GENSHI AIは、日本語の医療QAデータセット「GENSHI-MedQA-1M」を公開しました。
独自に収集した日本語の医療文書をもとに、1,005,231件の質問と回答を収録しています。
同社によると、公開されている日本語のテキスト医療QAデータセットとして最大規模です。
記事の概要
データセットは、独自に収集した日本語の医療文書179,479ページのうち、2010年以降の148,620ページをもとに構築しています。
質問と回答は生成AIで合成され、約1億2,741万字、約9,267万トークンで構成されています。
質問の内訳は、事実を問うものが66.6%、推論を問うものが21.7%、症例を示して判断を問うものが11.7%です。
記述式のQAとして、臨床的事実に加えて、病態生理や治療選択の根拠も収録しています。
同社によると、件数は英語の医療QAを機械翻訳した約52万件のデータセットの約1.9倍です。
利用対象は大学・研究機関、医療機関、企業の研究開発部門などでの非商用研究です。
ライセンスはCC BY-NC-SA 4.0で、利用にはHugging Faceのデータセットページからの申請と承認が必要です。
生成AIで合成したデータであり、人手による全件検証は行っていないため、診断や治療の判断には使用できません。
記事のポイント
- 日本語文書から構築： 英語データの翻訳ではなく、2010年以降の日本語医療文書148,620ページをもとに構築しています。
- 100万件超を収録： 1,005,231件の記述式QAを収録し、約1億2,741万字、約9,267万トークンに相当します。
- 非商用研究に限定： CC BY-NC-SA 4.0で提供し、利用には申請が必要です。商用利用や診療判断には使えません。
このニュースがもたらす影響
- 導入を検討する企業： 非商用研究に限られ、全件の人手検証もないため、利用企業はモデル学習の前に利用目的と品質確認の手順を定める必要がありそうです。
- 医療AI開発企業： 日本語の医療文書を基にした大規模QAが研究用途で共有されることで、基礎的な学習データの確保よりも、検証済みデータや実運用での安全性が差別化要因になっていく可能性があります。
- 大学・研究機関： 事実・推論・症例判断を含む記述式データを使い、従来の翻訳データでは捉えにくかった日本の医療文脈を対象に、モデル評価や追加学習を進めやすくなりそうです。
このニュースの背景
日本語の医療QAデータセットは、医師国家試験の問題や英語データの機械翻訳を基にしたものが中心でした。
英語データの翻訳だけでは、日本の保険診療や薬の承認状況など、国内の診療に関わる知識を補いにくいとされています。
今回のデータセットは、2010年以降の日本語医療文書を情報源とし、臨床的事実だけでなく病態生理や治療選択の根拠を含む構成です。
一方、生成AIで合成され全件の人手検証は行われていないため、研究利用に限定され、診断や治療の判断には使えない位置づけです。
関連するニュース
詳しい記事の内容はこちらから（引用元）
株式会社GENSHI AIのプレスリリース（2026年10月15日 13時14分）GENSHI AI、100万件超の日本…
https://prtimes.jp/main/html/rd/p/000000013.000184049.html