Yoshihiro Muragaki

悪性脳腫瘍専門の脳外科医です。手術ナビゲーションを知り医療機器開発の道に入りました。36年ぶりに母校に帰り、現在医療機器を創る創造性開発人材の育成のため、医療創成工学専攻(大学院)と学科(学部)の教員となりedulopment しています。

[わたヤク @ai_biostat]

医学論文を読むときはNotebookLMを使ってビジュアル構造化サマリを作りましょう。

「結論→目的→方法→結果」で視覚的に素早くキャッチできるだけでなく、将来読み返したときに記憶が一瞬でフラッシュバックします。

使い方はインフォグラフィックのプロンプト欄に以下をコピペするだけ👉

---以下をコピペ---

全体デザイン設定:
テーマ: "Clinical Paper Infographic – 2-column layout"
用途: "臨床論文・レビュー論文の要点を、1枚の画像で提示する"
レイアウト:
形式: "A4横 または 16:9 横長"
構成: "上部ヘッダー + 下部2カラム（左: Objectiveパネル + Settingパネル / 右: Key Results）"
下部カラム比率:
左カラム: "約40%"
右カラム_KEY_RESULTS: "約60%"
左カラム内の縦配分:
OBJECTIVEパネル: "左カラム高さの約20–30%"
SETTINGパネル: "左カラム高さの約70–80%"
左カラム内のパネル間隔:
ギャップ: "12–16px（OBJECTIVEとSETTINGの間に明確な余白）"

ビジュアル・アイデンティティ:
背景色全体: "#E5E7EB 〜 #F3F4F6 のグレー調"
ヘッダー背景色: "#374151"
本文背景色: "#F3F4F6"
左カラム背景色: "#F3F4F6" # 左カラム自体はページ本文トーンに揃え、パネルを“浮かせる”
右カラム背景色: "#FFFFFF"
パネル（カード）スタイル:
パネル背景色: "#F9FAFB"
角丸: "12px"
枠線: "1px #E5E7EB"
影: "ごく薄いシャドウ（強調しすぎない）"
内側余白: "16–20px"
文字色:
メイン: "#111827"
サブ: "#4B5563"
ヘッダー文字: "#FFFFFF"
アクセントカラー: "#2563EB"
アイコン:
スタイル: "カラーのシンプルなフラットアイコン"
配置方針: "SETTINGパネルの各項目に1つずつ縦に配置し、OBJECTIVEとKEY RESULTSでは原則使用しない"

タイポグラフィ:
タイトル: "太めのサンセリフ体（日本語・英語両対応）"
セクション見出し: "中サイズ・太字・オールキャップ（OBJECTIVE, SETTING, KEY RESULTS）"
本文: "読みやすいサンセリフ体、行間はやや広め"
強調表現: "太字またはアクセントカラーで示す"

ページ構成:
- セクション: "Header"
位置: "ページ上端・全幅（高さ 15% 程度）"
内容:
- "日本語のインフォグラフィックタイトル（結論を含む短い一文）"
- "サブタイトルとして、論文の原文タイトル + 著者 + ジャーナル名 + 年を英語のまま記載"
デザイン:
- "ヘッダーのみ背景色を #374151 にし、文字は白。"
- "タイトルを大きく中央揃え、その下にサブタイトルを小さめに配置。"
- "ヘッダー下端に細い明るいグレーの水平線を入れて本文と区切る。"

- セクション: "Left Column – OBJECTIVE panel"
位置: "下部左カラム（高さ 約85% のうち左40%・上段20–30%）"
パネルスタイル: "パネル（カード）スタイルに従う"
内容ブロック:
ラベル: "OBJECTIVE"
記載:
- "研究目的を日本語で1〜2文（できるだけ単純明快に）"
- "必要に応じて PICO（Population/Intervention(or Exposure)/Comparison/Outcome）を短く補足"
デザイン:
- "パネルとして独立させ、SETTINGパネルとは別カードとして表示。"
- "最上部に 'OBJECTIVE' の見出しバー（やや濃いグレー背景 + 白文字）。"
- "本文は2〜4行程度に収め、重要語を太字またはアクセントカラーで強調。"

