
Dr7.aiの医療AIチャット
BioGPTの力を体験してください。医療テキスト処理、文献分析、幅広い生物医学分野の自然言語処理(NLP)タスク向けに設計された、Microsoftの最先端の生物医学言語モデルです。
BioGPT は、Microsoft Researchが開発した生物医学テキスト向けの生成型事前学習Transformerです(Luoら、Briefings in Bioinformatics、2022年)。GPT-2 mediumアーキテクチャ(24層、隠れ層サイズ1024、アテンションヘッド16)を採用し、パラメータ数は3億4,700万(347M)、語彙は生物医学テキストから独自に学習されています。Bio GPT、BioGPT AI、Microsoft BioGPTと表記されることもあり、より大きな兄弟モデルとしてBioGPT-Largeがあります。
BioGPTは、生物医学テキスト生成、質問応答、文献分析タスクで優れた性能を発揮します。数百万件の生物医学論文と臨床テキストで学習しており、医学用語や概念を理解します。
スケールアップ版のBioGPT-Large(15億パラメータ、GPT-2 XLアーキテクチャ)は、ファインチューニング後にPubMedQAで81.0%の正解率を達成しています。コードとウェイトはMITライセンスで、公式GitHubリポジトリのスター数は約4.5k(2026年10月時点)。モデルはHugging Face上でmicrosoft/biogpt、microsoft/BioGPT-Large、microsoft/BioGPT-Large-PubMedQAとして公開されています。
2022年10月にMicrosoft Researchが公開(arXiv 2210.10341)
Hugging Face上のウェイトの最終更新は2023年2月で、それ以降、公式リポジトリで新しいBioGPTのバージョンは公開されていません。
モデルの設計目的と評価タスク
MicrosoftがBioGPT論文(Luoら、2022年)で報告したファインチューニング後の結果です(Dr7.aiによる測定ではありません)
生物医学用語について文献調の説明文を生成し、PubMed抄録からエンティティとその関係をマイニングします。
研究抄録に対する質問応答(PubMedQA)向けにファインチューニングできます。研究用モデルであり、臨床意思決定支援ツールではありません。
出版文献から薬剤–標的相互作用や薬物間相互作用を抽出し、データ整備や仮説生成を支援します。
Hugging Faceやローカル環境でMicrosoftのBioGPTを実行するか、Dr7独自の生物医学AIチャットを試せます。
Microsoftの公式READMEからリンクされているHugging FaceのデモSpace(BioGPT-Largeのテキスト生成とPubMedQAの質問応答)は、2026年10月20日に確認した時点でいずれもランタイムエラー(Runtime error)になっており、現在利用できる公式オンラインデモはありません。このページの生物医学チャット(Dr7.ai独自のアシスタントで、オリジナルのモデルウェイトではありません)を試すか、下記の方法でモデルを自分で実行してください。
BioGPTはHugging Faceのtransformersライブラリに組み込まれています。transformers、torch、sacremoses(BioGptTokenizerに必要)をインストールしてから、モデルを読み込みます:
# pip install transformers torch sacremoses
from transformers import BioGptTokenizer, BioGptForCausalLM, pipeline
tokenizer = BioGptTokenizer.from_pretrained("microsoft/biogpt")
model = BioGptForCausalLM.from_pretrained("microsoft/biogpt")
generator = pipeline("text-generation", model=model, tokenizer=tokenizer)
print(generator("COVID-19 is", max_new_tokens=40)[0]["generated_text"])•microsoft/biogpt — ベースモデル、3億4,700万パラメータ
•microsoft/BioGPT-Large — 15億パラメータ(fp32ウェイトで約6.3 GB)
•microsoft/BioGPT-Large-PubMedQA — PubMedQA向けにファインチューニング済み
•コード内のモデルIDを差し替えれば大きいチェックポイントも使えます
MicrosoftのGitHubリポジトリ(microsoft/BioGPT)では、fairseqによるオリジナル実装と、論文の各タスク向けにファインチューニングしたモデルを含むチェックポイントをダウンロードできます。
•BC5CDR、KD-DTI、DDI、HoC、PubMedQA向けのファインチューニング済みチェックポイント
•オリジナル環境はPyTorch 1.12、Python 3.10、fairseq 0.12に固定
•トークン化にMosesとfastBPEが必要
