presentation/presentation.md

---
marp: true
theme: default
size: 16:9
paginate: true
header: "DiabetesLLM: Guideline-based Instructable System"
footer: "2025 | University of Tsukuba | Kosuke Shimizu"
style: |
  /* 全体のフォントと色設定 */
  section {
    font-family: 'Helvetica Neue', 'Arial', 'Hiragino Kaku Gothic ProN', 'Meiryo', sans-serif;
    color: #333;
    padding: 40px 50px;
    background-color: #fff;
  }
  
  /* 見出しのデザイン */
  h1 {
    font-size: 2.4em;
    color: #003366; /* 濃紺：信頼感 */
    margin-bottom: 0.2em;
    border-bottom: none;
  }
  h2 {
    font-size: 1.6em;
    color: #003366;
    border-bottom: 2px solid #003366;
    padding-bottom: 10px;
    margin-top: 0;
  }
  h3 {
    font-size: 1.2em;
    color: #0055aa;
    margin-top: 0;
    margin-bottom: 10px;
  }

  /* 強調・テキスト装飾 */
  strong { color: #b00020; font-weight: bold; } /* 落ち着いた赤 */
  .center { text-align: center; }
  .small { font-size: 0.8em; color: #666; }

  /* レイアウト用コンテナ（Flexbox） */
  .columns {
    display: flex;
    justify-content: space-between;
    align-items: flex-start;
    gap: 30px;
  }
  .col {
    flex: 1;
    /* 均等配置 */
  }

  /* ボックスデザイン */
  .box {
    background-color: #f4f8fb;
    border-left: 6px solid #003366;
    padding: 15px;
    margin-top: 20px;
    border-radius: 4px;
    box-shadow: 0 2px 5px rgba(0,0,0,0.05);
  }
  .box-alert {
    background-color: #fff5f5;
    border-left: 6px solid #c00;
    padding: 15px;
    border-radius: 4px;
  }

  /* テーブルの微調整 */
  table {
    width: 100%;
    border-collapse: collapse;
    font-size: 0.9em;
  }
  th {
    background-color: #003366;
    color: #fff;
    font-weight: normal;
  }
  tr:nth-child(even) { background-color: #f9f9f9; }
  
  /* 数式の余白 */
  .math-block {
    background: #fff;
    padding: 10px;
    text-align: center;
    margin: 20px 0;
    border: 1px solid #eee;
  }
---

<div style="display:flex; flex-direction:column; justify-content:center; height:100%; text-align:center;">

# DiabetesLLM

**不確実性推定と階層的検索を用いた**
**ガイドライン準拠型 糖尿病療養指導支援システム**

<br>

**清水 紘輔**
University of Tsukuba | 2025

</div>

---

## 1. 臨床応用における生成AIの「致命的欠陥」

LLMは流暢ですが、医療応用には**構造的な欠陥**があります。

<div class="columns">

<div class="col box-alert">

### ❌ 確率論的オウム返し
LLMは単語を確率的に繋げているだけで、**医学的な真偽（Valid/Invalid）を判定できません**

</div>

<div class="col box-alert">

### ⚠️ ハルシネーション
「もっともらしい嘘」をつく特性は、誤った用量・用法を提示する**具体的危険性**があります

</div>

</div>

<br>



</div>

---

## 2. システム設計：Clinical Reasoningの模倣

医学的な推論をシステムモジュールとして再構成しました

| 医師の思考ステップ | DiabetesLLMのモジュール | 技術的実装 (How) |
| :--- | :--- | :--- |
| **1. トリアージ** | **Safety Filter** | ルールベースによる緊急度判定 |
| **2. 鑑別診断** | **Hierarchical Indexing** | ベクトル検索による「章」の特定 |
| **3. 確信度の確認** | **Uncertainty Est.** | エントロピー計算による閾値判定 |
| **4. 文献参照** | **Retrieval-Augmented Generation** | ガイドライン本文の引用・抽出 |
| **5. インフォーム** | **Generation** | 抽出知識の平易化・要約 |