- セクション: "Left Column – SETTING panel"
位置: "下部左カラム（高さ 約85% のうち左40%・下段70–80%）"
パネルスタイル: "パネル（カード）スタイルに従う"
内容ブロック:
ラベル: "SETTING"
要素:
- "Study design"
- "Population"
- "Exclusion criteria"
- "Data source / Setting"
- "Primary outcome"
- "Key secondary outcomes"
- "Statistical methods"
デザイン:
- "最上部に 'SETTING' の見出しバー（やや濃いグレー背景 + 白文字）。"
- "各要素の左に、内容に適したカラーアイコンを1つずつ縦に配置する。"
- "ボックスで囲まず、余白と行間でブロックを区切る。"
- "OBJECTIVEパネルとの間は 12–16px の余白（ギャップ）を確保し、同一枠内に見えないようにする。"

- セクション: "Right Column – KEY RESULTS"
位置: "下部右カラム（高さ 約85% のうち右60%）"
内容ブロック:
ラベル: "KEY RESULTS"
説明:
- "右カラムを 'KEY RESULTS' とし、重要な結果をグラフ中心で表示する。"
- "グラフ・図表を主役とし、文字はポイントのみ補足的に添える。"
- "必要に応じて複数のグラフを配置するが、視覚的要素を優先する。"
デザイン:
- "右カラムの背景は #FFFFFF。"
- "最上部に 'KEY RESULTS' の見出しバーを配置し、その下にグラフを大きくレイアウトする。"
- "グラフは横長レイアウトを基本とし、テキストは最小限に抑える。"

デザインルール:
- "セクション見出しは英語（OBJECTIVE / SETTING / KEY RESULTS）で統一し、本文は日本語で要約する。"
- "OBJECTIVE と SETTING は左カラム内で“別パネル（独立カード）”として分離し、12–16pxのギャップを必ず設ける。"
- "SETTING 内の各項目見出しは英語で記載する（Study design, Population など）。"
- "OBJECTIVE は左カラムの20–30%を使い、研究目的が一読で分かる短文で提示する。"
- "KEY RESULTS を最も視覚的に強調し、グラフ・図表を主役として大きく配置する。テキストはポイントのみ補足的に添える。"
- "アイコンはSETTINGパネルのみで使用し、OBJECTIVE と画面全体をすっきり保つ。"
- "色数はグレー系のベース + アクセントの青 1 色 + アイコン用の穏やかな色合いに抑える。"
- "150 DPI 以上でエクスポートし、A4横 or 16:9 スライドで読める文字サイズを確保する。"

[NEW【テクノロジーニュース】 @sutoroveli_news]

【速報】器用すぎるロボットハンド「ALLEX」が登場。指ごとの細かい関節制御とトルク制御で、ネジ締めや精密ピックの“器用さ”を狙うタイプだ。100g級の微小な力変化を拾える設計で、人と同じ空間で使う前提の安全寄りチューニングが入っている。

[Kenn Ejima @kenn]

これ超絶すごい論文だよ。

従来の「情報量」（シャノンのエントロピーやコルモゴロフ複雑度） の概念だと、

・計算で新しい情報は作れない
・データの順番を変えても情報量は同じ
・尤度（次トークン予測）も所詮は分布マッチング

みたいな結論になりがちなんだけど、現代の機械学習の感覚（合成データが効く、学習方法で性能が変わる、AlphaZeroが自己対戦で賢くなる、など）とズレてるよね、というのが出発点。

そこで著者らは、観測者（学習者）が計算資源に制約があることを前提に、データから学習者が取り出せる「構造の量」を測る新しい指標 epiplexity を導入する。

epiplexity = epistemic complexity

つまり認識論的な複雑度の概念だというわけだけど、余談ながらフーコーとか読んでた人にはエピステーメーって言われたら興味持たざるを得ないだろうし、まぁクーンのパラダイムでもいいんだけど、この epiplexity という概念自体が「地動説」みたいな認識の転換を惹起する認識論を内包したメタ量的概念、ということで、面白くないわけがない。

