重要なシステム設計上の知見は、どの質問戦略が最も優れていたかではなく、AIが質問をしたかどうかだった。

能動的に質問を行う4つのエージェント構成（群2～5）はいずれも、受動的なベースラインを有意に上回った。質問が固定的な臨床プロトコルに従うか、回答に応じて動的に選ばれるかにかかわらず、能動的な情報収集は、ユーザー主導の会話よりもトップ5精度が平均27.34%高かった。

標準的な病歴聴取の質問を用いた群（合算精度75.6%）と、AIが追加質問を完全に動的に選ぶ群（合算精度71.4%）の性能は同程度で、統計的に有意な差はなかった（Welchのt検定、p=0.155）。言い換えれば、具体的にどの質問をするかよりも、質問すること自体のほうが重要だった。

ここには直接的な実務上の含意がある。ChatGPT、Gemini、Claudeなど、主要な一般消費者向け大規模言語モデルは現在、標準ではユーザー主導型の方式を採っている。ユーザーが症状を書き、モデルが応答する形式だ。SymptomAIの研究結果は、この形式では実現可能な診断精度の相当部分が引き出されていない可能性を示唆する。このデータによれば、鑑別診断を出す前に追加質問を行うだけでも、モデルの性能は大幅に高まる可能性がある。

■臨床医が迷った症例でAIが優位に

最も印象的な追加分析の結果は、全体的な性能差そのものではなく、その差がどの場面で現れたかだった。

臨床医が自らのDDxに対する確信度を「低い」または「中立」と評価した症例では、SymptomAIが有意に上回った。臨床医が判断に迷った症例でもAIは精度を維持した一方、臨床評価者の精度は低下した。臨床医が自らのDDxに高い確信を持っていた症例では、SymptomAIと臨床医の性能は同程度だった。

このパターンは、SymptomAIが臨床医にとっても容易な症例だけで成績を伸ばしているのではない可能性を示す。経験豊富な医師が会話記録を読んでも判断に窮する診断上の境界的な症例で価値を加えており、臨床現場で追加の診断支援が最も重要になる場面と一致する。

また、Fitbit利用者ではなく、Tolunaを通じて米国の一般人口パネルから募集した1,509人を対象とする別の検証研究でも、トップ5精度は80.0%となり、主要研究の75.2%と同様の性能が得られた。異なる集団で結果が一貫していたことは、結果がFitbit利用者層の特性だけによって生じたものではないことを示す、意味のある証拠となる。

■ウェアラブル生体信号による裏付け

臨床評価に加え、本研究はもう一つの検証手段としてFitbitの生体信号データを取り入れた。

ウェアラブルデータの共有に同意した参加者を対象に、研究チームはPheWAS（フェノームワイド関連解析）を実施した。これは、SymptomAIとの会話前30日間に収集された延べ50万日分を超えるウェアラブルデータを用い、約400の疾患について、AIが生成した診断と生理学的測定値との関連を系統的に調べる解析である。

最も強い所見が得られたのは急性呼吸器感染症だった。SymptomAIとの会話の結果が呼吸器感染症の診断となった1,546人では、安静時心拍数の上昇、呼吸数の増加、心拍変動の低下、睡眠の乱れといった生体信号の変化が、会話日に至るまでの数日間に現れ、参加者が症状を報告した時期の前後にピークを迎えた。ベースライン群では同様のパターンは見られなかった。特にインフルエンザについては、生体信号との関連を示すオッズ比が7を超えた。

これが重要な理由は二つある。第一に、SymptomAIに入力されていない独立した客観的シグナルが、AIの診断内容と対応していたことを示している。生体信号との一致は、SymptomAIが付けたラベルが実際の生理的事象を捉えていることを示す、集団規模の観察的証拠となる。第二に、研究チームによれば、数百の疾患を横断するこの種の解析を、人間が作成した臨床診断を使って同じ規模で行うことは、費用がかかりすぎて現実的ではなかった。AIが生成したラベルによって実施可能になった。

著者らは将来の応用として、受動的に収集される生体信号を監視して発症の兆候を早期に検出し、ユーザーが自ら助言を求める前にSymptomAIとの会話を能動的に開始する仕組みを挙げている。

