【ITニュース解説】DentaNote: dental clinical notes with local Gemma, no audio leaves the operatory

ニュース記事「DentaNote: dental clinical notes with local Gemma, no audio leaves the operatory」は、歯科診療の現場で発生する、診療記録作成の手間と時間を大幅に削減するための革新的なツール「DentaNote」について解説している。このツールは、患者との会話を音声で録音するだけで、複雑な診療記録を自動的に、かつ構造化された形式で生成するという。

このプロジェクトは、AI技術が実際の業務課題をどのように解決し、どのように安全に運用されるべきかを示す良い事例である。

DentaNoteの主な目的は、歯科医師が診察後に手作業で行っていた診療記録の作成プロセスを自動化し、時間を節約することにある。通常、診療記録は、患者の症状や治療内容、使用した歯の番号など、多くの情報を含むため、正確に入力するには時間がかかる。記事の筆者によると、手作業での入力には約10分かかっていた作業が、DentaNoteを使うと1分未満で完了し、1回の診察あたり約9分の時間を節約できるという。これは、日々の業務における大きな効率化に繋がる。

この効率化を実現するために、DentaNoteは複数のAI技術とソフトウェアを組み合わせて動作する。まず、患者との会話の音声データは「Whisper（ウィスパー）」というAIモデルによってテキストに変換される。WhisperはGoogleが開発したオープンソースの音声認識モデルで、音声を非常に高精度で文字に起こすことができる。記事では、小さなWhisperモデルでも実際の会話速度の約3.8倍の速さで文字起こしができると述べられている。

次に、Whisperによって生成されたテキストデータは、「Ollama（オラマ）」というツールを通じて「Gemma（ジェマ）」という大規模言語モデル（LLM）に入力される。LLMとは、人間のような自然な言葉を理解し、文章を生成する能力を持つAIのことだ。GemmaはGoogleが開発した比較的小規模で効率的なLLMであり、DentaNoteではこのGemmaがテキストから必要な情報（例えば、患者の症状、治療内容、関連する歯の番号など）を抽出する役割を担う。この抽出された情報は、コンピュータが扱いやすい「JSON」という構造化されたデータ形式で出力される。

抽出されたJSONデータは、すぐに診療記録として利用されるわけではない。重要なのは、そのデータが正しい形式であるか、予期せぬ情報が含まれていないかを検証するステップだ。ここで「Pydantic（パイダンティック）」というPythonのライブラリが使われる。Pydanticは、データの型や構造が事前に定義されたルール（JSONスキーマと呼ばれる）に合致しているかを厳密にチェックする。もしデータがルールに合致しない場合、再びGemmaに処理を戻して正しい形式で情報を抽出し直す、という「再試行」の仕組みが組み込まれている。

そして、Pydanticによって検証され、正しいと確認されたデータだけが、最終的な診療記録の生成に使われる。この最終段階では、LLMは使われず、事前に決められた「決定論的なテンプレート」に従って記録が作成される。これにより、LLMが誤って事実とは異なる情報（「ハルシネーション」と呼ばれる現象）を生成してしまうリスクを最小限に抑えている。例えば、データに含まれない情報は記録に現れないため、「沈黙」から架空の治療内容が生成されるといった事態が防がれる。

DentaNoteの最も重要な特徴の一つは、全ての処理が「ローカル環境」、つまり歯科医師のコンピュータ内で完結するという点だ。これは、インターネット経由で外部のサーバーにデータを送信しないことを意味する。その重要性は、医療データ、特に患者の音声データが非常に機密性の高い個人情報であるためだ。ブラジルの個人情報保護法（LGPD）のような規制もあるように、患者のプライバシー保護は最優先されるべき課題である。ローカルで処理が完結することで、データ漏洩のリスクを大幅に低減し、「信頼してください」という言葉ではなく「このようなアーキテクチャなので安心である」と具体的に示せる。

ローカル実行には他にもメリットがある。インターネット接続がなくても利用できる「オフライン」での運用が可能であり、通信障害や外部サービス停止の影響を受けない。また、GemmaのようなオープンソースのLLMをローカルで動かすため、外部APIの利用に伴う「トークンあたりの課金」が発生しないため、コストを抑えることができる。さらに、複数の異なるLLMを簡単に試したり、比較したりすることも可能になる。記事では、異なるGemmaモデルを比較し、その精度やレイテンシ（処理時間）を検証している例が示されている。これは、独自のデータや環境で最適なモデルを見つける上で非常に重要なアプローチである。

しかし、LLMを使う上での課題も認識されている。最も注意すべきは「ハルシネーション」だ。DentaNoteは厳密な検証とテンプレートの使用でこれを抑制しているものの、完全にゼロにすることは難しいと述べられている。例えば、記事のテストケースでは、Gemmaモデルが約11〜31%のケースで何らかの誤った情報を生成したことが示されている。そのため、DentaNoteの出力はあくまで「ドラフト（草稿）」であり、最終的には歯科医師が内容を確認し、必要に応じて修正することが前提とされている。

この「安全弁」の役割を果たすのが「要確認項目（uncertain_items）」という機能だ。Gemmaが抽出した情報の中に、曖昧な表現や、歯の番号が正しくないなどの「不確実な項目」があった場合、DentaNoteはそれらを自動的にリストアップし、歯科医師にレビューを促す。これにより、AIが自動的に誤りを修正するのではなく、人間が確認する機会を提供する。

開発プロセスにおいても、このプロジェクトはいくつかの工夫が見られる。厳格な開発手順（「7フェーズ、各フェーズでテスト」）、そして「ADR（Architecture Decision Record）」という、設計上の重要な決定とその理由を記録する文書を作成している点は、システム開発における良いプラクティスを示している。

ただし、いくつかの正直な制限も共有されている。現在の評価は、筆者が作成した合成データ（架空の患者ケースと合成音声）に基づいており、実際の臨床現場の複雑な音声データや多様なケースを完全に反映しているわけではない。そのため、実運用環境での精度は異なる可能性がある。また、「ローカル実行」はユーザーが自身の環境設定や技術的な問題（例えば、GPU関連のドライバ問題など）に対応する必要があることも意味する。

今後の展望としては、AIが生成したドラフトをUI（ユーザーインターフェース）上で手動で編集できる機能の追加、多言語対応の強化、さらに多様な歯科診療シナリオ（インプラント治療、歯周病治療、矯正治療など）に対応するためのデータセット拡充が挙げられている。

DentaNoteはオープンソースとして公開されており、他の開発者や歯科関係者がこのプロジェクトに参加し、より良いツールへと進化させていくことが期待されている。患者データを取り扱うシステムにおいて、その「透明性」や「監査可能性」が非常に重要であり、オープンソースかつローカルで動作するアーキテクチャは、その点で大きな意味を持つと記事は締めくくっている。このプロジェクトは、AI技術がどのように現実世界の課題を解決し、同時にプライバシーとセキュリティを両立させるかを示す具体的な例であり、多くの学びがあるだろう。