ではなぜ既存の情報理論の説明力が弱かったのかというと、古典的な情報理論は基本的に「無限に計算できる観測者」を仮定してる。

でも現実の学習（LLM/NN）は、計算に上限がある「簡単に逆算できない変換」を含んでいる（暗号・疑似乱数・カオス・複雑系）。同じデータでも提示順やフォーマットで学べるものが変わる、みたいな世界にいるわけ。

この論文は、こうしたズレが「上の3つのパラドックス」に見える、と整理してる。

——

この論文のアイデアはざっくり言うと

・データの中身は
(A) 学習してモデルに詰め込める「構造」と
(B) どう頑張っても残る「ランダムさ」
の2つに分解できるはず
・ただしその分解は 計算予算 T に依存する（計算が増えると “構造として見える”範囲が広がる）

というもの。

どう定義してるか？というと、まず「時間（計算量）T以内で、サンプル生成も確率評価もできる確率モデル（プログラム）」を考える。

その制約下で、MDL（最小記述長）っぽく

「モデル（プログラム）を書くのに必要なビット数」＋「そのモデルでデータを符号化するのに必要なビット数」

が最小になるモデルを取る。

そのとき、

・epiplexity = 「最適モデルのプログラム長（モデル側に格納された構造の量）」
・time-bounded entropy = 「その最適モデルでも説明しきれず、データ側に残る符号長（予測不能成分）」

という定義になる。

直感で言うなら

・time-bounded entropy：モデルから見た「ノイズっぽさ」
・epiplexity：ノイズを消すためにモデルが内部化した「再利用可能な仕組みの量」

みたいな感じか。

ここで重要な例が出てくるんだけど、一様乱数・疑似乱数についての情報理論上の矛盾が解決に近づく。

一様乱数（サイコロ）は「予測不能」だけど、モデルは「一様分布」って短い説明で済むので、epiplexityは小さい。（このへん、昔解説したのであとで貼っておくね）

さらに論文は、CSPRNG（暗号学的疑似乱数生成器）の出力についても、

・多項式時間の観測者にとっては time-bounded entropy がほぼ最大
・でも epiplexity はほぼ定数（学べる構造はほぼない）

となり、既存のコルモゴロフ複雑度の指標だと「生成プログラムが短いから複雑じゃない」と見えがちなのに、「予測不能さ」としては最大に見えるという現実をうまく説明できるようになる。

——

じゃ実際どう測るのかというと、定義どおりに「最短プログラムを探す」なんて無理なので、現実的には ニューラルネットをモデル族に限定して推定する。

論文は2つの推定ルートを出してる。

1) Prequential coding（雑に言うと「学習曲線の面積」）

学習を1ステップずつ進めながら、各時点のモデルで次のデータを符号化していく、という古典的な圧縮の考え（prequential）を使う。

ここで「最終損失より上にある学習曲線の面積（lossが下がっていった“量”）」が、モデルがデータから吸い取った情報量＝epiplexityっぽい、という近似になる。

ただし著者らも明確に「これは厳密ではない」と言ってる（上界の差分は上界にならない／時間制約つきの“情報の対称性”が壊れる等）。

2) Requential coding（より厳密、ただし重い）

prequentialの弱点を補うために、requential coding を使う。

ざっくり

・teacher（教師）モデルのチェックポイント列からサンプルした“合成トークン”で student（生徒）を学習
・teacherとstudentのズレ（KL、実務的にはloss gap）を足し上げると、モデルの符号長が出せる→ 図的には teacher loss と student loss の“間の面積”みたいになる

という感じ。

こっちは「モデルを明示的に符号化でき、ランタイムも把握できる」ので定義に忠実だけど、実装/計算コストが増える、というトレードオフ。

——

またこの論文の面白いところは「epiplexity + time-bounded entropy」で、冒頭の3パラドックスをちゃんと説明しにいく点。

パラドックス1：決定論的な変換で情報は増えないはず

古典だと DPI（データ処理不等式）とか「決定論で情報は増えない」みたいな話になる。

でも現実は：
・疑似乱数で「ランダムさ」を作れる
・合成データが効く
・AlphaZeroが自己対戦で賢くなる

そこで著者らは「無限計算なら“逆変換”できるから情報は増えない。でも計算制約があると、“逆が簡単じゃない変換”は time-bounded な情報を増やしうる」という方向に持っていく。