•GPUを推奨(特にBioGPT-Large)
BioGPTは生物医学テキストの生成とマイニングのためのモデルです。文献調のテキストを続けて書くことができ、タスクに合わせてファインチューニングすると高い性能を発揮しますが、会話をしたり、症状・検査結果・画像を解釈したりするようには学習されていません。症状、検査結果、医用画像について構造化されたAIレポートが必要な場合は、Dr7.aiのAI医療診断ツールをご利用ください。
AI医療診断を開くBioGPTの出力は、特に臨床や研究で使う場合、その分野の専門家が検証する必要があります。
最適な性能を得るには、対象とする生物医学分野やタスクに合わせてBioGPTをファインチューニングすることを検討してください。
BioGPT、BioGPT-Large、BioMedLM、PubMedBERT、PMC-LLaMAを一覧で比較
| モデル | パラメータ数 | 学習コーパス | ライセンス | PubMedQA(正解率) |
|---|---|---|---|---|
| BioGPT | 347M | PubMedのタイトル+抄録 1,500万件 | MIT | 78.2% |
| BioGPT-Large | 1.5B | PubMed | MIT | 81.0% |
| BioMedLM | 2.7B | PubMedの抄録+全文論文(The Pileより) | BigScience BLOOM RAIL 1.0 | 74.4% |
| PubMedBERT | ~110M (BERT-base) | PubMed抄録(一部のバリアントはPubMed Centralの全文も追加) | MIT | 55.8% |
| PMC-LLaMA 13B | 13B | LLaMA-13B+生物医学論文480万本+医学教科書3万冊 | OpenRAIL(Hugging Faceのモデルカード)、LLaMAベース | 77.9% |
スコアは各モデル自身の論文(PubMedBERTはBioGPT論文の比較表)によるもので、実験条件(ファインチューニングか指示チューニングか)が異なります。直接比較のベンチマークではなく、目安としてご覧ください。
BioGPTに関するよくある質問
はい。MicrosoftはBioGPTのコードとモデルウェイトをMITライセンスで公開しており、このライセンスは事前学習済みモデルにも適用されます。そのため、BioGPTとBioGPT-Largeは商用利用も含めて無料でダウンロード・実行できます。自分で実行する場合にかかるのは、計算リソースの費用だけです。
公式のオンラインサービスはありません。MicrosoftはBioGPTのホスト型アプリを提供しておらず、READMEからリンクされているHugging FaceのデモSpaceは、2026年10月20日の確認時点でランタイムエラーになっていました。Hugging Faceからモデルを自分で実行するか、このページの生物医学チャットをお試しください。ただし、このチャットはDr7.ai独自のアシスタントであり、オリジナルのBioGPTチェックポイントではありません。
役割が異なります。BioGPTは小型のモデル(347M、BioGPT-Largeは1.5B)で、PubMed抄録のみで事前学習されており、関係抽出、PubMedQA、文書分類などの特定タスク向けにファインチューニングして使うことを前提としています。自分のハードウェアで実行できますが、チャット用の指示チューニングは行われていません。ChatGPTは汎用の対話アシスタントで、指示に従ったり説明したりする能力ははるかに高いものの、同じように特化させたりローカルでファインチューニングしたりすることはできません。
transformers、torch、sacremosesをインストールし、"microsoft/biogpt"(または "microsoft/BioGPT-Large")からBioGptTokenizerとBioGptForCausalLMを読み込んで、transformersのtext-generationパイプラインなどでテキストを生成します。最小限のコード例は、上の「BioGPTの使い方」セクションに掲載しています。
BioGPT-Largeは、GPT-2 XLアーキテクチャをベースにした15億パラメータのBioGPTの大規模版です。ファインチューニング後はPubMedQAで81.0%の正解率に達し(3億4,700万パラメータのBioGPTは78.2%)、そのファインチューニング済みモデルはmicrosoft/BioGPT-Large-PubMedQAとして公開されています。いずれもMITライセンスでHugging Faceにて公開されています。
BioGPT論文では、ファインチューニングしたBioGPTがエンドツーエンド関係抽出のBC5CDRで44.98%、KD-DTIで38.42%、DDIで40.76%(いずれもF1)、PubMedQAで正解率78.2%、HoC文書分類でF1 85.12%を記録しています。これらはタスクごとにファインチューニングした結果であり、出力は引き続き専門家が確認する必要があります。
BioGPTは臨床記録ではなく出版文献で学習した研究用モデルであり、患者ケアに向けた検証は行われていません。文献マイニングなどの研究ワークフローを支援することはできますが、臨床判断の代わりにしたり、臨床上の意思決定を自律的に行わせたりすべきではありません。