■この研究が示していないこと

Google Researchチームが挙げた研究の限界は、見出しとなった数値と同じくらい注目に値する。

最も重要な点は、本研究における臨床医が、すでに行われた会話の静的な記録を読んで評価したことだ。臨床医は自ら追加質問をしたり、説明を求めたり、患者の外見を評価したり、それまでの診療関係から得た情報を利用したりすることができなかった。比較されたのは、AIが実際に対話しながら問診した結果と、医師がその会話記録を読んで判断した結果であり、AIと医師がそれぞれ独立して患者を診察する直接対決ではない。研究チームもこの点を明示しており、実際の診療におけるAIの優位性がどの程度なのかを解釈するうえで重要である。

第二に、本研究の正解データは参加者の自己申告に基づく。医療提供者から受けた診断を、参加者が2週間後に記憶に基づいて報告したものだ。参加者が診断を誤って記憶したり、誤って報告したり、複雑な診断内容を単純化したりした可能性がある。研究チームは明らかな品質上の問題に対処するフィルターを適用したが、このようなノイズを大規模に完全排除することはできなかった。

第三に、鑑別診断のトップ5精度は、安全で適切な患者ケアと同じではない。正しい診断が4位に含まれていたとしても、患者がその情報を適切に利用し、必要な追加検査を受け、1～3位の誤った候補に基づく行動を避けられるとは限らない。本研究はその後の診療上の意思決定を測定しておらず、研究結果もそれを示すものではない。

第四に、研究参加者は女性に大きく偏っており、その割合は68.3%だった。また、健康への関心が高く、テクノロジーを積極的に利用する傾向があるFitbit利用者から募集された。医療へのアクセス障壁が特に大きい低所得層、テクノロジーに不慣れな層、高齢者などにも結果を一般化できるかは、未解決の問題である。

最後に、これはプレプリントである。本稿執筆時点で、SymptomAI論文は学術誌の査読を経ていない。arXivへの投稿日は2026年5月5日で、Google Researchは2026年7月22日付のブログでこの論文を紹介した。

■SymptomAIは研究用プロトタイプであり、患者向け製品ではない

見出しだけでは伝えきれず、記事で明確にする必要がある事実がある。SymptomAIを患者が利用することはできない。これは倫理審査委員会（IRB）の承認の下、Fitbit Labs環境内の研究でのみ使用された研究用プロトタイプである。研究中に生成された診断、ラベル、関連性はすべて研究上の分析だけを目的としており、参加者の臨床上の治療には一切影響しなかった。

論文の免責事項にも、SymptomAIは「研究用プロトタイプであり、診断用途のものではない」「医療機器ではなく、規制上の検証を受けていない」と明記されている。さらに、SymptomAIと関連手法は「本研究の目的のために開発された、研究段階のプロトタイプ」であり、「市販されている製品、現在提供中の機能、または将来の製品ロードマップに対する確約を示すものではない」と記されている。

SymptomAIまたはその後継システムを臨床で利用できるようにするには、FDAのSoftware as a Medical Device（SaMD、医療機器としてのソフトウェア）の規制枠組みに対応する必要がある。510(k)による認可またはDe Novo分類申請の経路をたどり、適応型AI機器を対象とするFDAの2025年8月の「事前規定変更管理計画（Predetermined Change Control Plan）」ガイダンスに基づく市販後の継続的な性能監視が必要になる可能性が高い。2025年末時点でFDAが認可したAI・機械学習対応医療機器は1,451件で、その大半は放射線分野だった。汎用的な対話型診断ツールは、規制上、前例のはるかに少ない領域である。

それでも、本研究は直近の臨床応用を超える意味を持つ。実環境下における対話型診断AIについて、これまでに公表された中で最も厳密な大規模評価である。そして、先行研究がこれほど具体的には提起してこなかった問いを投げかけている。能動的に問診するAIが受動的な問い合わせ方式より診断精度で27%高いのであれば、なぜ主要な一般消費者向けAIシステムは今も、ユーザーに質問するのではなく、ユーザーが情報を入力するのを待つ方式を標準としているのか、という問いだ。