例としてセルオートマトン：
ルール15：単純（低entropy、低epiplexity）
ルール30：予測困難（高entropy、低epiplexity）
ルール54：予測困難さもあるが“学べる構造”も増える（中entropy、高epiplexity）

という結果を示してる。

合成データを作るなら「簡単に逆算できない変換」を使う方が、面白い情報（特に構造）を増やせるかもしれない、という示唆も得られる。

パラドックス2：情報量は順番（factorization）に依存しないはず

シャノンやコルモゴロフでは「X→Yの順で見ても、Y→Xの順で見ても、合計情報は同じ」みたいな対称性がある。

でも実際には

・英語は left-to-right の方が学習しやすい、みたいな「矢印」が出現する
・暗号は「片方向だけ簡単」が本質

論文はここを 計算制約つきだと「順番で time-bounded entropy が変わる」として扱う。

実験も

・“一方向関数っぽい”例（ECA rule30）で forward はシャノンエントロピーまで行けるが reverse はギャップが残る
・チェスデータでも順番を変えると、entropyもepiplexityも変わる

であることを示す。

チェスの直感はわかりやすくて、

・moves→board（順方向）：単純に盤面を更新すればいい
・board→moves（逆方向）：途中の手順を推論しないといけない（難しい）

だから逆順の方が「より深い盤面表現」を学びやすく、epiplexityが上がる、という主張。

パラドックス3：尤度最大化は分布マッチングでしかないはず

真の生成過程はそれ自身の完璧なモデルなんだから、学習しても生成過程以上の構造は学べない、という見方がある。

論文はこれに対して induction（帰納） と emergence（創発） を持ち出して反例を作る。

(a) Induction：生成は簡単でも、予測（尤度計算）は難しい

生成側は「潜在変数を選んで変換して出す」だけで簡単でも、予測側は潜在を「逆推定」しないといけないケースがある。

例：
ECA rule30 を予測するが入力の一部ビットをマスク
→ 欠けたビットを総当たり的に推論する必要があり、計算が爆発
→ その分 epiplexity が増える、という観察。
さらに「データ生成には存在しなかった“帰納戦略”をモデルが学んでしまう」点を強調してる。

(b) Emergence：単純ルールでも、計算が足りない観測者には「高レベル概念」が必要

Game of Life みたいにルール自体は短くても、長期の状態予測は計算が重い。

計算が足りない観測者は、単純にシミュレーションする代わりに、「グライダー等の“種”を検出して挙動を予測する」みたいな 別の（より長い）内部プログラムを学ぶ必要が出る。

この現象を定義として「epiplexity-emergent」と置いて、ECA rule54でそれっぽい証拠も出してる。

——

上のパラドックスの説明がこの論文の一番面白いところであるのは間違いないのだけど、実務的に刺さるのは後半、OOD（out-of-distribution = 前提としている世界モデルが異なるデータ）の一般化について触れているところ。

論文の後半は「epiplexityは OOD transfer の“燃料”っぽい」と押す。

なぜ loss だけ見てもダメなのか

著者らの主張はこう：
・loss（NLL/ perplexity）が表すのは「残った予測不能さ」＝ time-bounded entropy 成分
・でも OOD は「学んだ仕組みの再利用」が効く
→ その“学んだ仕組みの量”を見るなら epiplexity が筋

チェス：epiplexityが高い順序の方がOODタスクに強い

board→moves（逆順）の事前学習モデルは epiplexity が高く、下流で

・チェスパズル：同等
・centipawn評価（より分布シフト大）：精度が有意に良い

という結果。

ただし著者らも釘を刺していて「epiplexityが高い＝どのタスクでも良い」ではない（量であって内容じゃない）。

自然データ：言語は“構造”が多く、画像は“ランダム成分”が多い

OpenWebText（言語）、Lichess（棋譜）、CIFAR-5M（画像）を比べると、

・epiplexity自体は全体情報のごく一部
・OpenWebTextが一番epiplexityが多い
・CIFARは総情報量は大きいが、ピクセルの細部が予測不能で random 成分が多く、epiplexityが少ない

