この記事では、MedBayes-Liteという軽量のベイズ強化手法を提案しています。この手法は、トランスフォーマーベースの臨床言語モデルに組み込まれ、信頼性の高い不確実性を考慮した予測を提供することを目的としています。トランスフォーマーは臨床決定支援において有望ですが、あいまいな医療ケースでは過信の問題があるため、正確に不確実性を評価することが重要です。MedBayes-Liteは、再学習や構造変更を行うことなく、不確実性定量化をトランスフォーマーのパイプラインに直接埋め込むことができます。このフレームワークは、ベイズ埋め込みキャリブレーション、トークンの信頼性を考慮した不確実性加重アテンション、臨床リスク最小化に基づく意思決定形状調整の3つの要素から構成されています。実験では、MedBayes-Liteが過信を32～48％削減し、診断エラーを41％防ぐ可能性があることが示されました。これにより、医療AIシステムの信頼性と解釈性が向上することが期待されます。