■背景：GoogleのAI医療分野における功罪

Google ResearchによるSymptomAIの研究結果は、同社のAI医療分野における、より複雑な実績を背景としている。2026年1月、The Guardianの調査報道は、Google検索結果の上部に表示される生成AI要約「AI Overviews」が、危険な医療上の誤情報を提供していたと報じた。その中には、膵臓がん患者に対し、専門家が標準的な臨床ケアとは正反対だと評した案内も含まれていた。Googleはその後、一部の医療関連検索からAI Overviewsを削除した。

両者の違いは重要だ。SymptomAIは倫理審査委員会の監督と明確な免責事項を伴う、特定目的の研究用プロトタイプであり、汎用検索の要約機能ではない。一方で同じ会社は、十分な安全管理を設けずにAIによる医療情報を大規模に提供すれば、測定可能な害が生じることも示してきた。SymptomAIの研究環境と一般消費者向けの提供を隔てる規制上の手続きは、まさにそうした事態を防ぐために存在する。

■注目ポイントQ&A

●AIによる症状チェッカーは医師の代わりになるのですか？

現時点では代わりにならず、SymptomAIの研究結果からもそうは言えません。この研究が示したのは、患者に能動的な問診を行う対話型AIが生成した鑑別診断について、同じ会話記録を読んだ臨床医が作成した鑑別診断よりも、別の臨床評価者から高く評価されたという点です。意義のある研究結果ですが、実際の臨床現場でAIが患者により良い結果をもたらすことを示したものではありません。研究ではその後の診療上の判断を測定しておらず、臨床医が自ら問診することもできませんでした。また、身体診察、臨床検査、画像検査も含まれていません。医師は診断手段に加え、AIシステムにはない法的・倫理的責任も担っています。SymptomAI自体も患者が利用できず、臨床利用のための規制上の認可を受けていない研究用プロトタイプです。

●AIが質問してくるかどうかで、なぜそれほど違うのですか？

SymptomAIの研究では、診断精度を大きく左右したのは基盤となるAIモデルではなく、会話の進め方でした。追加質問を行う能動的な構成はいずれも、受動的なベースラインよりトップ5精度が平均27.34%高くなりました。ユーザーが自分の言葉だけで症状を説明すると、重症度、発症時期、併発している症状、既往歴など、自分では重要だと気づいていない情報を省いてしまうことがあります。「いつ始まりましたか」「良くなったり悪くなったりする要因はありますか」と尋ねるAIは、医師が現病歴を聞き取る際に引き出すよう訓練されている情報を収集できます。同じ大規模言語モデルでも、質問するか、ユーザーからの情報を待つかによって性能が大きく変わります。

●AIの診断精度はどの程度で、「トップ5精度」とは何を意味しますか？

SymptomAIの研究では、性能の高いエージェント構成のトップ5精度は73～80%で、同じ会話記録を読んだ臨床医による60%を上回りました。トップ5精度とは、5候補からなる鑑別診断リストのどこかに正しい診断が含まれている割合であり、正しい診断が1位に置かれているとは限りません。診断を受けた参加者全体におけるAIのトップ1精度、すなわち正しい診断を1位に置いた割合は39.74%でした。参考として、従来の症状チェッカーのトップ5精度は、歴史的には20～40%の範囲でした。SymptomAIの数値は従来のツールからの大幅な改善を示しますが、「5項目のリストに正解が含まれる」ことと「患者が正しい診断と治療を受ける」ことの間には、追加検査、身体診察、臨床判断など多くの段階があり、本研究はそこまで評価していません。

●鑑別診断とは何で、AIがそれを生成することにどんな意味があるのですか？

鑑別診断とは、患者の症状を説明する可能性が高い疾患を順位付けしたリストで、臨床医学における中心的な思考過程です。医師は、診断の75～80%は検査を行う前の会話と病歴だけで可能だと見積もっています。正しい疾患を含む鑑別診断は、医師や患者が適切な検査や専門医を検討する出発点になります。反対に、正しい疾患が含まれていなければ、判断がまったく異なる方向へ進む可能性があります。この作業で臨床医と同程度、またはそれを上回るAI生成の鑑別診断には実務上の意味があります。費用、地理的条件、待ち時間などの障壁により、初回相談のため医師にかかることが難しい人々を支援する、拡張可能な診断推論の第一段階になる可能性があるためです。

元記事: Google AI Outdiagnoses Doctors in Study of Nearly 14,000 Real Patients