というまとめ。

さらに scaling law を使って1T規模でも推定し、

・言語のepiplexityが高い
・画像は低いが、VQトークナイズでepiplexityが増える（高レベル構造に寄るから）
・動画は冗長性でentropy/epiplexityが下がる

と述べてる。

データ選択・カリキュラム：ADOは結果的にepiplexityを上げてるのでは？

6.4では、データ混合を perplexity や下流ベンチだけで最適化するのは

汚染/過学習/Goodhart（指標ハック）に弱い

と言って、epiplexityを「より内在的な価値指標」にしたい、という流れ。

具体例として ADO（lossが速く下がるデータを優先するオンライン選択）が、測ってみると

・epiplexityが高いデータを選んでいて
・下流性能やOOD perplexityも改善している

という関連を示す。

——

とまぁ、ここまで紹介しておいてなんだけど、epiplexityは「データの絶対的な性質」じゃない。

この論文が流行ることで容易に想像できる近未来は「epiplexityが高いほど良い」だけど、その短絡は危険。

内容が無関係なら無駄学習にもなるし、そのことを著者らも明示している。

「難しくする（逆順にする等）と表現が良くなる」は刺さるけど、どこでも成り立つ保証はない。タスクとモデル次第で普通に崩れる。

論文の思想を雑に実装指針に落とすなら、

・データ比較で「最終loss」だけじゃなく、“学習がどれだけ長く改善し続けたか”（学習曲線の面積っぽいもの）も見る
→ 構造を吸えてる可能性のシグナル。
・カリキュラム/順序/フォーマットを変える実験を、単なる精度改善じゃなくepiplexity（＝学んだ仕組み量）を増やす介入として捉える
→ OOD狙いに理屈がつく。
・合成データは「ノイズを増やす」だけだと entropy は上がるけど epiplexity は増えない可能性がある
→ “学べる構造”を増やしてるかを見る視点が必要。

ということですかね。

古典的な情報量という概念に対して直感的に感じていたモヤモヤを晴らしてくれる素晴らしい論文で、情報理論の次の時代を拓くマイルストーン論文になる可能性があるとは思います。

[はっしー (Tsuyoshi Hashiguchi) @hassy5963]

生成AIの「ハルシネーション」はなぜ起きるのか？

NotebookLMを例に、一般的な生成AIとの構造的な違いと、
誤情報が生まれる背景を技術視点で整理しました。

[Ryota IINO 飯野亮太 @ryotaiino]

「災害対応や科学実験などの地味なテーマは「これがムーンショットといえるのか」と厳しい評価」
「計画に沿って機体開発を進めている最中に、コンセプトの見直しを度々求められ迷走」
「統括者のＰＤが交代し、研究していた全ＰＭ、全研究者が２５年１１月末で打ち切り」
https://t.co/sN6XpFsgvL

[神戸新聞 @kobeshinbun]

神戸大医学部、世界初の手術自動化へ研究始動　支援ロボのデータ、AIが解析　30年代の実用化目標
https://t.co/Fi9idECX1t
神戸大学医学部が世界初の手術自動化へ向け、２０２６年、研究を本格化させる。同大が開発を主導した手術支援ロボット「ｈｉｎｏｔｏｒｉ（ヒノトリ）」のデータを人工知能（ＡＩ）で解析し、３０年代の実用化を目指す。

[セルシグナリングテクノロジージャパン株式会社 @CellSignaling]

【がんの特性 (Hallmarks of Cancer) の研究者向けガイド 】
がん研究の常識を覆す！10のがんの特性を解き明かすeBook。抗体標的を特定し、治療法開発を加速させましょう。今すぐガイドをチェック！

[谷口研究室（北海道大学医学部 統合病理学教室） @iPatho1]

腫瘍反応性CD8+T細胞は、腫瘍細胞やAPCと形成するヘテロ型クラスター（従来のフロー解析ではダブレットとして除外されていた）に濃縮されており、このクラスターからT細胞を分離・増幅すると高機能な腫瘍特異的T細胞が得られることを示した論文がNature誌に発表されました。
https://t.co/rddtgjBszr