<div class="center small" style="margin-top:10px;"> 「医学的判断」と「言語表現」を完全に分離するアーキテクチャ
</div>

---

## 3. 技術詳細①：階層的検索 (Hierarchical Retrieval)

単純な検索では文脈を見失います。本システムは**2段階のスコープ**で検索します

<div class="columns">

<div class="col">

### Step 1: Macro Scope
**「どの章の話か？」**
入力ベクトル $\mathbf{q}$ と各章の代表ベクトル $\mathbf{c}_i$ を比較
* 例：「シックデイ」の章を特定
* 効果：無関係な章を**数理的に遮断**

</div>

<div class="col" style="border-left: 1px solid #ccc; padding-left: 20px;">

### Step 2: Micro Scope
**「どの段落か？」**
特定された章の中だけで詳細検索
* 例：インスリン調整の段落を抽出
* 効果：**文脈の取り違えを防止**

</div>

</div>

---

## 4. 技術詳細②：不確実性に基づく「拒否」判断

「分からなくても自信満々に答える」AIを防ぐため、迷いを数値化します。

<div class="math-block">

$$
H(p) = - \sum_{z \in \text{Chapters}} p(z \mid q) \log p(z \mid q)
$$

</div>

<div class="columns">

<div class="col">
✅ <b>複雑性（H(p)）が小さい</b><br>
意図が明確（特定章に自信あり）<br>
→<b>回答生成へ</b>
</div>

<div class="col">
🛑 <b>複雑性（H(p)）が大きい</b><br>
意図が曖昧（分布が平坦）<br>
→<b>回答拒否・受診勧奨</b>
</div>

</div>

<div class="box" style="margin-top:10px; padding:10px;">
<b>Point:</b> 医療倫理:まずは害をなすなを<b>数理的な閾値処理</b>として実装。
</div>

---

## 5. RAGの役割：記憶ではなく「参照」

LLMには記憶させず、常に外部資料を「参照」させます。

| 比較項目 | 従来のLLM (ChatGPT等) | DiabetesLLM (提案手法)|
| :--- | :--- | :--- |
| **情報源** | 学習済みデータ（ブラックボックス） | **ガイドラインのみ** |
| **出典** | 不明 | **ページ・段落を明示可能** |
| **最新性** | 学習時点まで | **情報差替で即時対応** |
| **制御** | 困難（制御不能な生成） | **容易（参照箇所の限定）** |

---

## 6. 実装フロー：シックデイ時の対応例

**Input:** 「熱があり食欲がない。インスリンは打つべき？」

1.  **Safety Check** 
    「意識レベル」「呼吸苦」等の緊急性がないことを確認
2.  **Indexing** 
    入力ベクトルが「シックデイ」章に近いと判定
3.  **Entropy Check** 
    判定の確信度が高いため、プロセス続行
4.  **Retrieval Augmented Generation** 
    ガイドラインP.xx「シックデイの対応・インスリン調整」を取得
5.  **Generation** 


---

## 7. 医療安全上の利点 (Traceability)

本システムは、出力結果の監査が可能です

### 根拠の透明性
AIが「なぜその回答をしたか」を、参照したガイドラインのページ番号・段落IDで完全に追跡可能です。


<div class="box">
ニューラルネットワークのブラックボックス性を排し、<b>工学的に管理可能な状態</b>を担保しています。
</div>

---

## 8. 結論と今後の展望

**DiabetesLLM** は、生成AIを「魔法の杖」としてではなく、**「制御可能なモジュール」**として医療システムに組み込みました。

* **Safety First**
    エントロピーによる「分からない」の検知。
* **Evidence Based**
    RAGによるガイドラインへの完全準拠。
* **Explainability**
    階層的検索によるプロセス可視化。

<br>

**Next Step:**
実際の指導場面におけるログデータを用いた、不確実性閾値（$\tau$）の臨床的妥当性の検証。

---

<div style="display:flex; justify-content:center; align-items:center; height:100%;">

# ご清聴ありがとうございました

</div>