GENSHI AI、日本の医療に即した問答100万件を無料公開　世界最大規模

株式会社GENSHI AIは、日本語の医療QA学習や分析を行うために、特定の目的に沿って集められ、使いやすく整理されたデータのまとまりのこと。文章や画像、音声など様々な形式があります。">データセット「GENSHI-MedQA-1M」を公開した。独自に収集した日本語医療文書をもとに構築した100万5,231件の質問と回答からなり、公開されている日本語テキストの医療QAデータセットとして最大規模になるという（2026年10月12日時点、同社調べ）。非商用の研究目的に限り無償で提供する。

大規模言語モデル（LLM）を医療分野で活用するには、日本の診療に即した知識を日本語で学習させる必要がある。しかし、従来の日本語データセットは医師国家試験の過去問による数千問規模のものや、英語データの機械翻訳が中心だった。機械翻訳の最大規模データ（約52万件）でも、日本の保険適用や医薬品の承認状況、国内の診療慣行に関する情報が欠落する課題があり、日本語原文から作成した学習データが求められていた。

GENSHI-MedQA-1Mは、独自収集した日本語医療文書17万9,479ページのうち、2010年以降の14万8,620ページをもとに生成AIで質問と回答を合成した。質問の種類は、事実を問う質問が66.6%、推論を問う質問が21.7%、症例を示して判断を問う質問が11.7%で構成され、病態生理や治療選択の根拠まで記述式で収録している。英語の「medical-o1-reasoning-SFT」を「GPT-4o-mini」で翻訳した既存の最大データセット（約52万件）と比較して約1.9倍の規模となる。

データセットはHugging Face経由で申請・承認を経て提供され、ライセンスは「CC BY-NC-SA 4.0」が適用される。営利目的のモデル学習を含む商用利用や、診断・治療の判断、患者への助言への使用は禁止されている。

同社は「日本語で医療AIをつくろうとすると、最初に突き当たるのが学習データの壁」「日本の医療AI研究が一段前に進むきっかけになればうれしく思います」と表明した。今後は研究者の意見をもとに誤りの修正や改訂を進めるとともに、閉域LLM基盤「MedLocal」など自社開発へ活用し、大学や医療機関との共同研究も受け付けるとしている。