[Hirotaka Hasegawa @hirohase_nsgy]

Nature Medicineより。脳腫瘍には「生きた細菌」はいないが、口腔や腸の細菌“断片”が腫瘍内に入り込み、細胞内で検出され得る―
https://t.co/b9Gbp6FQvC
これらの断片が腫瘍の免疫環境に影響している可能性があるってことですね…興味深い🤔

[Cancer Cell @Cancer_Cell]

Glioblastoma hijacks cholinergic networks https://t.co/tFOKOYH9Hf

[有好信博｜『体力がすべて』 @AriyoshiMd]

NEJMが警告

・医師の患者接触が13%に低下し、診断エラー・過剰検査・共感低下が拡大
・病歴＋診察で40%は診断可能
・AI時代ほど「見る・触る」が効く

結論：
「まず診よ（See first）」　— William Osler

[とうや@企業研究職/食品・栄養 @NzXyZQDOCMpLgz5]

こういうのを見るたびに、wetの実験スキルを広げて高めていく方が、ずっと研究開発に生き残れるんじゃないかと思ってしまう。
wet出身ですが最近はdry寄りなので、ますます迷う…

[Ｊｕｎ Ｙａｓｕｄａ @jyasuda1]

生成AI（大規模言語モデル）にUKバイオバンク40万人の臨床データを学習させることで1000にも上る疾患の、最長20年後までの発生予測が精度高く（AUCでものによっては0.8超）可能であることを示した論文。検証データとの比較から。Nature。
https://t.co/tH1XfHjmMt

[Ledge.ai | AIトレンドの鉱脈 @ledgeai]

1X、家庭用ヒューマノイド「NEO」を正式公開──月額499ドル（約7万5,000円）のサブスク開始で“家事お手伝いロボ”が現実に https://t.co/YSjpkfwlkM

[DailyPapers @HuggingPapers]

New from DAVIAN Robotics & KAIST AI: ACG!

A training-free algorithm that smooths robot actions for VLA models, eliminating jitters & drifts to achieve precise manipulation in real-world tasks.

[河野健一 Kenichi Kono ｜ 脳外科医 CEO｜AI 医療 MBA｜脳血管内手術支援AI @CeoImed]

凄い！

｢多数の遺伝子可視化｣
Nature biotech

･ 蛍光顕微鏡で64種類のRNAを1回で同時検出
･ 色の濃淡をバーコード化し複雑な繰り返し反応を不要に
･マウス胚・肝細胞癌・脳組織の3D遺伝子地図を構築
･ がん関連線維芽細胞が免疫浸潤の多様性を左右する役割を明示

https://t.co/Wqs344JEws

[K.Ishi@生成AIの産業応用 @K_Ishi_AI]

LLMの性能が上がり、分類タスクはもはや小規模モデルで十分な可能性が示された。

要件分類実験では、大規模モデルと小規模モデルを比較したところ、精度差はほぼなかった。

例えば、分類タスクはGPT-5-miniで十分な可能性がある。

「AIモデルの最適な選択」が、AIエンジニアの重要スキルになる👇

[Ｊｕｎ Ｙａｓｕｄａ @jyasuda1]

小児悪性腫瘍の代表である神経芽腫の特効薬difluoromethylornithine (DFMO) の効果を増強するにはポリアミン合成系をブロックすること、具体的にはアルギニンとプロリンを欠乏させた食事をとらせることであるという論文（続く）。Nature。
https://t.co/qrVDODNgCH

[Ｊｕｎ Ｙａｓｕｄａ @jyasuda1]

TP53, RB1, CDKN2Aなどが失活し、G1-Sチェックポイントが働かない腫瘍細胞に対して、サイクリンA/Bの基質結合ドメインを標的とした小分子を開発、腫瘍抑制に効果があったという論文。Nature。
https://t.co/D9PCrXbnj5

[Nature Portfolio @NaturePortfolio]

A Review in @NatureMedicine summarizes recent technical advancements in generative AI, outlines how new models might improve healthcare and discusses validation approaches, using lessons from recent successes and failures in the field. https://t.co/0FL5zOW7Lj